基于深度学习的移动应用程序的开发,用于使用显微镜图像识别猪中的Coccidia物种
Naseeb Singh1, Vijay Mahore2, Meena Das1
1ICAR-Research Complex for North Eastern Hill (NEH) Region, Umiam, Meghalaya 793 103, India.
Veterinary parasitology
|December 15, 2024
概括
一个新的深度学习移动应用程序准确地识别了猪中的Coccidia物种,减少了对专家分析的依赖. 这项技术为在养猪场诊断这种昂贵的寄生虫疾病提供了更快,更容易获得的方法.
科学领域:
- 兽医寄生虫学 兽医寄生虫学
- 计算生物学 计算生物学
- 机器学习在动物健康中的应用
背景情况:
- 由Eimeria和Isospora引起的菌病,通过增长减少,料转化不良和死亡率增加,显著影响养猪经济.
- 准确的物种识别Coccidia在猪中对于有效的治疗至关重要,但传统上依赖于专家的劳动密集型显微镜分析.
- 现有的诊断方法耗时,需要专业人员,因此需要更高效,更容易获得的识别工具.
研究的目的:
- 开发和评估一个基于深度学习的移动应用程序,用于在猪中自动识别六种常见的Coccidia物种 (E. debliecki,E. perminuta,E. porci,E. spinosa,E. suis和Isospora suis).
- 评估资源效率高的深度学习模型的性能,包括EfficientNet和MobileNet变体,用于卵囊细分和物种分类.
- 提供一种实用,基于移动的解决方案,以克服传统猪病诊断的局限性.
主要方法:
- 采用了两阶段的深度学习方法,包括在编码器-解码器架构中使用卷积神经网络 (CNN) 的图像细分,然后进行物种识别.
- 资源效率模型 (EfficientNetB0,EfficientNetB1,MobileNet,MobileNetV2) 用于特征提取,并应用转移学习来提高准确性.
- 用标记器控制的分水区算法用于分离接触性卵巢,并使用平均交叉点 (m-IoU),准确性,精度和回忆等指标评估模型.
主要成果:
- 所有开发的深度学习模型都在细分和分类Coccidia物种方面取得了很高的表现,m-IoU值超过0.92,个别类IoU得分超过0.90.
- 移动NetV2表现出卓越的性能,实现了对细分和优秀的分类指标的最高m-IoU (0.95) (精度0.93,精度0.96,回忆0.96).
- 最终的移动应用程序在新的,未见过的数据上实现了91.0%的实际识别准确率,验证了其在现实场景中的有效性.
结论:
- 基于深度学习的移动应用程序是用于自动识别猪中Coccidia物种的强大而高效的工具.
- 开发的应用程序大大减少了对专家显微镜师和耗时的实验室程序的依赖,以诊断Coccidia.
- 这项技术提供了一个有希望的,可访问的解决方案,用于改善养猪场的Coccidia管理,特别是在资源有限的环境中.
