DOI: https://doi.org/10.55214/25768484.v8i6.3396
تاريخ النشر: 2024-11-30
المؤلف: Olawuyi Fatoki وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
لقد أدى الطلب المتزايد على منتجات الماشية المستدامة إلى إعادة تقييم ممارسات إنتاج وتربية الحيوانات، لا سيما من خلال دمج السلوكيات الظاهرية التي تؤثر بشكل كبير على الإنتاجية والصحة والرفاهية. غالبًا ما تكون الطرق التقليدية لمراقبة سلوك الحيوانات ذات طابع شخصي وتتطلب جهدًا كبيرًا، مما يجعلها غير عملية للعمليات واسعة النطاق. استجابةً لذلك، اكتسبت تقنية رؤية الكمبيوتر زخمًا بسبب قدراتها على المراقبة الموضوعية وغير الغازية والمستمرة. ومع ذلك، فإن تعقيد بيئات الماشية يطرح تحديات في التعرف على السلوك، وهو ما بدأت تقنيات التعلم العميق (DL) في معالجته. تستعرض هذه الورقة التقدم في طرق رؤية الكمبيوتر، مع التركيز بشكل خاص على تطبيقات التعلم العميق للكشف عن سلوكيات الماشية الحيوية، مثل التغذية والعدوان، والتي تعتبر أساسية لتقييم الصحة والرفاهية.
تسلط الأبحاث الضوء على السلوكيات الرئيسية التي تؤثر على نمو وصحة الماشية، بما في ذلك الشرب والتغذية والعدوان والعجز. بينما يلعب تقدير الوضع دورًا حاسمًا في تقييم صحة الحيوانات، فإن سلوكيات مثل الرضاعة واللعب تشير إلى الرفاهية. على الرغم من التقدم في تقنيات التعرف على السلوك، تميل الدراسات الحالية إلى التركيز على سلوكيات فردية بدلاً من إنشاء روابط شاملة لمؤشرات أوسع للنمو والصحة والرفاهية. تؤكد الورقة على الحاجة إلى مزيد من البحث لتعزيز قوة الخوارزميات في ظروف متنوعة، وهو أمر ضروري للاعتماد الواسع لهذه التقنيات في صناعة الماشية. في النهاية، يمكن أن تؤدي التقدمات في رؤية الكمبيوتر والتعلم العميق إلى تحسين ممارسات إدارة الماشية بشكل كبير، مما يساهم في تعزيز الاستدامة والإنتاجية في هذا القطاع.
مقدمة
تؤكد مقدمة الورقة على الطلب المتزايد على المنتجات الحيوانية المستدامة، مما يبرز أهمية تربية وإدارة الماشية في تعزيز الإنتاجية داخل قطاع الماشية. وتبرز أن سلوك الحيوانات يعد مؤشرًا حاسمًا للرفاهية والنمو والصحة، مما يؤثر بدوره على العائدات والنتائج الاقتصادية. تعتبر السلوكيات الرئيسية مثل تناول العلف والماء، والتفاعلات الاجتماعية، والعناية الأمومية ضرورية لتقييم رفاهية وإنتاجية الماشية. تاريخيًا، اعتمد البشر على المراقبة المباشرة لسلوكيات الماشية لإبلاغ القرارات المتعلقة بالتربية والتغذية وإدارة الصحة، مما أدى إلى فهم حدسي للسلوكيات الطبيعية مقابل غير الطبيعية.
تناقش الورقة أيضًا تداعيات سلوكيات معينة، مثل العدوان والركوب المفرط في الماشية، والتي يمكن أن تؤدي إلى إصابات وخسائر اقتصادية، بينما يمكن أن تعزز التفاعلات الإيجابية مع عناصر الإثراء الرفاهية. بالإضافة إلى ذلك، فإن مراقبة حركات الحيوانات أمر حيوي لاكتشاف الأمراض، لا سيما في تحديد العجز في الأبقار الحلوب، مما يؤثر بشكل كبير على الإنتاجية. كما تبرز المقدمة ضرورة وجود منهجيات متقدمة، لا سيما تقنيات التعلم العميق (DL) ورؤية الكمبيوتر (CV)، لتحسين التعرف على السلوك في الزراعة الدقيقة للماشية (PLF). تهدف المراجعة إلى استكشاف التقدمات الأخيرة في التعرف على السلوك، ومعالجة التحديات، وطرق جمع البيانات، ونماذج التعلم العميق، ومقاييس الأداء، والاتجاهات المستقبلية في هذا المجال. يتم توضيح هيكل الورقة، مما يشير إلى فحص شامل لتجزئة صور الأبقار، والتعرف، ومنهجيات التعرف على السلوك.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على التقدم في تقنيات تجزئة الصور والتعرف على السلوك للماشية، لا سيما الأبقار. كان التركيز الأساسي على تمييز الأبقار في المقدمة عن الخلفيات لتحسين استخراج الميزات والتعرف على السلوك. استخدمت جهود التجزئة الأولية أطر Mask R-CNN المحسّنة، التي عالجت بفعالية التحديات مثل ظروف الإضاءة المتغيرة والخلفيات الديناميكية، محققة دقة عالية في تجزئة الأبقار الفردية. استكشفت الدراسات اللاحقة خوارزميات تعلم الآلة (ML) المختلفة وأنظمة دمج المستشعرات لمراقبة سلوكيات الماشية، مع نجاح ملحوظ في اكتشاف سلوكيات الوقوف والاستلقاء في الأغنام والأبقار، محققة معدلات حساسية عالية.
