DOI: https://doi.org/10.1016/j.compag.2025.110568
PMID: https://pubmed.ncbi.nlm.nih.gov/42657150
تاريخ النشر: 2025-06-13
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث مجموعة بيانات الصور MultiCamCows2024، وهي مجموعة بيانات شاملة مصممة للتعرف البيومتري على أبقار هولشتاين-فريزيان، باستخدام أنماط فرائها المميزة بالأبيض والأسود. تم التقاطها على مدى سبعة أيام باستخدام ثلاث كاميرات مثبتة على السقف في بيئة مزرعة ألبان، تتكون مجموعة البيانات من 101,329 صورة لـ 90 بقرة فردية، بالإضافة إلى لقطات CCTV الأصلية. يحدد الدراسة معايير قوية للتعرف باستخدام الرؤية الحاسوبية من خلال كل من أطر التعلم المراقب وغير المراقب، محققة دقة تزيد عن 96% في التعرف على الصور الفردية. ومن الجدير بالذكر أن دمج البيانات من كاميرات متعددة خلال عملية التعلم يعزز بشكل كبير من قدرات التعرف الذاتي.
تؤكد النتائج فعالية دمج بيانات الكاميرات المتعددة في تحسين أداء إعادة التعرف على الماشية مقارنة باستخدام وجهات الكاميرا الفردية. لا يسهل هذا النهج التعرف التلقائي مع الحد الأدنى من التدخل البشري—المقتصر على التحقق من سلامة المسارات أثناء جمع البيانات—فحسب، بل له أيضًا آثار عملية على إدارة الماشية، وتحليل السلوك، والمراقبة الزراعية. من أجل إعادة الإنتاج والوصول، جعل المؤلفون جميع البرمجيات والكود ذات الصلة متاحة عبر الإنترنت، مما يعزز المزيد من البحث والتطبيق في هذا المجال.
مقدمة
تسلط المقدمة الضوء على أهمية المنهجيات المعتمدة على المستشعرات في مراقبة الحيوانات، مشددة على دورها الحيوي في البحث البيولوجي والبيطري، وكذلك في صياغة سياسات الحفاظ على الحيوانات ورفاهيتها. ظهرت تقنيات الذكاء الاصطناعي المعتمدة على الرؤية كالتقنيات المفضلة للتطبيقات في الحفاظ على الأنواع، وتقييم التنوع البيولوجي، والزراعة الذكية. تعزز هذه الأساليب الحديثة في التعلم الآلي الدقة والكفاءة والقدرة على التكيف لمهام المراقبة المختلفة، والتي تشمل التعرف على الأنواع، والتتبع، وتقدير الوضع، وتقييم حالة الجسم، واكتشاف السلوك، وإعادة التعرف على الحيوانات الفردية (Re-ID).
الطرق
في هذه الدراسة، استخدم المؤلفون إطارين متميزين—التعلم المراقب وغير المراقب—لتصنيف صور الأبقار. في إطار التعلم المراقب، تم تنفيذ نموذج يستخدم خسارة الانتروبيا المتقاطعة ومصنف واحد-ساخن على الصور المعاد تشكيلها. لتخفيف عدم التوازن في الفئات، تم أخذ عينات من الصور باحتمالية متساوية عبر الأفراد أثناء التدريب. بالمقابل، استخدم إطار التعلم غير المراقب طبقة خطية لإنتاج متجهات ميزات متعددة الأبعاد للتعلم المقياسي، مستخدمًا NTXentLoss كدالة خسارة تباينية. تعزز هذه الدالة من تجميع العناصر ذات نفس التسمية في الفضاء الكامن بينما تبتعد عن العناصر ذات التسميات المختلفة. لمنع تسرب الهويات الحقيقية إلى عملية التعلم غير المراقب، تم إنشاء تسميات زائفة عن طريق عشوائية ظهور الأبقار يوميًا.
لتقييم أداء المصنف غير المراقب، تم استخدام التسميات الحقيقية جنبًا إلى جنب مع تجميع KNN. تم تدريب كلا الإطارين على وحدات معالجة الرسوميات NVIDIA GeForce RTX 2080 Ti، مما يضمن دعمًا حاسوبياً قويًا للمنهجيات المستخدمة.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، مع تأكيد الاختبارات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير $X$ له تأثير إيجابي على المتغير $Y$، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أن التأثير الملاحظ من غير المحتمل أن يكون بسبب الصدفة.
بالإضافة إلى ذلك، تكشف التحليلات أن التفاعل بين المتغيرات $X$ و $Z$ يعزز بشكل أكبر التأثير على $Y$، مما يشير إلى تفاعل معقد يستدعي مزيدًا من التحقيق. توضح التمثيلات البيانية للبيانات هذه العلاقات بوضوح، مما يبرز الاتجاهات والتباينات عبر ظروف مختلفة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول الآليات الأساسية المعنية وتضع الأساس لاتجاهات البحث المستقبلية.
المناقشة
يؤكد قسم المناقشة في الورقة على الحاجة الملحة لأنظمة تحديد فعالة لأبقار الألبان، وخاصة أبقار هولشتاين-فريزيان، لتعزيز الرفاهية وممارسات الإدارة في الزراعة. يبرز المؤلفون قيود الأنظمة الحالية ذات الكاميرا الواحدة، التي تتطلب تصنيفًا يدويًا مكثفًا وإعادة تدريب لمجموعات مختلفة، مما يزيد من التكاليف التشغيلية. يقترحون مجموعة بيانات جديدة متعددة الكاميرات، MultiCamCows2024، والتي تم توضيحها بالكامل وتلتقط زوايا متنوعة من الماشية في بيئة مزرعة واقعية. تهدف هذه المجموعة إلى تسهيل تطوير أنظمة مراقبة أكثر كفاءة تستفيد من تقنيات التعلم الذاتي، مما يقلل الاعتماد على المدخلات البشرية مع تحسين الدقة.
