基于面部识别模型的个人雅克实时养行为监控系统

科学领域:

• 动物科学动物科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 雅克的养行为显著影响了养场的福利和肥效率.
• 传统的手动观察动物行为是劳动密集型的,并可能导致压力.
• 机器视觉和传感器技术的进步使得自动化,非侵入性监控成为可能.

研究的目的:

• 开发一个实时检测模型,用于个人养和采摘行为.
• 利用机器视觉和跟踪模型进行无压力监测雅克的行为.
• 评估开发模型在准确识别养行为方面的表现.

主要方法:

• 收集了来自11个雅克的视频数据.
• 使用YOLO系列模型进行训练的雅克面部分类.
• 通过StrongSORT模型跟踪个人克的行为,在低谷范围内定义食和采摘.

主要成果:

• 改进的YOLOv8和StrongSORT模型实现了高检测性能:准确性 (98.76%),精度 (98.77%),回忆 (98.68%) 和F1得分 (98.72%).
• 准确的实时检测个人养行为被证明.
• 确定的挑战包括由于掩盖的面孔和相似的面部特征导致的误识.

结论:

• YOLO系列和StrongSORT模型提供了一个准确和实时的解决方案,用于监测个人养行为.
• 这种自动化方法对长期养管理和福利监测具有重大潜力.
• 未来的工作将将数据集扩展到不同的环境中,并研究养时间和牲畜体重增加之间的联系.