DOI: https://doi.org/10.1038/s41598-024-64664-7
PMID: https://pubmed.ncbi.nlm.nih.gov/38877097
تاريخ النشر: 2024-06-14
المؤلف: Bo Bo Myint وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
تبحث هذه الدراسة في تطبيق تقنيات التعلم العميق لاكتشاف العرج في الأبقار الحلوب، باستخدام معالجة الصور المتقدمة وخوارزميات كشف الكائنات، وتحديدًا Mask-RCNN من Detectron2 و YOLOv8. تؤكد الدراسة على أهمية الكشف الدقيق عن الأبقار وتتبعها، مع تخصيص معرفات محلية فريدة لتسهيل المراقبة الفردية خلال تسلسلات الفيديو. تعتبر المناطق المستخرجة من خوارزميات الكشف ضرورية لاستخراج الميزات، مما يُعلم عملية تصنيف العرج. حقق النظام معدلات دقة عالية، حيث وصلت Detectron2 إلى 98.98% في الكشف و 99.50% في التتبع. من بين خوارزميات التعلم الآلي المختلفة التي تم اختبارها، أظهرت AdaBoost أعلى دقة في تصنيف العرج بنسبة 77.9%، بينما أظهرت خوارزميات أخرى مثل أشجار القرار، وآلات الدعم الشعاعي، والغابات العشوائية أيضًا نتائج واعدة.
تسلط النتائج الضوء على إمكانية هذا النظام الآلي لتعزيز إدارة مزارع الألبان من خلال تمكين الكشف المبكر عن العرج، وهو أمر حاسم للحفاظ على صحة الأبقار وإنتاجيتها. تتناول الدراسة أيضًا تحديات الكشف اليدوي في توسيع العمليات الزراعية للألبان وتؤكد على الحاجة إلى أدلة قوية لتطوير استراتيجيات تدخل فعالة. ستركز الأعمال المستقبلية على تحسين دقة النظام وموثوقيته من خلال دمج منهجيات التعلم العميق المتنوعة ومعالجة التحديات المتعلقة بتداخل حالات الأبقار أثناء الكشف. بشكل عام، تسهم هذه الدراسة في تقديم رؤى قيمة حول تطبيق طرق الرؤية الحاسوبية لإدارة صحة الماشية، بهدف تحسين استدامة صناعة الألبان.
الطرق
تقدم الدراسة نظامًا شاملاً مصممًا لتقييم عرج الأبقار تلقائيًا باستخدام لقطات الفيديو من المزارع، وهي منظمة في خط أنابيب مكون من خمس مراحل: جمع البيانات والمعالجة المسبقة، كشف الأبقار، تتبع الأبقار، استخراج الميزات، وتصنيف عرج الأبقار. في البداية، يتم تقسيم بيانات الفيديو إلى إطارات، والتي يتم وضع علامات عليها بعد ذلك لإنشاء بيانات الحقيقة الأرضية لتدريب نموذجين لكشف الكائنات – Mask R-CNN و YOLOv8. تُستخدم هذه النماذج لتحديد وتصنيف الأبقار داخل الإطارات، مما يولد صناديق محيطة وتسميات فئة. تعين مرحلة التتبع معرفات فريدة لكل بقرة، مما يسهل تحليل الحركة الفردية. في مرحلة استخراج الميزات، يتم حساب مجموعة من الميزات المتعلقة بالحركة لكل حيوان تم تتبعه، والتي تُستخدم بعد ذلك في مرحلة التصنيف لتصنيف الأبقار إلى ثلاثة مستويات من العرج: العرج المبكر (المستويات 2 و 3) وعدم العرج (المستوى 1).
تم تعريف مقاييس الأداء مثل الدقة والاسترجاع، حيث يتم حساب الدقة على أنها \( \text{Precision} = \frac{TP}{TP + FP} \)، حيث يمثل \( TP \) الإيجابيات الحقيقية و \( FP \) الإيجابيات الكاذبة. يستخدم تنفيذ النظام Python، مستفيدًا من أطر مثل PyTorch للتعلم العميق، وScikit-learn للتصنيف، وOpenCV للمعالجة المسبقة. يتم إجراء تحليل البيانات والتصور باستخدام مكتبات مثل NumPy وPandas وMatplotlib. لا تعزز المنهجية المقترحة فقط الكشف وإدارة عرج الأبقار، بل توفر أيضًا إطارًا لمراقبة صحة القطيع بشكل مستمر، مما يمكّن من التدخلات في الوقت المناسب.
المناقشة
في قسم المناقشة من ورقة البحث، توضح مختبر المعلومات البصرية في جامعة ميازاكي جهوده المستمرة في تطوير أنظمة متقدمة لإدارة الأبقار، مع التركيز بشكل خاص على كشف العرج، وتصنيف حالة الجسم، وكشف التزاوج. يؤكد المختبر على أهمية الكشف المبكر عن العرج لتحسين رفاهية الحيوانات وتقليل الخسائر الاقتصادية في صناعة الماشية. تم استكشاف منهجيات متنوعة، بما في ذلك تقنيات الرؤية الحاسوبية مثل Mask R-CNN و YOLO، لتعزيز دقة كشف العرج من خلال تحليل أنماط حركة الأبقار والخصائص الفيزيائية. تشمل النتائج الملحوظة فعالية أنظمة الإدراك البصري الذكية وإمكانية تقنيات التقييم داخل الحظائر كبدائل لطرق تقييم العرج التقليدية.
