一种基于深度学习的新方法,用于非破坏性识别和跟踪肉牛的多对象行为,基于深度学习
Guangbo Li1, Jiayong Sun2, Manyu Guan2
1College of Electronic and Information Engineering, Huaibei Institute of Technology, Huaibei 235000, China.
Animals : an open access journal from MDPI
|September 14, 2024
概括
这项研究介绍了一种人工智能驱动的系统,用于智能肉牛行为识别和跟踪. 增强的深度学习模型显著提高了在农业环境中识别和监测牛活动的准确性和效率.
科学领域:
- 农业技术 农业技术
- 在畜牧业的人工智能.
- 计算机视觉用于畜牧管理
背景情况:
- 传统的肉牛识别和跟踪方法是劳动密集型和耗时的,阻碍了精确的农业实践.
- 准确监测肉牛的行为对于有效的生产管理和动物福利至关重要.
研究的目的:
- 开发和验证基于深度学习的系统,用于智能识别和跟踪肉牛的多对象行为.
- 与现有方法相比,提高肉牛行为分析的准确性和效率.
主要方法:
- 行为检测模块:改进了YOLOv8n算法 (YOLOv8n_BiF_DSC),结合了动态蛇卷曲和BiFormer注意力机制,用于增强特征提取和行为分析.
- 多对象跟踪模块:优化深度SORT算法,利用增强的YOLOv8n_BiF_DSC探测器和ResNet18进行重新识别,并进行二次IOU匹配以减少ID错误.
- 评估:对各种视频序列进行测试,以评估性能指标,包括识别准确度,精度,IDF1,IDS,MOTA和MOTP.
主要成果:
- 改进的YOLOv8n_BiF_DSC算法在9种肉牛行为中实现了93.6%的准确性,平均精度为96.5% (50) 和71.5% (50:95),超过了原来的YOLOv8n.
- 优化的深度SORT跟踪模块显示了显著的改进,ID开关 (IDS) 减少了65.8%,多重对象跟踪精度 (MOTA) 增加了2%.
- 该系统有效地解决了各种环境复杂性的跟踪遗漏和错误识别问题,增强了群体养的肉牛跟踪.
结论:
- 拟议的深度学习方法为智能肉牛行为识别和跟踪提供了强大而高效的解决方案.
- 改进的系统为现代肉牛养殖中先进的智能检测和管理奠定了基础.
- 这项技术通过提供准确,自动监测动物行为的方式,支持精确的畜牧业.
