Método mejorado basado en YOLO-Goose para la identificación individual de gansos cabeza de león y el emparejamiento de huevos: métodos y estudio experimental
Autores: Zhang, Hengyuan; Wu, Zhenlong; Zhang, Tiemin; Lu, Canhuan; Zhang, Zhaohui; Ye, Jianzhou; Yang, Jikang; Yang, Degui; Fang, Cheng
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Método mejorado basado en YOLO-Goose para la identificación individual de gansos cabeza de león y el emparejamiento de huevos: métodos y estudio experimental
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Aves acuáticas
Rendimiento de puesta de huevos
Cría de precisión
YOLO-Goose
Anillos de cuello
Selección individual
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 47
Citaciones: Sin citaciones
Como característica crucial de cría de aves acuáticas, el rendimiento de puesta de huevos de los gansos de cabeza de león sirve como indicador principal para la cría de precisión. Bajo prácticas de cría y selección a gran escala, la similitud fenotípica alta entre individuos dentro de la misma genealogía, junto con la observación manual tradicional y los sistemas de automatización existentes que dependen de cajas de anidación fijas o etiquetas RFID, han planteado desafíos para lograr un emparejamiento preciso de huevos de ganso en entornos dinámicos, lo que lleva a una selección individual ineficiente. Para abordar esto, este estudio propone YOLO-Goose, un método mejorado basado en YOLOv8s, que diseña cinco anillos de cuello de alto contraste (DoubleBar, Circle, Dot, Fence, Cylindrical) como identificadores individuales. El método construye un modelo ligero con una capa de detección de objetos pequeños, integra el respaldo GhostNet para reducir el recuento de parámetros en un 67.2% y emplea la función de pérdida GIoU para optimizar la precisión de localización del anillo de cuello. Los resultados experimentales muestran que el modelo logra un de 93.8% y de 96.4% en el conjunto de datos autogenerado, lo que representa aumentos del 10.1% y 5% en comparación con el YOLOv8s original, con una reducción del 27.1% en la carga computacional. El algoritmo de emparejamiento dinámico, que incorpora trayectorias espacio temporales y datos de posición de huevos, logra una tasa de emparejamiento del 95%, una precisión de emparejamiento del 94.7% y una tasa de desajuste del 5.3%. A través de una implementación ligera utilizando TensorRT, la velocidad de inferencia se mejora en 1.4 veces en comparación con PyTorch-1.12.1, con resultados de detección cargados en una base de datos en la nube en tiempo real. Esta solución supera el cuello de botella técnico de la selección individual en entornos de cría plana, proporcionando un enfoque innovador basado en visión por computadora para la cría de precisión de gansos de cabeza de león de genealogía y ofreciendo un valor de ingeniería significativo para avanzar en la cría inteligente de aves acuáticas.
Descripción
Como característica crucial de cría de aves acuáticas, el rendimiento de puesta de huevos de los gansos de cabeza de león sirve como indicador principal para la cría de precisión. Bajo prácticas de cría y selección a gran escala, la similitud fenotípica alta entre individuos dentro de la misma genealogía, junto con la observación manual tradicional y los sistemas de automatización existentes que dependen de cajas de anidación fijas o etiquetas RFID, han planteado desafíos para lograr un emparejamiento preciso de huevos de ganso en entornos dinámicos, lo que lleva a una selección individual ineficiente. Para abordar esto, este estudio propone YOLO-Goose, un método mejorado basado en YOLOv8s, que diseña cinco anillos de cuello de alto contraste (DoubleBar, Circle, Dot, Fence, Cylindrical) como identificadores individuales. El método construye un modelo ligero con una capa de detección de objetos pequeños, integra el respaldo GhostNet para reducir el recuento de parámetros en un 67.2% y emplea la función de pérdida GIoU para optimizar la precisión de localización del anillo de cuello. Los resultados experimentales muestran que el modelo logra un de 93.8% y de 96.4% en el conjunto de datos autogenerado, lo que representa aumentos del 10.1% y 5% en comparación con el YOLOv8s original, con una reducción del 27.1% en la carga computacional. El algoritmo de emparejamiento dinámico, que incorpora trayectorias espacio temporales y datos de posición de huevos, logra una tasa de emparejamiento del 95%, una precisión de emparejamiento del 94.7% y una tasa de desajuste del 5.3%. A través de una implementación ligera utilizando TensorRT, la velocidad de inferencia se mejora en 1.4 veces en comparación con PyTorch-1.12.1, con resultados de detección cargados en una base de datos en la nube en tiempo real. Esta solución supera el cuello de botella técnico de la selección individual en entornos de cría plana, proporcionando un enfoque innovador basado en visión por computadora para la cría de precisión de gansos de cabeza de león de genealogía y ofreciendo un valor de ingeniería significativo para avanzar en la cría inteligente de aves acuáticas.