深度学习方法用于自动识别无群中的雄性和雌性
Bidur Paneru1, Ramesh Bahadur Bist1, Xiao Yang1
1Department of Poultry Science, College of Agricultural & Environmental Sciences, University of Georgia, Athens, GA 30602, USA.
Animals : an open access journal from MDPI
|July 12, 2025
概括
这项研究使用深度学习对象检测模型在无环境中根据子和身体尺寸识别. 这些模型提供了一种用于在家禽养殖场自动监测和绩效评估的新方法.
科学领域:
- 动物科学动物科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 在家禽养殖中,的选择和监测对于卵子的生育能力和化能力至关重要.
- 识别和评估的传统方法可能是劳动密集型和主观的.
- 像和身体大小这样的表型特征是可取性的关键指标.
研究的目的:
- 开发和评估深度学习对象检测模型,用于识别与母.
- 为了比较不同You Only Look Once (YOLO) 模型变体的性能,用于的性别识别.
- 评估使用子尺寸和身体尺寸用于自动检测的有效性.
主要方法:
- 训练你只看一次 (YOLO) 模型,包括YOLOv5和YOLOv11变体,使用超过2500个图像的数据集.
- 专注于表型特征,如子大小和身体大小,以区分雄性和雌性.
- 使用单向ANOVA.统计比较模型性能指标 (精度,回忆,mAP,F1得分).
主要成果:
- 对象检测模型在无环境中根据子和身体大小准确识别.
- YOLOv5xu和YOLOv11m模型在使用身体尺寸检测的性能上表现出卓越的表现,实现了高精度和回忆.
- 特定的YOLO变种在根据子大小区分子方面也表现出了强大的能力.
结论:
- 深度学习模型,特别是YOLO变体,为自动识别和监控提供了有效的工具.
- 这项技术可以帮助在家禽养殖场的公的性能评估和遗传选择.
- 这项研究为未来追踪活动和优化繁殖计划的研究奠定了基础.
