使用机器视觉技术跟踪无产母的洗尘行为
Bidur Paneru1, Ramesh Bist1, Xiao Yang1
1Department of Poultry Science, College of Agricultural & Environmental Sciences, University of Georgia, Athens, GA 30602, USA.
Poultry science
|September 19, 2024
概括
这项研究开发了一种自动化的深度学习系统,用于检测产母的洗尘行为,改善在无环境中的福利监测. YOLOv8x-DB模型实现了高精度,为家禽生产者提供了可靠的工具.
科学领域:
- 动物行为 动物行为
- 机器学习在农业中的应用
- 禽畜科学 禽畜科学 禽畜科学
背景情况:
- 洗尘是家禽福利的关键维护行为,涉及羽毛清洁和寄生虫清除.
- 手动检测尘埃洗是劳动密集型,容易出错,需要自动化解决方案.
- 精确监测粉尘洗对于评估无养殖系统中的鸟类福利至关重要.
研究的目的:
- 开发和评估深度学习模型,用于自动检测产卵母的洗尘行为.
- 确定最佳的深度学习模型,用于精确监测尘埃浴.
- 评估最佳模型在不同发育阶段的产卵母的表现.
主要方法:
- 开发和培训YOLOv7-DB,YOLOv7x-DB,YOLOv8s-DB和YOLOv8x-DB的模型.
- 在四个无房间的800只母中检测尘埃浴行为时模型性能的比较.
- 对每个模型的检测精度,回忆和平均平均精度 (mAP) 的评估.
主要成果:
- YOLOv8x-DB模型表现出卓越的性能,精度为93.4%,回忆率为91.20%,mAP@0.50.70%为93.70%.
- 所有测试的模型都实现了超过90%的检测精度,尽管性能受到环境设备的影响.
- YOLOv8x-DB模型在种植阶段显示出最高的检测精度,精度达到96.80%.
结论:
- 深度学习模型,特别是YOLOv8x-DB,提供了一种高度精确和自动化的方法来监测产母的洗尘行为.
- 开发的系统可以在所有生长阶段可靠地检测尘埃浴,精度超过89%.
- 这种自动化方法为家禽生产者提供了一种有价值的工具,可以在无系统中加强福利监测和管理.
