基于人工智能的乳牛行为识别用于通过两个摄像头视图的合体融合来检测雌激素

科学领域:

• 动物行为科学 动物行为科学
• 计算机视觉 计算机视觉 计算机视觉
• 深度学习在农业中的应用.

背景情况:

• 有效监测牛的行为对于优化农场生产力,确保动物福利和实施有效的管理策略至关重要.
• 传统的方法监测牛的行为可能是劳动密集型,可能缺乏精度.
• 计算机视觉和深度学习方面的进步为自动化和准确的行为分析提供了潜力.

研究的目的:

• 开发和评估牛的多视图行为识别系统,使用同步的上方视图和前方视图CCTV录像.
• 整合深度学习模型用于牛的识别和行为分类.
• 通过结合来自多个摄像头角度的数据的决策级合奏方法来提高牛行为监测的准确性.

主要方法:

• 利用同步的顶部视图和前方视图CCTV录像来获取数据.
• 采用YOLOv8模型来识别和分类6种关键行为 (饮酒,吃饭,站立,躺着,骑马,下巴休息).
• 实施了跨联盟交叉 (IoU) 以进行身份-行为关联和决策层面的组合,以融合来自两个摄像头视图的信息.

主要成果:

• 开发的系统成功地识别了个别的奶牛,并根据同步的多视图镜头对它们的行为进行了分类.
• 通过决策级别组合集成上方视图和前方视图数据,提高了行为识别的稳定性和准确性.
• 该系统展示了识别与雌激发检测相关的行为,如骑马和下巴休息的潜力.

结论:

• 多视图行为识别系统为监控牛活动提供了有效的自动化解决方案.
• 这项技术可以为提高农场生产力,动物福利和精确畜牧管理做出重大贡献.
• 该方法为农业环境中实时牛行为分析提供了可扩展和准确的方法.