Approcci di apprendimento attraverso visione artificiale del comportamento delle posture dei suini

Il rilevamento della postura mirato a fornire valutazioni per il monitoraggio della salute e del benessere dei suini è stato di grande interesse per i ricercatori di diverse discipline. Gli studi esistenti che applicano tecniche di visione artificiale si basano principalmente su metodi che utilizzano sistemi di imaging tridimensionale o sistemi bidimensionali con la limitazione del monitoraggio in condizioni controllate. Pertanto, l'obiettivo principale di questo studio era determinare se un sistema di imaging bidimensionale, insieme ad approcci di apprendimento profondo, potesse essere utilizzato per rilevare le posture in piedi e sdraiate (pancia e fianchi) dei suini in condizioni di allevamento commerciale.

Tre metodi di rilevamento basati sul deep learning, comprese regioni più veloci con funzionalità di rete neurale convoluzionale (Faster R-CNN), rilevatore multibox single shot (SSD) e rete completamente convoluzionale basata su regione (R-FCN), combinati con Inception V2, Residual Network (ResNet) e Inception ResNet V2, offrono estrazioni di immagini RGB.

I dati di diversi allevamenti commerciali sono stati utilizzati per la formazione e la convalida dei modelli proposti. I risultati sperimentali hanno dimostrato che il metodo R-FCN ResNet101 era in grado di rilevare le posture da sdraiato e in piedi con una precisione media (AP) più elevata di 0,93, 0,95 e 0,92 rispettivamente per le posizioni in piedi, sdraiate su un fianco e sulla pancia e con una precisione media ( mAP) superiore a 0,93.

Le metriche di valutazione illustrano una tendenza al miglioramento quando il tasso di apprendimento diminuisce da 0,03 a 0,003, tuttavia questi valori sono diminuiti al tasso di apprendimento di 0,0003.

Questa scoperta è in linea con la scoperta precedente secondo cui le prestazioni di rilevamento cambiano con la stessa tendenza nei tassi di apprendimento in vari scenari

Abozar Nasirahmadi,,Barbara Sturm,Sandra Edwards ,Knut-Håkan Jeppsson,Anne-Charlotte Olsson ,Simone Müller and Oliver Hensel .Deep Learning and .Machine Vision Approaches for Posture Detection of Individual Pigs.Sensors 2019, 19(17), 3738; https://doi.org/10.3390/s19173738