监督机器学习技术和数字图像分析的应用,用于预测安纳多尔-T肉的活体重.

科学领域:

• 禽畜科学 禽畜科学 禽畜科学
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 准确的活重估计对于高效的家禽生产和精准养殖至关重要.
• 传统的称重方法对鸟类来说可能是劳动密集型和压力的.

研究的目的:

• 评估监督机器学习 (ML) 算法和数字图像分析,用于在阿纳多利-T肉中进行非侵入性活体体重预测.
• 用形态特征和基于图像的数据来评估ML模型的准确性.

主要方法:

• 在42天内从100只肉 (50只雄,50只母) 收集了4200份记录,测量了背部的长度,宽度和活体体重.
• 训练并验证了五个ML算法:随机森林 (RF),k-最近邻居 (KNN),支向量回归 (SVR),极端梯度增强 (XGB) 和多重线性回归 (MLR).
• 开发了基于图像的模型,将身体表面像素面积与实体体重相关联.

主要成果:

• 在ML模型中,KNN算法显示了最高的准确性 (R2 = 0.982),RF和XGB也显示了可靠的预测.
• 基于图像的模型实现了高精度 (R2 = 0.989),表明预测的表面积有效地代表了增长.
• 无论是ML还是图像分析,都提供了准确的,非侵入性的活体体重估计.

结论:

• 将ML算法与数字成像集成为实时肉体重估计提供了实用,经济高效的解决方案.
• 这种方法通过自动化,数据驱动的增长监测来推进精密家禽养殖.
• 使用形态测量数据和图像分析进行非侵入性体重预测是可行的和准确的.