APO-CViT:一种基于多式特征融合的非破坏性雌激素检测方法,用于养殖猪

科学领域:

• 动物科学动物科学
• 人工智能的人工智能
• 生物技术是生物技术.

背景情况:

• 传统的母猪检测方法是主观和不准确的,阻碍了猪的有效生殖性能.
• 现代猪养殖需要客观,可靠和非破坏性的监测技术.
• 现有的方法无法满足优化育种计划的准确性要求.

研究的目的:

• 开发一种多式特征融合方法,用于准确和强大的母猪雌性腺体检测.
• 通过改进位监测,提高猪生殖性能和农场生产效率.
• 创建一个客观的,非破坏性的系统来识别繁殖猪的状态.

主要方法:

• 开发了适应性-PIG-OESTUS-CNN-ViT模型,集成音频和热红外图像数据.
• 采用融合策略,将卷积神经网络 (CNN) 和视觉变换器 (ViT) 结合起来,用于特征提取.
• 利用适应性交叉注意力机制进行多式特征向量学习,以及改进的DenseNet进行分类.

主要成果:

• 多式联网模型实现了高性能指标:98.92%的准确性,95.83%的回忆率和97.35%的F1分数.
• 在繁殖猪中证明有效的非破坏性雌激素检测.
• 该模型使用合并的音频和热数据准确地区分了雌激和非雌激状态.

结论:

• 适应性-PIG-OESTUS-CNN-ViT模型在母猪的检测方面取得了重大进展.
• 这种多式模式的方法为现代养猪业提供了高效,客观和非破坏性的解决方案.
• 这些发现支持整合人工智能和多式联络数据,以优化动物生殖管理.