Tirant parti de la vision par ordinateur et de l'apprentissage en profondeur, l'Université de Newcastle développe un système de détection automatisé en temps réel des boiteries des vaches

Cet article a été publié pour la première fois à partir du compte public HyperAI Super Neural WeChat ~

Sommaire en un coup d'œil : Récemment, l'Université de Newcastle et Fela Sciences Ltd ont développé conjointement un système automatisé de détection de boiterie en temps réel pour plusieurs vaches. Le système est capable de classer les vaches selon le système de notation de la boiterie avec une précision de 94 % à 100 %. À l'heure actuelle, les résultats de la recherche ont été publiés dans "Nature".
Mots clés : boiterie des vaches élevage apprentissage automatique

La boiterie chez les vaches laitières due à des maladies telles que la fièvre aphteuse est devenue un sujet mondial pour l'industrie de l'élevage. La vulgarisation scientifique pertinente montre que cela entraînera non seulement une réduction de la production de lait et de l'efficacité de la reproduction des vaches laitières, mais également une élimination prématurée des vaches laitières. Les données du rapport sur les produits laitiers du Service national de surveillance de la santé animale montrent que la boiterie est responsable de 16 % de l'abattage des vaches laitières.

La boiterie est devenue l'une des principales crises auxquelles l'industrie laitière est confrontée.Par conséquent, la surveillance précoce et la prévention précoce sont devenues des moyens efficaces pour résoudre la boiterie chez les vaches laitières à grande échelle. Dans le passé, l'industrie laitière adoptait généralement la méthode d'identification manuelle, mais cette méthode présente des inconvénients tels qu'une faible efficacité, un coût élevé et une forte subjectivité.

Shaun Barney, Satnam Dlay de l'Université de Newcastle et Andrew Crowe de Fera Science Ltd ont récemment développé un système de détection de boiterie en temps réel entièrement automatisé pour plusieurs vaches qui peut être surveillé dans toute la ferme déployée à l'intérieur. Le système utilise la vision par ordinateur et l'apprentissage en profondeur pour analyser la posture et la démarche de chaque vache dans le champ de vision de la caméra, avec une précision de détection de 94 % à 100 %. À l'heure actuelle, les résultats de la recherche ont été publiés dans "Nature".

Lien papier :

https://www.nature.com/articles/s41598-023-31297-1#Sec7

ensemble de données d'essai

Dans cette expérience, les chercheurs ont d'abord enregistré sur vidéo le mouvement de 250 vaches dans une ferme au Royaume-Uni, ont obtenu 25 vidéos, puis ont décomposé chaque vidéo en 3 600 images constitutives. Deuxièmement, les chercheurs ont extrait 1 image par seconde pour l'étiquetage. Et afin d'améliorer encore la capacité de généralisation du réseau, ils ont téléchargé 500 images de vaches de Google, ont marqué 15 points clés pour chaque vache, puis ont combiné ces données de recherche d'images avec leurs propres données d'étiquetage pour obtenir une base de données A contenant environ 40 000 annotations.

Pour évaluer les performances de l'algorithme avec des données réelles, 3 observateurs accrédités par l'AHDB ont noté simultanément 25 vidéos à l'aide du système de notation de la mobilité des vaches de l'AHDB, qui comporte quatre échelles de notation : 0 (pas boiteux du tout), 1 (léger inconvénient en mouvement), 2 (boiteux) et 3 (sévèrement boiteux), la figure ci-dessous montre la répartition des notations par ces 3 observateurs.

Le graphique montre que 25,2 % des vaches ont obtenu une boiterie de 0 (orange), 43,2 % des vaches ont obtenu une boiterie de 1 (vert), 25,6 % des vaches ont obtenu une boiterie de 2 (rouge) et 6,0 % des les vaches ont obtenu une boiterie de 3 (gris ).

Processus de test et résultats

Cette étude utilise des caméras et des réseaux de neurones à convolution profonde (algorithme Mask-RCNN, algorithme SORT et algorithme CatBoost) pour détecter la pose de plusieurs vaches. Les chercheurs ont suivi les points clés du dos et de la tête de la vache dans la vidéo et ont analysé les indicateurs de caractéristiques pertinents extraits pour détecter le degré de boiterie.

algorithme d'analyse d'attitude

Après avoir développé une partie du Mask-RNN (algorithme de segmentation d'entité), les chercheurs ont construit un algorithme d'analyse de pose pour estimer la pose de chaque vache. L'algorithme utilise 500 images de l'ensemble de données Google et des images de 189 vaches sur 250 vaches pour l'entraînement, tandis que les images des 61 vaches restantes sont utilisées pour la vérification du résultat final.

Dans le même temps, l'algorithme localisera 15 points clés avec une grande précision et produira la position de coordonnées spécifique de chaque point pour l'analyse de la posture, y compris 5 points clés sur le dos et 2 points clés sur la tête.

algorithme de suivi

Dans les étapes ci-dessus, de la décomposition de la vidéo en images constitutives, l'étiquetage de chaque image avec des points clés, puis l'application de Mask-RNN pour l'analyse de la pose, toutes sont basées sur une seule image fixe. Par conséquent, l'expérience doit également analyser le mouvement de vaches au fil du temps analyse des processus. À cette fin, les chercheurs ont utilisé l'algorithme SORT (Real Time Tracking Algorithm), qui détecte la posture de la vache au fil du temps et obtient des informations telles que la courbe de régression du dos, la zone du dos, le degré de régression du cou et l'angle du cou.

