Identificación automática del comportamiento de los pangolines utilizando aprendizaje profundo basado en un mecanismo de atención relativa temporal
Autores: Wang, Kai; Hou, Pengfei; Xu, Xuelin; Gao, Yun; Chen, Ming; Lai, Binghua; An, Fuyu; Ren, Zhenyu; Li, Yongzheng; Jia, Guifeng; Hua, Yan
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Identificación automática del comportamiento de los pangolines utilizando aprendizaje profundo basado en un mecanismo de atención relativa temporal
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Cría
Comportamiento
Pangolines
Monitoreo
Reconocimiento
Red
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
Con la disminución de las poblaciones en la naturaleza, el rescate y la cría en cautiverio se han convertido en una de las formas más importantes de proteger a los pangolines de la extinción. En la actualidad, la tasa de éxito de la cría artificial es baja, debido a la insuficiente comprensión de las características del comportamiento reproductivo de los pangolines. El método de reconocimiento automático basado en visión por computadora no solo monitorea durante 24 horas, sino que también reduce la respuesta al estrés de los pangolines. Este artículo tuvo como objetivo establecer una red de relación temporal y mecanismo de atención (Red de atención y transferencia de cría de pangolines, PBATn) para monitorear y reconocer los comportamientos de los pangolines, incluyendo el comportamiento reproductivo y el comportamiento diario. Se recopilaron 11,476 videos que incluían comportamiento reproductivo y comportamiento diario, los cuales se dividieron en conjuntos de entrenamiento, validación y prueba. Para el conjunto de entrenamiento y el conjunto de validación, el modelo de red PBATn tuvo una precisión del 98.95% y 96.11%, y un valor de función de pérdida de 0.1531 y 0.1852. El modelo es adecuado para un área de jaula de pangolines de 2.40 m x 2.20 m (largo x ancho), con una caja nido que mide 40 cm x 30 cm x 30 cm (largo x ancho x alto) posicionada ya sea en el lado izquierdo o derecho dentro de la jaula. Se instaló una cámara de monitoreo nocturno esférica en la pared de la jaula a una altura de 2.50 m sobre el suelo. Para el conjunto de prueba, se encontró que la Precisión Media Promedio (mAP), la precisión promedio, el recall promedio, la especificidad promedio y la puntuación F1 promedio fueron superiores a SlowFast, X3D, TANet, TSN, etc., con valores de 97.50%, 99.17%, 97.55%, 99.53% y 97.48%, respectivamente. Las precisiones de reconocimiento de PBATn fueron del 94.00% y 98.50% para los comportamientos de cría de persecución y monta, respectivamente. Los resultados mostraron que PBATn superó a los métodos de referencia en todos los aspectos. Este estudio muestra que el sistema de aprendizaje profundo puede observar con precisión el comportamiento reproductivo de los pangolines y será útil para analizar el comportamiento de estos animales.
Descripción
Con la disminución de las poblaciones en la naturaleza, el rescate y la cría en cautiverio se han convertido en una de las formas más importantes de proteger a los pangolines de la extinción. En la actualidad, la tasa de éxito de la cría artificial es baja, debido a la insuficiente comprensión de las características del comportamiento reproductivo de los pangolines. El método de reconocimiento automático basado en visión por computadora no solo monitorea durante 24 horas, sino que también reduce la respuesta al estrés de los pangolines. Este artículo tuvo como objetivo establecer una red de relación temporal y mecanismo de atención (Red de atención y transferencia de cría de pangolines, PBATn) para monitorear y reconocer los comportamientos de los pangolines, incluyendo el comportamiento reproductivo y el comportamiento diario. Se recopilaron 11,476 videos que incluían comportamiento reproductivo y comportamiento diario, los cuales se dividieron en conjuntos de entrenamiento, validación y prueba. Para el conjunto de entrenamiento y el conjunto de validación, el modelo de red PBATn tuvo una precisión del 98.95% y 96.11%, y un valor de función de pérdida de 0.1531 y 0.1852. El modelo es adecuado para un área de jaula de pangolines de 2.40 m x 2.20 m (largo x ancho), con una caja nido que mide 40 cm x 30 cm x 30 cm (largo x ancho x alto) posicionada ya sea en el lado izquierdo o derecho dentro de la jaula. Se instaló una cámara de monitoreo nocturno esférica en la pared de la jaula a una altura de 2.50 m sobre el suelo. Para el conjunto de prueba, se encontró que la Precisión Media Promedio (mAP), la precisión promedio, el recall promedio, la especificidad promedio y la puntuación F1 promedio fueron superiores a SlowFast, X3D, TANet, TSN, etc., con valores de 97.50%, 99.17%, 97.55%, 99.53% y 97.48%, respectivamente. Las precisiones de reconocimiento de PBATn fueron del 94.00% y 98.50% para los comportamientos de cría de persecución y monta, respectivamente. Los resultados mostraron que PBATn superó a los métodos de referencia en todos los aspectos. Este estudio muestra que el sistema de aprendizaje profundo puede observar con precisión el comportamiento reproductivo de los pangolines y será útil para analizar el comportamiento de estos animales.