تسلط الورقة الضوء أيضًا على أهمية جمع البيانات والمعالجة المسبقة في تطوير خوارزميات كشف قوية. تم جمع مجموعة بيانات شاملة في مزرعة هوكورن كونينبو التجريبية، باستخدام كاميرات عالية الدقة لمراقبة سلوك الأبقار. تضمنت خطوات المعالجة المسبقة وضع علامات دقيقة على مناطق الأبقار وتنفيذ تدابير مراقبة الجودة لضمان سلامة مجموعة البيانات. تدمج منهجية الدراسة خوارزميات كشف الكائنات المتقدمة، مثل Mask R-CNN و YOLOv8، لتحقيق كشف دقيق وتتبع للأبقار، وهو أمر حاسم لتصنيف العرج بشكل فعال. يهدف النظام المقترح إلى تعزيز ممارسات إدارة الأبقار من خلال حلول تكنولوجية مبتكرة، مما يسهم في تحسين رفاهية الحيوانات وكفاءة العمليات في صناعة الألبان.
DOI: https://doi.org/10.1038/s41598-024-64664-7
PMID: https://pubmed.ncbi.nlm.nih.gov/38877097
Publication Date: 2024-06-14
Author(s): Bo Bo Myint et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
This research investigates the application of deep learning techniques for detecting lameness in dairy cattle, utilizing advanced image processing and object detection algorithms, specifically Mask-RCNN from Detectron2 and YOLOv8. The study emphasizes the importance of accurate cattle detection and tracking, assigning unique local IDs to facilitate individual monitoring throughout video sequences. The extracted mask regions from the detection algorithms are crucial for feature extraction, which informs the lameness classification process. The system achieved high accuracy rates, with Detectron2 reaching 98.98% in detection and 99.50% in tracking. Among various machine learning algorithms tested, AdaBoost demonstrated the highest lameness classification accuracy at 77.9%, while other algorithms like Decision Trees, Support Vector Machines, and Random Forests also showed promising results.
The findings highlight the potential of this automated system to enhance dairy farm management by enabling early detection of lameness, which is critical for maintaining cattle health and productivity. The study also addresses the challenges of manual detection in expanding dairy operations and emphasizes the need for robust evidence to develop effective intervention strategies. Future work will focus on refining the system’s accuracy and robustness by integrating diverse deep learning methodologies and addressing challenges related to overlapping cattle instances during detection. Overall, this research contributes valuable insights into the application of computer vision methods for livestock health management, aiming to improve the sustainability of the dairy industry.
Methods
The study introduces a comprehensive system designed to automatically assess cattle lameness using video footage from farms, structured into a five-stage pipeline: Data Collection and Preprocessing, Cattle Detection, Cattle Tracking, Feature Extraction, and Cattle Lameness Classification. Initially, video data is segmented into frames, which are then annotated to create ground truth data for training two object detection models—Mask R-CNN and YOLOv8. These models are utilized to identify and classify cattle within the frames, generating bounding boxes and class labels. The tracking stage assigns unique identifiers to each cattle, facilitating individual movement analysis. In the Feature Extraction stage, a range of movement-related features is computed for each tracked animal, which are subsequently used in the Classification stage to categorize cattle into three lameness levels: early lameness (levels 2 and 3) and no lameness (level 1).
Performance metrics such as precision and recall are defined, with precision calculated as \( \text{Precision} = \frac{TP}{TP + FP} \), where \( TP \) represents true positives and \( FP \) denotes false positives. The system’s implementation utilizes Python, leveraging frameworks like PyTorch for deep learning, Scikit-learn for classification, and OpenCV for preprocessing. Data analysis and visualization are conducted using libraries such as NumPy, Pandas, and Matplotlib. The proposed methodology not only enhances the detection and management of cattle lameness but also provides a framework for ongoing herd health monitoring, enabling timely interventions.
Discussion
In the discussion section of the research paper, the Visual Information Lab at Miyazaki University outlines its ongoing efforts in developing advanced systems for cattle management, specifically focusing on lameness detection, body condition classification, and mounting detection. The lab emphasizes the importance of early lameness detection for improving animal welfare and reducing economic losses in the livestock industry. Various methodologies, including computer vision techniques such as Mask R-CNN and YOLO, have been explored to enhance the accuracy of lameness detection by analyzing cattle movement patterns and physical attributes. Notable findings include the effectiveness of intelligent visual perception systems and the potential of in-parlor scoring techniques as alternatives to traditional lameness scoring methods.
The paper also highlights the significance of data collection and preprocessing in developing robust detection algorithms. A comprehensive dataset was collected at the Hokuren Kunneppu Demonstration Farm, utilizing high-resolution cameras to monitor cattle behavior. The preprocessing steps included meticulous annotation of cattle regions and the implementation of quality control measures to ensure the dataset’s integrity. The study’s methodology integrates advanced object detection algorithms, such as Mask R-CNN and YOLOv8, to achieve accurate cattle detection and tracking, which are crucial for effective lameness classification. The proposed system aims to enhance cattle management practices through innovative technological solutions, ultimately contributing to improved animal welfare and operational efficiency in the dairy industry.