客观的奶牛流动性分析和评分系统使用基于计算机视觉的关键点检测技术从顶部视图二维视频中检测
Shogo Higaki1, Guilherme L Menezes2, Rafael E P Ferreira2
1National Institute of Animal Health, National Agriculture and Food Research Organization, Tsukuba, Ibaraki, 305-0856, Japan; Department of Animal and Dairy Sciences, University of Wisconsin-Madison, Madison, WI 53706.
Journal of dairy science
|December 19, 2024
概括
计算机视觉精确地从视频中提取奶牛的移动性变量. 一个机器学习模型使用这些变量来预测流动性得分,从而可以客观地评估牛的福利.
科学领域:
- 动物科学 动物科学
- 兽医医学 兽医医学 兽医医学
- 计算机视觉 计算机视觉
背景情况:
- 评估奶牛的流动性对于动物福利和生产率至关重要.
- 传统的视觉评分可以是主观的和劳动密集型的.
- 需要客观的方法来评估流动性.
研究的目的:
- 评估计算机视觉技术,从奶牛的二维视频中提取移动性变量.
- 开发和评估一个机器学习模型,用这些变量来预测奶牛流动性得分.
主要方法:
- 收集了256个顶部视图的2D视频,显示行走的奶牛.
- 使用关键点检测模型跟踪10个关键点并提取25个移动变量.
- 开发了一个随机森林分类模型,用于3级移动性得分 (0,1,2+3).
- 使用重复持久 (80%的火车,20%的测试) 评估模型性能,加权卡帕和AUC.
主要成果:
- 计算机视觉技术有效地提取了相关的移动性变量.
- 随机森林模型实现了0.72的加权卡帕和0.89的AUC,用于预测三类移动性.
- 预测的关键变量包括背部的横向运动,手臂的横向运动,步行速度和尾巴的头部的横向运动.
结论:
- 基于计算机视觉的关键点检测是从奶牛视频中提取移动性变量的可行方法.
- 使用这些变量的机器学习模型显示出客观和准确的乳牛移动性评分的巨大潜力.
- 这种方法可以帮助早期发现流动性问题,并改善群体管理.
