在智能农业中使用基于RetinaNet模型的深度神经网络检测子的研究

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉
• 动物科学动物科学

背景情况:

• 子中的子福利对于最佳生长至关重要,需要持续监测.
• 翻倒,摔倒或死亡等不良事件会对农场环境产生负面影响.
• 传统的子管理是劳动密集型的,可能会错过关键的福利问题.

研究的目的:

• 提出和评估一个对象检测算法,用于自动监测子中的子福利.
• 提高识别影响子健康和生长的关键事件的效率和准确性.
• 为智能农场在养中的整合奠定基础.

主要方法:

• 在两年 (2021-2022) 期间,从子中收集和增强图像数据.
• 利用对象检测算法来分类和定位子和潜在的问题.
• 使用 9:1 数据分割训练和验证模型,并对未见的图像进行最终验证.

主要成果:

• 对象检测方法成功地识别了子环境中的关键对象和状态.
• 视觉确认证明了算法的能力在现实世界的场景.
• 该研究确定了使用计算机视觉用于子福利监测的可行性.

结论:

• 拟议的物体检测方法为自动化子管理提供了一个有希望的解决方案.
• 这项技术可以显著减少对监测子福利的手工劳动的需求.
• 该系统的实施可以促进智能养殖场的发展.