相关实验视频
Updated: May 14, 2025
10:19
3D Kinematic Gait Analysis for Preclinical Studies in Rodents
Published on: August 3, 2019
10.6K
GCNTrack:一种基于骨特征相似性的猪追踪方法
Zhaoyang Yin1, Zehua Wang1, Junhua Ye2
1School of Mathematics and Computer Science, Zhejiang Agriculture and Forestry University, Hangzhou 311300, China.
Animals : an open access journal from MDPI
|April 12, 2025
概括
使用骨架功能和双追踪策略,GcnTrack提高了猪追踪的准确性,即使在不完整的摄像头视图下也是如此. 这种方法提高了猪的行为和养殖场的健康监测.
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:
- 准确的猪追踪对于监测动物行为和健康至关重要.
- 真实农场猪追踪面临的挑战是由于摄像头视野 (FOV) 不完整,导致频繁的进入/退出事件,降低了准确性.
- 现有的方法在猪离开并重新进入摄像机的FOV时,难以持续跟踪.
研究的目的:
- 开发一种高效,准确的猪追踪方法,对不完整的摄像机FOV.
- 提高猪追踪的可靠性,以改善动物福利和农场管理.
- 解决动态农场环境中当前跟踪系统的局限性.
主要方法:
- 拟议的GcnTrack方法利用骨特征相似性的猪追踪.
- 使用YOLOv7-Pose用于提取猪骨的关键点.
- 实施了一种双重跟踪策略,将IOU匹配和图形卷积重新识别 (Re-ID) 结合起来,用于连续跟踪,包括猪重新进入FOV.
主要成果:
- 在短视频中,GcnTrack实现了84.98%的多重对象跟踪精度 (MOTA) 和82.22%的识别F1分数 (IDF1).
- 在中长视频上显示了74%的跟踪精度.
- 在长时间视频中,猪平均进入场景15.29次,每头猪有6.28个身份开关,这表明尽管经常出现遮蔽,但性能强.
结论:
- 在具有不完整摄像头FOV的农场环境中,GcnTrack提供了一个准确可靠的解决方案,用于在具有挑战性的农场环境中跟踪猪.
- 该方法有效地处理猪进入和退出摄像机视线,确保持续监控.
- 这一进步支持通过改进的追踪技术更好地评估猪行为和健康.
