通过物体检测和机器学习模型在热图中将的头部和腿部分开,以预测禽流感和纽卡斯尔病

科学领域:

• 兽医医学 兽医医学 兽医医学
• 动物病理学 动物病理学
• 人工智能在农业中的应用

背景情况:

• 禽类的体温是生理状态和健康的关键指标.
• 在家禽的早期,非破坏性疾病诊断对于群体管理至关重要.
• 识别热分析的关键身体区域可以优化诊断速度和准确性.

研究的目的:

• 开发一种智能算法,用于早期诊断和分类家禽禽流感和纽卡斯尔病.
• 为了评估不同热图像处理技术 (原始,背景删除,YOLO-v8细分头/腿) 对于疾病诊断的有效性.
• 确定最有影响力的热图像特征 (纹理,颜色) 以区分这些家禽疾病.

主要方法:

• 开发了三种热图像模型:原始,已删除背景和YOLO-v8细分头/腿.
• 从热图像中提取特征,包括纹理和颜色.
• 使用支持矢量机 (SVM) 进行分类,并通过Relief算法进行特征选择.

主要成果:

• YOLO-v8细分模型 (头部和腿部) 实现了对禽流感 (92.48%) 和纽卡斯尔病 (94.20%) 的最高分类准确度.
• 开发的模型在感染后8小时内准确诊断了90%以上的疾病.
• 与纹理相关的特征比颜色特征对诊断准确性的贡献更大.

结论:

• 人工智能驱动的热成像,特别关注头部和脚部区域,可以准确,实时,早期的禽类疾病诊断.
• 纹理特征对于使用热成像来诊断家禽疾病非常有价值.
• 这种非破坏性的方法有助于早期检测和管理禽流感和纽卡斯尔病.