شملت التطورات الإضافية تجزئة أجزاء الجسم المحددة باستخدام أطر التعلم العميق مثل FLYOLOv3، التي تفوقت على الطرق التقليدية في الدقة ومعدلات الاسترجاع. أدت دمج تقنيات متقدمة، مثل OpenPose مع Mask R-CNN، إلى تحسين التعرف على الأبقار الفردية، بينما أظهرت طرق التعرف المتسلسلة كفاءة ودقة عالية في التعرف على الأبقار الحلوب. كما يؤكد النقاش على أهمية الخوارزميات القوية للتطبيقات في الوقت الحقيقي، لا سيما في البيئات الصعبة. بشكل عام، تسلط الأبحاث الضوء على إمكانيات تقنيات التعلم العميق ورؤية الكمبيوتر في تعزيز إدارة الماشية من خلال تحسين التجزئة والتعرف والتعرف على السلوك.
DOI: https://doi.org/10.55214/25768484.v8i6.3396
Publication Date: 2024-11-30
Author(s): Olawuyi Fatoki et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
The increasing demand for sustainable livestock products has prompted a reassessment of animal production and breeding practices, particularly by incorporating phenotypic behaviors that significantly affect productivity, health, and welfare. Traditional methods of monitoring animal behavior are often subjective and labor-intensive, making them impractical for large-scale operations. In response, computer vision technology has gained traction due to its objective, non-invasive, and continuous monitoring capabilities. However, the complexity of livestock environments poses challenges for behavior recognition, which deep learning (DL) technologies are beginning to address. This paper reviews advancements in computer vision methods, particularly focusing on deep learning applications for detecting critical livestock behaviors, such as feeding and aggression, which are essential for assessing health and welfare.
The research highlights key behaviors that impact livestock growth and health, including drinking, feeding, aggression, and lameness. While pose estimation plays a crucial role in evaluating animal health, behaviors like nursing and play are indicative of welfare. Despite progress in behavior recognition technologies, existing studies tend to focus on individual behaviors rather than establishing comprehensive links to broader indicators of growth, health, and welfare. The paper emphasizes the need for further research to enhance algorithm robustness in diverse conditions, which is essential for the widespread adoption of these technologies in the livestock industry. Ultimately, advancements in computer vision and deep learning could significantly improve livestock management practices, contributing to enhanced sustainability and productivity in the sector.
Introduction
The introduction of the paper emphasizes the growing demand for sustainable animal products, underscoring the importance of livestock breeding and management in enhancing productivity within the livestock sector. It highlights that animal behavior serves as a crucial indicator of welfare, growth, and health, which in turn influences yield and economic outcomes. Key behaviors such as feed and water intake, social interactions, and maternal care are essential for evaluating livestock welfare and productivity. Historically, humans have relied on direct observation of livestock behaviors to inform decisions regarding breeding, feeding, and health management, which has led to an intuitive understanding of normal versus abnormal behaviors.
The paper further discusses the implications of specific behaviors, such as aggression and excessive mounting in cattle, which can lead to injuries and economic losses, while positive interactions with enrichment objects can enhance welfare. Additionally, the observation of animal movements is vital for disease detection, particularly in identifying lameness in dairy cattle, which significantly affects productivity. The introduction also highlights the necessity for advanced methodologies, particularly deep learning (DL) and computer vision (CV) technologies, to improve behavior recognition in precision livestock farming (PLF). The review aims to explore recent advancements in behavior recognition, addressing challenges, data collection methods, DL models, performance metrics, and future directions in the field. The structure of the paper is outlined, indicating a comprehensive examination of cattle image segmentation, identification, and behavior recognition methodologies.
Discussion
The discussion section of the research paper highlights advancements in image segmentation and behavior recognition techniques for livestock, particularly cattle. The primary focus has been on differentiating foreground cattle from backgrounds to enhance feature extraction and behavior recognition. Initial segmentation efforts utilized enhanced Mask R-CNN frameworks, which effectively addressed challenges such as varying lighting conditions and dynamic backgrounds, achieving high accuracy in individual cattle segmentation. Subsequent studies explored various machine learning (ML) algorithms and sensor fusion systems to monitor livestock behaviors, with notable success in detecting standing and lying behaviors in sheep and cattle, achieving high sensitivity rates.
Further developments included the segmentation of specific body parts using deep learning frameworks like FLYOLOv3, which outperformed traditional methods in accuracy and recall rates. The integration of advanced techniques, such as OpenPose with Mask R-CNN, improved individual cattle identification, while cascaded identification methods demonstrated high efficiency and accuracy in recognizing dairy cattle. The discussion also emphasizes the importance of robust algorithms for real-time applications, particularly in challenging environments. Overall, the research underscores the potential of deep learning and computer vision technologies in enhancing livestock management through improved segmentation, identification, and behavioral recognition.