Un Método de Reconocimiento del Comportamiento de Arrastre en el Estro de Ovejas Basado en una Red Neuronal de Capa de Detección de Múltiples Objetivos
Autores: Yu, Longhui; Guo, Jianjun; Pu, Yuhai; Cen, Honglei; Li, Jingbin; Liu, Shuangyin; Nie, Jing; Ge, Jianbing; Yang, Shuo; Zhao, Hangxing; Xu, Yalei; Wu, Jianglin; Wang, Kang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un Método de Reconocimiento del Comportamiento de Arrastre en el Estro de Ovejas Basado en una Red Neuronal de Capa de Detección de Múltiples Objetivos
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Problemas con la detección de celo
Cría de ovejas para carne a gran escala
Método basado en una red neuronal de capa de detección multiobjetivo
Tamaño de la caja de anclaje YOLO v3
Conjunto de datos de celo de ovejas
Capa de detección de objetivos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Existen algunos problemas con la detección de celo en ovejas en la cría de ovejas para carne a gran escala: principalmente, el método de detección manual es intensivo en mano de obra y el método de detección por sensor de contacto provoca reacciones de estrés en las ovejas. Para resolver los problemas mencionados, proponemos un método basado en una red neuronal de capa de detección multiobjetivo para el reconocimiento del comportamiento de arrastre en celo de las ovejas. El enfoque que proponemos tiene cuatro partes principales. En primer lugar, para abordar el problema de desajuste entre nuestro conjunto de datos de celo de ovejas y el tamaño de la caja de anclaje de YOLO v3, proponemos obtener un nuevo tamaño de caja de anclaje mediante la agrupación del conjunto de datos de celo de ovejas utilizando el algoritmo K-means++. En segundo lugar, para abordar el problema de baja precisión de reconocimiento del modelo causado por la pequeña imagen de ovejas distantes en el conjunto de datos, añadimos una capa de detección de objetivos de 104 x 104, haciendo que el total de capas de detección de objetivos alcance cuatro capas, fortaleciendo la capacidad del modelo para aprender información superficial y mejorando la capacidad del modelo para detectar objetivos pequeños. Luego, añadimos unidades residuales a la estructura residual del modelo, de modo que la información de características profundas del modelo no se pierda fácilmente y se fusione aún más con la información de características superficiales para acelerar el entrenamiento del modelo. Finalmente, mantenemos la relación de aspecto de las imágenes en el módulo de carga de datos del modelo para reducir la distorsión de la información de la imagen y aumentar la precisión del modelo. Los resultados experimentales muestran que nuestro modelo propuesto tiene una precisión de reconocimiento del 98.56%, mientras que la recuperación fue del 98.04%, el valor F1 fue del 98%, el mAP fue del 99.78%, el FPS fue de 41 f/s y el tamaño del modelo fue de 276 M, lo que puede cumplir con el reconocimiento preciso y en tiempo real del comportamiento de celo de las ovejas en la cría de ovejas para carne a gran escala.
Descripción
Existen algunos problemas con la detección de celo en ovejas en la cría de ovejas para carne a gran escala: principalmente, el método de detección manual es intensivo en mano de obra y el método de detección por sensor de contacto provoca reacciones de estrés en las ovejas. Para resolver los problemas mencionados, proponemos un método basado en una red neuronal de capa de detección multiobjetivo para el reconocimiento del comportamiento de arrastre en celo de las ovejas. El enfoque que proponemos tiene cuatro partes principales. En primer lugar, para abordar el problema de desajuste entre nuestro conjunto de datos de celo de ovejas y el tamaño de la caja de anclaje de YOLO v3, proponemos obtener un nuevo tamaño de caja de anclaje mediante la agrupación del conjunto de datos de celo de ovejas utilizando el algoritmo K-means++. En segundo lugar, para abordar el problema de baja precisión de reconocimiento del modelo causado por la pequeña imagen de ovejas distantes en el conjunto de datos, añadimos una capa de detección de objetivos de 104 x 104, haciendo que el total de capas de detección de objetivos alcance cuatro capas, fortaleciendo la capacidad del modelo para aprender información superficial y mejorando la capacidad del modelo para detectar objetivos pequeños. Luego, añadimos unidades residuales a la estructura residual del modelo, de modo que la información de características profundas del modelo no se pierda fácilmente y se fusione aún más con la información de características superficiales para acelerar el entrenamiento del modelo. Finalmente, mantenemos la relación de aspecto de las imágenes en el módulo de carga de datos del modelo para reducir la distorsión de la información de la imagen y aumentar la precisión del modelo. Los resultados experimentales muestran que nuestro modelo propuesto tiene una precisión de reconocimiento del 98.56%, mientras que la recuperación fue del 98.04%, el valor F1 fue del 98%, el mAP fue del 99.78%, el FPS fue de 41 f/s y el tamaño del modelo fue de 276 M, lo que puede cumplir con el reconocimiento preciso y en tiempo real del comportamiento de celo de las ovejas en la cría de ovejas para carne a gran escala.