深度学习方法用于跟踪单个的运动
Xiao Yang1, Ramesh Bahadur Bist1, Bidur Paneru1
1Department of Poultry Science, College of Agricultural & Environmental Sciences, University of Georgia, Athens, GA 30602, USA.
Animals : an open access journal from MDPI
|March 28, 2024
概括
这项研究引入了一种改进的任何轨道模型 (TAM),用于进行非侵入性家禽运动分析. TAM准确地跟踪的运动和速度,改善动物福利和农场管理.
科学领域:
- 动物科学动物科学
- 计算机视觉 计算机视觉
- 农业技术 农业技术
背景情况:
- 对于评估动物健康,福利和生产力来说,家禽的运动非常重要.
- 监测家禽运动的传统方法往往是侵入性的,可以改变行为.
- 需要使用非侵入性,准确的方法来分析家禽的运动.
研究的目的:
- 适应和评估一个增强的任何轨道模型 (TAM) 进行非侵入性家禽运动分析.
- 评估TAM在跟踪和分析各种类型的移动方面的表现.
- 将TAM的有效性与YOLOv5和YOLOv8.8等现有最先进的模型进行比较.
主要方法:
- 利用一个增强的追踪任何模型 (TAM) 在各种实验环境中跟踪.
- 采用了包括染色和未染色肉和层在内的数据集,用于模型适应和评估.
- 使用交叉与结合 (mIoU) 和速度精度与根平均平方误差 (RMSE) 的量化跟踪性能.
主要成果:
- 增强的TAM显示出对家禽的优越细分和跟踪能力.
- 在不同类别中实现了高mIoU值 (93.12%),优于其他模型.
- 展示了0.02m/s的RMSE准确速度检测,验证了其精度.
结论:
- 增强的TAM提供了一种技术先进,一致和非侵入性的方法来分析家禽的运动.
- TAM是详细监测家禽行为的一种有力的工具,有助于改善动物福利.
- 该模型的潜力扩展到更广泛的牲畜监测,增强农场管理实践.
