相关实验视频
Updated: Mar 15, 2026
06:45
Automated Joint Space Detection Improves Bone Segmentation Accuracy
Published on: November 28, 2025
253
使用深度图像和深度学习检测牛
San Chain Tun1, Pyke Tin2, Masaru Aikawa3
1Interdisciplinary Graduate School of Agriculture and Engineering, University of Miyazaki, Miyazaki, 889-2192, Japan.
Scientific reports
|March 14, 2026
概括
这项研究引入了一个深度学习框架,用于使用深度图像检测牛. 该系统在识别和跟踪的动物方面取得了很高的准确性,改善了福利监测.
科学领域:
- 动物科学动物科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 牛中的情况给动物福利和经济带来了重大挑战.
- 当前的监测方法往往是手动的和主观的.
- 需要自动化系统进行持续和客观的评估.
研究的目的:
- 开发和评估一个端到端的深度学习框架,用于24/7的牛的监测.
- 为了比较不同的实例细分模型和跟踪算法.
- 为了优化一个时空模型,准确地进行的分类.
主要方法:
- 该框架使用实例细分 (YOLOv11m-seg),自定义跟踪算法 (PTAV3) 和时空分类模型 (EfficientNet-B7 + LSTM).
- 牛的自上而下的深度图像用于检测,跟踪和分类.
- 评估了多种模型配置和预处理技术.
主要成果:
- 通过YOLOv11m-seg,在75.49 FPS.实现了高检测准确度 (Mask AP@50:99.26%)
- 在PTAV3跟踪算法达到99.94%的整体准确度.
- 最好的分类模型 (EfficientNet-B7 + LSTM) 实现了95.95%的准确性和96.06%的F1分数.
结论:
- 开发的深度学习框架为牛的得分提供了一个强大的,自动化的和客观的解决方案.
- 该系统显示了在农业环境中实时监测动物福利的巨大潜力.
- 综合方法提高了牛健康管理的效率和准确性.