使用物体检测模型在不同的照明条件下确定猪的姿势和位置

科学领域:

• 动物科学动物科学
• 计算机视觉 计算机视觉
• 农业技术 农业技术

背景情况:

• 计算机视觉,特别是物体检测,越来越多地用于监测猪的行为,包括位置和姿势.
• 照明条件显著影响检测模型的性能,并可能影响猪活动和休息模式.
• 准确的猪行为监测对于福利评估和优化养殖实践至关重要.

研究的目的:

• 验证YOLOv8对象检测模型,用于在各种照明条件下识别猪的姿势 (站立,坐着,腿躺着,横躺着).
• 评估模型在不同的光强度,光谱和均性中的性能.
• 评估模型在定位和分类猪行为中的准确性.

主要方法:

• 开发和训练YOLOv8物体检测模型,使用10-24周大猪的注释数据.
• 在培训,验证和测试数据集中包含10个不同的照明设置 (不同强度,频谱,均性).
• 使用平均平均精度 (mAP),精度,灵敏度和F1分数来评估检测精度,并通过交叉与联盟 (IoU) 测量局部化精度.

主要成果:

• 该模型在不同照明条件下实现了89.4%的猪检测平均平均精度 (mAP).
• 站立姿势检测最准确;坐着姿势检测具有最低的灵敏度和F1得分,这是由于视觉混乱和数据集限制.
• 分组胸部和侧侧躺姿势改善了检测 (mAP = 97.0%),定位精度 (IoU) 在75%的数据集中超过95.5%.

结论:

• YOLOv8模型在不同照明下检测猪的位置和姿势方面表现出强大的性能,在特定条件 (如温暖或不均的光线) 中遇到小挑战.
• 通过数据增强和通过分析活跃与休息行为,可以改善区分特定的躺姿和坐姿.
• 这项研究证实了计算机视觉在可靠的猪行为监测方面的潜力,尽管在个体猪跟踪和封闭方面的挑战需要进一步研究.