DOI: https://doi.org/10.1038/s41598-024-65953-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39134549
تاريخ النشر: 2024-08-12
المؤلف: Kuo Li وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
تقدم البحث مجموعة بيانات CBVD-5، وهي مجموعة بيانات شاملة متعددة السلوكيات تعتمد على الفيديو للأبقار، تشمل خمسة سلوكيات مميزة: الوقوف، الاستلقاء، البحث عن الطعام، الاستراحة، والشرب. تم اشتقاق مجموعة البيانات من مراقبة 107 أبقار على مدى 96 ساعة باستخدام سبع كاميرات موضوعة بشكل استراتيجي، مما أسفر عن 687 مقطع فيديو و206,100 صورة. شملت عملية جمع البيانات بنية تحتية متطورة للتخزين والتعليق، مما يضمن بيانات عالية الجودة وذات صلة لتدريب النماذج. يقترح المؤلفون نموذج SlowFast للتعرف على سلوك الأبقار، محققين معدل خطأ قدره 21.28% في مجموعة الاختبار، مما يوضح إمكانيات مجموعة البيانات في تعزيز مراقبة صحة الأبقار الحلوب والذكاء الزراعي.
لا تعزز مجموعة بيانات CBVD-5 فقط التعرف على سلوك الأبقار، بل تدعم أيضًا التطبيقات في الكشف عن الأهداف والممارسات الزراعية الأوسع. نظرًا للنمو الكبير في صناعة الألبان في مناطق مثل منغوليا الداخلية، فإن فهم سلوك الأبقار أمر بالغ الأهمية لتحسين كفاءة التغذية، وإدارة الأمراض، والاستدامة. تهدف مجموعة البيانات إلى معالجة النقص الحالي في بيانات السلوك عالية الجودة، مما يسهل إدارة المزارع والإنتاجية بشكل أفضل. من خلال جعل مجموعة البيانات متاحة مجانًا، يشجع المؤلفون التعاون البحثي العالمي، بهدف تعزيز الابتكارات في رفاهية الحيوانات والممارسات الزراعية.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تجاربهم باستخدام مجموعة بيانات CBVD-5 للتعرف على سلوك الأبقار، معتمدين على بنية نموذج SlowFast. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (70%)، والتحقق (10%)، والاختبار (20%)، مع توجيه التدريب بواسطة دالة خسارة الانتروبيا المتقاطعة. تم ضبط المعلمات الفائقة للنموذج، بما في ذلك العامل الأولي، وعامل التعديل، ومعدل التعلم، بدقة، مما أسفر عن قيم مثالية قدرها 0.2، 0.1، و0.5، على التوالي. وجدت الدراسة أنه بينما تم التعرف على سلوكيات مثل الوقوف، والاستلقاء، والتغذية بدقة عالية، فإن سلوك الاستراحة شكل تحديات كبيرة، مما أدى إلى اختيار دقة الاستراحة المتوسطة (rAP) كمقياس تقييم رئيسي بجانب دقة المتوسط (mAP).
تشير النتائج إلى أن أداء النموذج كان مائلًا نحو السلوكيات الأكثر تكرارًا، مما يبرز القضايا المتعلقة بعدم توازن البيانات والتشابه بين السلوكيات الذي أعاق دقة التعرف. يقترح المؤلفون تحسينات محتملة، بما في ذلك تقنيات زيادة البيانات واستخدام دوال خسارة موزونة لمعالجة هذه التحديات. بالإضافة إلى ذلك، استكشفوا تطبيق نماذج الكشف عن الأجسام في السيناريوهات المعقدة، مما أظهر فعالية نهجهم في التعرف على السلوك. بشكل عام، تؤكد النتائج على الحاجة إلى مزيد من البحث لتعزيز أداء النموذج، خاصة للسلوكيات الأقل تكرارًا.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدمات الكبيرة في التعرف على سلوك الأبقار، مصنفة المنهجيات الحالية إلى أساليب قائمة على المستشعرات وأخرى تعتمد على الرؤية الحاسوبية. لقد استخدمت الدراسات القائمة على المستشعرات بيانات GPS ومقياس التسارع لمراقبة غير متطفلة، محققة دقة تصنيف عالية. تشمل المساهمات البارزة دمج بيانات متعددة المستشعرات للتعرف على السلوك في الوقت الفعلي وتطوير أجهزة قابلة للارتداء متطورة. من ناحية الرؤية الحاسوبية، تم استخدام نماذج متنوعة لتحليل السلوك، بما في ذلك تحليل الفيديو للكشف عن إجراءات محددة واستخدام تقنيات التعلم العميق للتعرف على السلوكيات الهرمية. على الرغم من هذه التقدمات، يشير المؤلفون إلى ندرة مجموعات البيانات المتاحة للجمهور المصممة خصيصًا لسلوك الأبقار، مما دفع إلى تقديم مجموعة بيانات CBVD-5، التي تسجل بدقة خمسة سلوكيات ذرية: الوقوف، الاستلقاء، الرعي، الاستراحة، والشرب.
