识别压力的迹象:使用快乐工具和压力尺度进行比较

科学领域:

• 动物福利科学 动物福利科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 监测动物福利对于道德农业实践至关重要.
• 评估动物压力的传统方法可能是主观和劳动密集的.
• 开发客观的,非侵入性的福利评估方法是一个关键的研究领域.

研究的目的:

• 研究深度学习模型的有效性,特别是卷积神经网络 (CNN) 和转移学习,通过图像分析来检测的不适迹象.
• 为了比较人工智能模型与人类观察者在识别家禽压力指标方面的表现.
• 探索人工智能在自动化和个人级别动物福利监测方面的潜力.

主要方法:

• 使用预训练CNN模型 (EfficientNet,MobileNet) 进行转移学习,用于对的图像分析.
• 开发了一个涉及数据准备,图像提取,预处理和增强的框架.
• 使用交叉验证和单独的数据集评估模型性能,测量精度,灵敏度和特异性.
• 采用Grad-CAM用于模型解释性,以了解决策过程.

主要成果:

• 深度学习模型,特别是EfficientNet变体,在识别的压力迹象方面表现出很高的表现.
• 在侧面图像中基于人工智能检测的不适程度与人类观察者的评分相当.
• 格拉德-CAM分析显示,人工智能模型专注于特定的身体部位进行决策.

结论:

• 深度学习为自动监测福利提供了一种强大,非侵入性的方法.
• 人工智能模型可以有效地检测个体动物的压力,为实际的福利工具提供基础.
• 这项研究推进了评估家禽福祉和早期发现不适的客观方法.