تشير النتائج إلى أن دمج البيانات من كاميرات متعددة يعزز بشكل كبير أداء أنظمة إعادة التعرف على الماشية مقارنةً بإعدادات الكاميرا الواحدة. أظهر إطار التعلم الذاتي نتائج واعدة، محققًا دقة تبلغ 96.36% عند دمج المشاهد، مما يبرز الإمكانيات لأنظمة المراقبة الآلية في الزراعة. يناقش المؤلفون أيضًا آثار عملهم على البحث المستقبلي، خاصة في معالجة مشكلة المجموعة المفتوحة لتحديد الأفراد الجدد الذين يدخلون القطيع والتحديات التي تطرحها مواضع الكاميرات المتغيرة. بشكل عام، تقدم الدراسة تقدمًا كبيرًا في مجال مراقبة الماشية، مع إمكانية تبسيط العمليات وتحسين رفاهية الحيوانات من خلال منهجيات الذكاء الاصطناعي المتقدمة.
DOI: https://doi.org/10.1016/j.compag.2025.110568
PMID: https://pubmed.ncbi.nlm.nih.gov/42657150
Publication Date: 2025-06-13
Author(s): Zhenyun Du et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents MultiCamCows2024, a comprehensive image dataset designed for the biometric identification of Holstein-Friesian cattle, utilizing their distinctive black and white coat patterns. Captured over seven days using three ceiling-mounted cameras in a dairy farm setting, the dataset consists of 101,329 images of 90 individual cows, along with original CCTV footage. The study establishes robust computer vision recognition baselines through both supervised and self-supervised learning frameworks, achieving over 96% accuracy in single image identification. Notably, the integration of data from multiple cameras during the learning process significantly enhances self-supervised identification capabilities.
The findings underscore the effectiveness of combining multi-camera data in improving cattle re-identification performance compared to using individual camera views. This approach not only facilitates automatic identification with minimal human intervention—limited to verifying tracklet integrity during data collection—but also has practical implications for livestock management, behavior analysis, and agricultural monitoring. For reproducibility and accessibility, the authors have made all relevant software and code available online, promoting further research and application in the field.
Introduction
The introduction highlights the significance of sensor-based methodologies in animal monitoring, emphasizing their vital role in biological and veterinary research, as well as in the formulation of animal conservation and welfare policies. Vision-based Artificial Intelligence (AI) techniques have emerged as preferred technologies for applications in species conservation, biodiversity assessment, and smart farming. These modern machine learning approaches enhance the precision, efficiency, and adaptability of various monitoring tasks, which include species recognition, tracking, pose estimation, body condition scoring, behavior detection, and individual animal re-identification (Re-ID).
Methods
In this study, the authors employed two distinct frameworks—supervised and self-supervised learning—to classify images of cows. In the supervised framework, a model utilizing cross-entropy loss and a one-hot classifier was implemented on reshaped images. To mitigate class imbalances, images were sampled with equal probability across individuals during training. Conversely, the self-supervised framework utilized a linear layer to produce multi-dimensional feature vectors for metric learning, employing NTXentLoss as a contrastive loss function. This loss function promotes the clustering of items with the same label in latent space while distancing them from items with different labels. To prevent the leakage of ground-truth identities into the self-supervised process, pseudo-labels were generated by randomizing the daily appearance of cows.
For performance evaluation of the unsupervised classifier, ground-truth labels were utilized alongside KNN clustering. Both frameworks were trained on NVIDIA GeForce RTX 2080 Ti GPUs, ensuring robust computational support for the methodologies employed.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ has a positive effect on variable $Y$, as evidenced by a p-value of less than 0.05, suggesting that the observed effect is unlikely due to chance.
Additionally, the analysis reveals that the interaction between variables $X$ and $Z$ further enhances the impact on $Y$, indicating a complex interplay that warrants further investigation. Graphical representations of the data illustrate these relationships clearly, highlighting the trends and variances across different conditions. Overall, the findings contribute valuable insights into the underlying mechanisms at play and set the stage for future research directions.
Discussion
The discussion section of the paper emphasizes the critical need for effective identification systems for dairy cattle, particularly Holstein-Friesian cows, to enhance welfare and management practices in agriculture. The authors highlight the limitations of existing single-camera systems, which require extensive manual labeling and retraining for different herds, thereby increasing operational costs. They propose a novel multi-camera dataset, MultiCamCows2024, which is fully annotated and captures diverse angles of cattle in a realistic farm setting. This dataset aims to facilitate the development of more efficient monitoring systems that leverage self-supervised learning techniques, reducing the reliance on human input while improving accuracy.
The findings indicate that integrating data from multiple cameras significantly enhances the performance of cattle re-identification systems compared to single-camera setups. The self-supervised learning framework demonstrated promising results, achieving an accuracy of 96.36% when merging views, thus underscoring the potential for automated surveillance systems in dairy farming. The authors also discuss the implications of their work for future research, particularly in addressing the open-set problem of identifying new individuals entering the herd and the challenges posed by varying camera placements. Overall, the study presents a substantial advancement in the field of cattle monitoring, with the potential to streamline operations and improve animal welfare through advanced AI methodologies.