基于机器学习的活动跟踪,用于在实验设施中对个体猪进行监测,以改善研究中的动物福利

科学领域:

• 动物福利科学 动物福利科学
• 机器学习应用 机器学习应用
• 农业技术 农业技术

背景情况:

• 目前用于监测实验动物福利的方法依赖于主观和耗时的物理观察.
• 客观和持续的监测对于在研究环境中检测动物误导的早期迹象至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于客观地监测实验猪的姿势和活动水平.
• 创建基于视频的猪追踪技术,以加强动物福利评估.

主要方法:

• 一个采用微型计算机和天花板安装摄像头的原型系统被开发用于实时视频录制.
• 结合了机器学习模型,将Ultralytics YOLOv8n集成用于对象检测和Lucas-Kanade稀疏光流用于运动分析.
• 该模型在单个猪圈中的实验猪的图像上受过训练,以分类姿势 (躺着,站着,走路).

主要成果:

• 开发的模型成功地高准确地分类了个别猪的姿势和活动水平.
• 验证显示准确率为90.66%,精度为90.91%,回忆率为90.66%.
• 与观察到的地面真相相比,获得了84.53%的相关系数.

结论:

• 机器学习为实验动物的持续监测提供了一种可行和客观的方法.
• 这项技术有可能通过早期检测痛苦或疾病来显著改善研究中的动物福利.
• 经过验证的猪追踪系统为专注于动物福利的研究人员提供了可靠的工具.