实施深度学习系统来检测和分类牛群块性皮肤病:提高兽医诊断的精度和效率
Madhumita Pal1, Soudamini Behera2, Ranjan K Mohapatra3
1Department of Electrical Engineering, Government College of Engineering, Keonjhar, Odisha, India.
Veterinary medicine and science
|October 21, 2025
概括
深度学习模型,包括视觉转换器和ConvMixer组合,可以有效地检测和分类牛的块性皮肤病 (LSD),提供改进的兽医诊断和牲畜健康管理.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 型皮肤病 (LSD) 严重威胁着牛的健康,并造成严重的农业经济损失,特别是在牛密度高的地区.
- 目前的诊断方法可能不足以快速准确地检测LSD,需要先进的技术解决方案.
研究的目的:
- 引入和评估深度学习 (DL) 模型,特别是视觉转换器 (ViT) 和ConvMixer,用于在牛中检测和分类块性皮肤病.
- 开发和评估一个组合模型,将ViT和ConvMixer结合起来,以提高诊断准确性和稳定性.
主要方法:
- 对皮病病变的综合数据集进行了策划和增强,以改善模型概括性.
- 两个深度学习模型,视觉转换器 (ViT) 和ConvMixer,在LSD数据集上实施和训练.
- 通过整合ViT和ConvMixer模型来利用它们的综合优势,创建了一个整体模型.
主要成果:
- 整体模型在检测和分类块性皮肤疾病方面明显优于单个ViT和ConvMixer模型.
- 组合模型实现了高精度和回忆率,表明其诊断效率.
- 使用准确性,回忆力,精度,F1分数和AUC-ROC等指标的严格评估证实了该模型的性能.
结论:
- 先进的深度学习技术,包括集体模型,显示出作为兽医诊断的可靠和高效工具的巨大潜力.
- 开发的DL系统可以促进早期发现和管理块性皮肤病爆发,减轻经济影响和改善牲畜健康.
- 这项研究为在诊断其他关键牛病时应用AI和ML铺平了道路,并强调需要在数据集扩展和实时部署方面进行进一步研究.
