深度学习辅助以口为基础识别Vrindavani牛 - 印度的杂交品种

科学领域:

• 动物科学动物科学
• 计算机科学 计算机科学
• 生物识别信息 生物识别信息

背景情况:

• 准确的动物识别对于有效的群体管理,疾病控制和遗传改进至关重要.
• 现有的识别方法往往缺乏足够的可追溯性和效率.
• 生物识别为加强畜牧管理提供了一个有希望的途径.

研究的目的:

• 评估用于识别弗林达瓦尼牛的口腔打印生物识别的有效性.
• 评估SqueezeNet卷积神经网络用于牛识别的性能.
• 确定用于畜牧管理的紧深度学习模型的可行性.

主要方法:

• 收集了264头弗林达瓦尼牛 (6个月至10岁) 的2640张口腔图像的数据库.
• 采用68层卷积神经网络SqueezeNet进行图像分析和识别.
• 该SqueezeNet模型经过训练和验证,使用收集的口腔图像数据集进行了验证.

主要成果:

• 对于弗林达瓦尼牛,SqueezeNet实现了97.22%的高识别准确率.
• SqueezeNet 模型显示出非常小的尺寸 (<4 MB),表明复杂性最小.
• 该模型提供了卓越的准确性和计算效率的平衡,适用于资源有限的设备.

结论:

• 由SqueezeNet支持的口腔打印生物识别,为弗林达瓦尼牛的识别提供了准确和高效的方法.
• 由于SqueezeNet模型的紧性,它对于在群体管理系统中实际实施非常有利.
• 这项技术提高了可追溯性,疾病控制和遗传管理,有助于提高牛养殖的经济回报.