تعتبر مجموعة بيانات CBVD-5 مصدرًا أساسيًا لأبحاث التعلم العميق، حيث تعالج نقص مجموعات البيانات الفيديو القياسية للأبقار. أجرى المؤلفون مشاورات موسعة مع مالكي المزارع لتحديد السلوكيات الرئيسية، مصنفين إياها إلى سلوكيات وضعية وسلوكيات حالة. تتكون مجموعة البيانات من 206,100 عينة صورة، مع تعليقات مفصلة وبنية شاملة تسهل مزيدًا من البحث في صحة الأبقار ورفاهيتها. يؤكد المؤلفون على أهمية التحديثات المستمرة والتحسينات لمجموعة البيانات، بهدف تعزيز الفهم وإدارة سلوك الأبقار. ستركز الأبحاث المستقبلية على تحسين التعرف على السلوك الفردي من خلال أنظمة تتبع متقدمة، مما يسهم في تحسين إدارة ورعاية الماشية.
DOI: https://doi.org/10.1038/s41598-024-65953-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39134549
Publication Date: 2024-08-12
Author(s): Kuo Li et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
The research introduces the CBVD-5 dataset, a comprehensive video-based multi-behavior dataset for cows, encompassing five distinct behaviors: standing, lying down, foraging, rumination, and drinking. The dataset is derived from monitoring 107 cows over 96 hours using seven strategically placed cameras, resulting in 687 video segments and 206,100 images. The data collection process involved sophisticated infrastructure for storage and annotation, ensuring high-quality and relevant data for model training. The authors propose a SlowFast model for cow behavior recognition, achieving a 21.28% error rate on the test set, demonstrating the dataset’s potential for advancing dairy cow health monitoring and agricultural intelligence.
The CBVD-5 dataset not only enhances cow behavior recognition but also supports applications in target detection and broader agricultural practices. Given the significant growth of the dairy industry in regions like Inner Mongolia, understanding cow behavior is crucial for improving feed efficiency, disease management, and sustainability. The dataset aims to address the current lack of high-quality behavioral data, facilitating better farm management and productivity. By making the dataset freely available, the authors encourage global research collaboration, aiming to foster innovations in animal welfare and agricultural practices.
Results
In this section, the authors present the results of their experiments using the CBVD-5 dataset for cow behavior recognition, employing a SlowFast model architecture. The dataset was divided into training (70%), validation (10%), and test (20%) sets, with training guided by a cross-entropy loss function. The model’s hyperparameters, including the initial factor, adjustment factor, and learning rate, were meticulously tuned, resulting in optimal values of 0.2, 0.1, and 0.5, respectively. The study found that while behaviors such as standing, lying, and feeding were recognized with high accuracy, rumination behavior posed significant challenges, leading to the selection of rumination Average Precision (rAP) as a key evaluation metric alongside mean Average Precision (mAP).
The findings indicate that the model’s performance was skewed towards more frequently occurring behaviors, highlighting issues related to data imbalance and the similarity between behaviors that hindered recognition accuracy. The authors suggest potential improvements, including data augmentation techniques and the use of weighted loss functions to address these challenges. Additionally, they explored the application of object detection models in complex scenarios, which demonstrated the effectiveness of their approach in behavior recognition. Overall, the results underscore the need for further research to enhance the model’s performance, particularly for less frequent behaviors.
Discussion
The discussion section of the research paper highlights significant advancements in cow behavior recognition, categorizing existing methodologies into sensor-based and computer vision approaches. Sensor-based studies have effectively utilized GPS and accelerometer data for non-intrusive monitoring, achieving high classification accuracies. Notable contributions include the integration of multi-sensor data for real-time behavior recognition and the development of sophisticated wearable devices. On the computer vision side, various models have been employed for behavior analysis, including video analysis for detecting specific actions and the use of deep learning techniques for hierarchical behavior recognition. Despite these advancements, the authors note a scarcity of publicly available datasets tailored to cow behavior, prompting the introduction of the CBVD-5 dataset, which meticulously records five atomic behaviors: standing, lying, grazing, rumination, and drinking.
The CBVD-5 dataset serves as a foundational resource for deep learning research, addressing the lack of standardized video datasets for cows. The authors conducted extensive consultations with ranch owners to identify key behaviors, categorizing them into postural and state behaviors. The dataset comprises 206,100 image samples, with detailed annotations and a comprehensive structure that facilitates further research into cow health and welfare. The authors emphasize the importance of continuous updates and optimizations to the dataset, aiming to enhance understanding and management of cow behavior. Future research will focus on refining individual behavior recognition through advanced tracking systems, ultimately contributing to improved livestock management and welfare.