Percepción Automática de Situaciones Anormales Típicas en Patos Criados en Jaulas Usando Visión por Computadora
Autores: Zhao, Shida; Bai, Zongchun; Huo, Lianfei; Han, Guofeng; Duan, Enze; Gong, Dongjun; Gao, Liaoyuan
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Percepción Automática de Situaciones Anormales Típicas en Patos Criados en Jaulas Usando Visión por Computadora
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Anulación
Muerte
Patos criados en jaulas
Regiones anormales
Algoritmos de detección de objetos
Puntos clave
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
La inversión y la muerte son anomalías comunes en patos criados en jaulas. Para lograr una detección oportuna y precisa, este estudio se centró en patos criados en jaulas de 10 días de edad, que son propensos a estas condiciones, y estableció datos previos sobre tales situaciones. Utilizando el YOLOv8 original como red base, se incorporaron múltiples mecanismos de atención GAM en la parte de fusión de características (cuello) para mejorar el enfoque de la red en las regiones anormales en las imágenes de patos criados en jaulas. Además, la función de pérdida Wise-IoU reemplazó a la función de pérdida CIoU al emplear un mecanismo de enfoque dinámico no monótono para equilibrar las muestras de datos y mitigar las penalizaciones excesivas de los parámetros geométricos en el modelo. El brillo de la imagen se ajustó mediante factores de 0.85 y 1.25, y se adoptaron algoritmos de detección de objetos de vanguardia para probar y comparar la generalización y el rendimiento del método propuesto. Basado en seis puntos clave alrededor de la cabeza, el pico, el pecho, la cola, el pie izquierdo y el pie derecho de los patos criados en jaulas, se refinó la estructura corporal de los patos anormales. Se logró una estimación precisa de las posturas de inversión y muerte utilizando el HRNet-48. Los resultados demostraron que el método propuesto reconoció con precisión estos estados, logrando un valor de Precisión Media Promedio (mAP) de 0.924, que fue un 1.65% más alto que el del YOLOv8 original. El método abordó eficazmente la interferencia de reconocimiento causada por diferencias de iluminación y mostró una excelente capacidad de generalización y un rendimiento de detección integral. Además, el modelo de estimación de pose de patos criados en jaulas anormales logró un valor de Similitud de Puntos Clave de Objeto (OKS) de 0.921, con un tiempo de procesamiento de un solo fotograma de 0.528 s, detectando con precisión múltiples puntos clave de los cuerpos de los patos criados en jaulas anormales y generando expresiones posturales correctas.
Descripción
La inversión y la muerte son anomalías comunes en patos criados en jaulas. Para lograr una detección oportuna y precisa, este estudio se centró en patos criados en jaulas de 10 días de edad, que son propensos a estas condiciones, y estableció datos previos sobre tales situaciones. Utilizando el YOLOv8 original como red base, se incorporaron múltiples mecanismos de atención GAM en la parte de fusión de características (cuello) para mejorar el enfoque de la red en las regiones anormales en las imágenes de patos criados en jaulas. Además, la función de pérdida Wise-IoU reemplazó a la función de pérdida CIoU al emplear un mecanismo de enfoque dinámico no monótono para equilibrar las muestras de datos y mitigar las penalizaciones excesivas de los parámetros geométricos en el modelo. El brillo de la imagen se ajustó mediante factores de 0.85 y 1.25, y se adoptaron algoritmos de detección de objetos de vanguardia para probar y comparar la generalización y el rendimiento del método propuesto. Basado en seis puntos clave alrededor de la cabeza, el pico, el pecho, la cola, el pie izquierdo y el pie derecho de los patos criados en jaulas, se refinó la estructura corporal de los patos anormales. Se logró una estimación precisa de las posturas de inversión y muerte utilizando el HRNet-48. Los resultados demostraron que el método propuesto reconoció con precisión estos estados, logrando un valor de Precisión Media Promedio (mAP) de 0.924, que fue un 1.65% más alto que el del YOLOv8 original. El método abordó eficazmente la interferencia de reconocimiento causada por diferencias de iluminación y mostró una excelente capacidad de generalización y un rendimiento de detección integral. Además, el modelo de estimación de pose de patos criados en jaulas anormales logró un valor de Similitud de Puntos Clave de Objeto (OKS) de 0.921, con un tiempo de procesamiento de un solo fotograma de 0.528 s, detectando con precisión múltiples puntos clave de los cuerpos de los patos criados en jaulas anormales y generando expresiones posturales correctas.