对不同监督数据集进行训练的食姿检测人工智能模型的评估和对肉实时料摄入量估计工具的原型设计

科学领域:

• 农业科学 农业科学
• 人工智能的人工智能
• 动物行为 动物行为

背景情况:

• 精确监测肉的养行为对于优化生产效率和动物福利至关重要.
• 使用人工智能 (AI) 的物体检测模型为自动行为分析提供了潜在的解决方案.
• 监督数据集的特定内容显著影响人工智能模型的性能.

研究的目的:

• 调查监督数据集组成如何影响人工智能模型用于检测 brojlers 的进食姿势 (EP) 的准确性.
• 评估包括相似姿势 (SEP) 和数据集中不同数量的个体的有效性.
• 开发和验证一个实时估计肉料摄入量的原型工具.

主要方法:

• 训练了一种对象检测人工智能模型,使用与食姿 (EP) 和类似姿势 (SEP) 相关的不同内容的数据集.
• 分析了每张图像中的EP和SEP个体数量对检测准确性的影响.
• 开发了一种实时估计料摄入量的原型工具,并进行了验证试验.

主要成果:

• 在EP中增加的个体并没有持续提高AI模型的准确性;静态图像中变化的个体计数增强了检测.
• 包括EP和SEP,特别是在同一个图像中,显著提高了检测准确性.
• 在EP和SEP中,图像的平衡比例与不同人数的图像是最佳性能所必需的.
• 原型工具的平均绝对误差 (MAE) 为4.3g,平均绝对百分比误差 (MAPE) 为13.3%,用于估计料摄入量.

结论:

• 数据集的组成,包括包括类似的姿势和平衡的个体表现,对于基于人工智能的准确肉行为检测至关重要.
• 开发的工具在实时估计肉的料摄入量方面具有很高的准确性.
• 这些发现有助于通过人工智能驱动的行为监测推进精密畜牧业.