使用先进的深度学习技术监测无母的活动指数和行为
Xiao Yang1, Ramesh Bist1, Bidur Paneru1
1Department of Poultry Science, University of Georgia, Athens, GA 30602, USA.
Poultry science
|August 27, 2024
概括
深度学习模型,特别是YOLOv8和DeepSORT,准确监测活动,以改善动物福利. 这项技术有助于检测异常行为,并评估商业家禽场的群体健康状况.
科学领域:
- 动物科学动物科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 监测的行为对于商业家禽业务中的动物健康和福利至关重要.
- 评估群体活动的传统方法可能是劳动密集型和主观的.
研究的目的:
- 开发和评估卷积神经网络 (CNN) 模型,用于监测活动指数.
- 确定最佳的深度学习模型,以准确跟踪家禽活动.
主要方法:
- 一个数据集由1500个顶部图像的图像被用于培训,验证和测试CNN模型.
- 开发和比较了六个CNN模型,包括YOLOv5,YOLOv8,ByteTrack,DeepSORT和StrongSORT.
- 使用多对象跟踪精度 (MOTA) 评估了性能.
主要成果:
- 通过YOLOv8和DeepSORT的组合,获得了最高的性能,MOTA为94%.
- 最佳模型在跟踪活动和量化群体水平方面表现出有效性.
- 该模型有可能检测出像窒息和堆叠这样的异常行为.
结论:
- 深度学习,特别是YOLOv8-DeepSORT模型,为监测家禽活动提供了强大的解决方案.
- 这项技术可以通过量化群体行为来显著帮助评估动物健康和福利.
- 开发的系统有助于客观评估脚健康状况,及早发现福利问题.
