智能农业与人工智能:提高贫血检测在小反动物

科学领域:

• 兽医医学 兽医医学 兽医医学
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 对小反动物的贫血评估对于牲畜健康和寄生虫管理至关重要.
• 传统的FAMACHA©评分依赖于主观的视觉检查,导致潜在的偏见和劳动强度.
• 自动化FAMACHA©分类可以提高群体健康管理的准确性和效率.

研究的目的:

• 开发和比较机器学习模型,使用智能手机拍摄的图像进行自动化FAMACHA©分数分类.
• 评估支持向量机 (SVM),逆向传播神经网络 (BPNN) 和卷积神经网络 (CNN) 模型的性能.
• 确定最有效的模型,以准确和可扩展地检测山羊的贫血.

主要方法:

• 在六个月内收集了4700张山羊下眼结膜图像的数据集,使用的是三星A54智能手机.
• 实施和训练SVM,BPNN和CNN模型用于FAMACHA©分数分类.
• 使用精度,回忆,F1得分和准确度指标评估模型性能.

主要成果:

• 美国有线电视新闻网 (CNN) 模型实现了最高的分类准确率,达到97.8%,明显超过了SVM和BPNN.
• SVM模型显示平均准确率为84.6%,在严重贫血检测方面表现出色.
• BPNN模型的整体准确率为84%,在精度和回忆之间保持平衡.

结论:

• CNN模型在学习空间和上下文图像模式方面表现出卓越的能力,以实现FAMACHA©强大的分类.
• 使用CNN的自动化贫血检测为改善牲畜健康管理提供了可靠和可扩展的解决方案.
• 未来的研究应该探索组合方法和移动集成,用于各种牲畜环境中的实时应用.