使用关键点检测和罗神经网络在封闭和开放场景中的颜色独立牛的识别

科学领域:

• 计算机视觉 计算机视觉
• 动物识别 动物识别
• 机器学习 机器学习

背景情况:

• 传统的计算机视觉与固色动物和开放场景 (新动物进入/离开) 斗争.
• 身体的生长可以改变生物识别特征,随着时间的推移影响识别的准确性.
• 基于关键点的识别,类似于人类面部识别,提供了一个有希望的替代方案.

研究的目的:

• 评估牛奶牛的自动识别使用关键点在解剖学地标.
• 确定模型训练的最佳图像数量.
• 评估模拟身体生长对识别准确性的影响.
• 在开放场景中评估业绩.

主要方法:

• 一个姿势估计模型确定了每头母牛的10个关键点.
• 关键点之间的欧几里德距离产生生物识别特征.
• 一个语神经网络被训练用于牛的识别.
• 测试了三个策略:全身,仅背部和仅部的关键点.

主要成果:

• 战略1 (所有10个关键点) 在封闭式场景中实现了96.3%的准确性.
• 使用每头牛18张图像进行训练,可以达到80%以上的准确度.
• 只有2%的身体扰动在封闭式测试中保持了令人满意的准确性.
• 开放式识别实现了72.5%的准确性,在组合场景中达到75.8%的准确性.

结论:

• 使用欧几里德距离的基于关键点的识别对单个奶牛有效,即使那些颜色相似的奶牛也是如此.
• 该系统显示了对部分封闭的稳定性和对现实世界开放式挑战的潜力.
• 需要进一步的研究来解决显著的身体生长干扰的影响.