L'image du haut montre les trois vaches dans le premier cadre, chacune marquée d'une couleur différente, et l'image du milieu montre le mouvement des vaches après 1 seconde, et l'algorithme de suivi a trouvé toutes les vaches qui viennent d'être marquées et les a marquées avec succès Correspondant à la couleur, de même, l'image du bas montre le mouvement de la vache après une autre seconde.

algorithme de classement

Après avoir obtenu les résultats de l'analyse de la posture générés par le modèle d'apprentissage en profondeur de la posture, les chercheurs ont utilisé l'algorithme CatBoost pour noter et classer la boiterie des vaches. Il convient de noter ici que pour garantir une généralisation maximale, seuls les résultats des caractéristiques de pose les plus importants doivent être utilisés dans le modèle formé final. Par conséquent, les chercheurs ont mené une série d'analyses de permutation de variables et ont finalement conclu que la suppression de 4 informations d'indicateurs sans importance peut réduire les erreurs et avoir peu d'impact sur les performances du modèle.

Enfin, pour tester la précision de l'utilisation de l'algorithme CatBoost, les chercheurs ont utilisé la triple validation croisée et la validation de la classification pour vérifier les performances du modèle. Parmi eux, les résultats de la triple validation croisée ont montré que le modèle d'algorithme pouvait classer finement chaque vache laitière en différents degrés de boiterie en fonction du degré de boiterie, et le taux de précision moyen était de 94 % ± 0,05.

En résumé, les chercheurs proposent que les résultats de cette étude présentent les avantages significatifs suivants par rapport aux systèmes existants de détection des boiteries chez les vaches laitières :

• Capable de tester plusieurs vaches en même temps.

• Les vaches sont finement classées en fonction de leur posture de mouvement selon le système de notation AHDB couramment utilisé.

• Peut suivre et analyser chaque individu dans la dimension temporelle.

• Il est entièrement automatisé et n'aura aucun impact sur la production telle que la traite et l'alimentation.

Enfin, les chercheurs ont également relevé plusieurs défis :

1. La précision du système pour distinguer les grades de boiterie de 0 et 1 est bien inférieure à celle des autres grades. À l'avenir, l'équipe de recherche travaillera à améliorer la capacité des petites différences de caractéristiques à distinguer avec précision les vaches non boiteuses et les vaches légèrement en mouvement. vaches Vaches gênantes.

2. Le système doit utiliser des périphériques périphériques (tels que des caméras, des appareils mobiles ou des tablettes) pour envoyer les résultats au serveur pour traitement, afin de réaliser une observation en temps réel. Dans ce processus, comment réduire les fluctuations de performances causées par les modifications du réseau deviendra l'avenir de cette recherche.

3. Le système est facilement affecté par les conditions environnementales externes. Par exemple, lorsque le sol et les sabots sont de couleur similaire, la précision de reconnaissance de l'algorithme Mask-RCNN diminuera. Par conséquent, l'ajout d'un entraînement aux capacités plus généralisé est également devenu l'objectif des futurs travailler dans cette recherche.

bœuf! L'IA stimule la numérisation de l'industrie de l'élevage

À l'heure actuelle, il est devenu un fait incontestable que le vent de l'IA a soufflé sur l'industrie de l'élevage. En se concentrant sur les pays étrangers, en plus des résultats de la recherche scientifique que nous avons présentés dans cet article, en raison du haut degré d'échelle et de la bonne base numérique de l'industrie de l'élevage, les résultats de la mise en œuvre de l'IA ont été "tous ensemble". Par exemple, Connecterra, une entreprise de technologie agricole aux Pays-Bas, a développé le système "Intelligent Dairy Farmer's Assistant" (IDA, The Intelligent Dairy Farmer's Assistant), qui surveille la santé des vaches en temps réel en portant des appareils portables autour du cou des vaches, avec logiciel et matériel. Selon un éleveur américain, l'application de l'IDA l'a aidé à augmenter sa productivité de 10 %.

Pour revenir à la Chine, d'une part, il n'y a pas quelques exemples des efforts d'AI dans l'élevage ces dernières années. Il y a quelques années déjà, Ali a lancé l'activité d'élevage de porcs intelligents, et Huawei a également coopéré avec China Telecom et Yinchuan Auto pour lancer le produit de « mise en réseau du bétail » basé sur NB-IoT « Little Shepherd Boy ». Cependant, d'un autre côté, nous devons également voir que la couverture de l'IA dans l'application de l'élevage d'animaux domestiques n'est pas encore très large. À cet égard, le PDG de Shenmu Technology a dit un jour sans ambages : « À l'heure actuelle, alors que de nombreux agriculteurs nationaux parler d'intelligence artificielle, ils sont très préoccupés par cela. La compréhension reste encore dans la reconnaissance faciale et la reconnaissance vocale les plus traditionnelles.

Par conséquent, dans ce contexte, comment faire en sorte que l'IA joue un rôle plus positif dans la promotion de la numérisation de l'élevage deviendra sans aucun doute l'un des sujets de recherche clés dans les domaines de l'IA et de l'élevage. Bien sûr, pour les domaines nationaux connexes, cette route est encore plus ardue et a encore un long chemin à parcourir.