Un mecanismo integrado de recolección y distribución y un modelo de convolución deformable mejorado por atención para el reconocimiento del comportamiento porcina
Autores: Mao, Rui; Shen, Dongzhen; Wang, Ruiqi; Cui, Yiming; Hu, Yufan; Li, Mei; Wang, Meili
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un mecanismo integrado de recolección y distribución y un modelo de convolución deformable mejorado por atención para el reconocimiento del comportamiento porcina
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Comportamiento
Estado de salud
Redes convolucionales deformables
Extracción de características
Comportamientos anormales
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
El comportamiento de los cerdos está intrínsecamente ligado a su estado de salud, lo que resalta la importancia crítica de reconocer con precisión el comportamiento de los cerdos, particularmente el comportamiento anormal, para un monitoreo y gestión de salud efectivos. Este estudio aborda el desafío de acomodar deformaciones no rígidas frecuentes en el comportamiento de los cerdos utilizando redes convolucionales deformables (DCN) para extraer características más completas al incorporar desplazamientos durante el entrenamiento. Para superar las limitaciones inherentes a los cálculos de pesos de desplazamiento de DCN tradicionales, el estudio introduce el mecanismo de atención de coordenadas de múltiples caminos (MPCA) para mejorar la optimización del cálculo de pesos de desplazamiento de DCN dentro del módulo diseñado DCN-MPCA, que se integra además en el módulo de características cruzadas a escala (C2f) de la red base. Este módulo C2f-DM optimizado mejora significativamente las capacidades de extracción de características. Además, se emplea un mecanismo de reunir y distribuir (GD) en el cuello para mejorar la fusión de características de capas no adyacentes en la red YOLOv8. En consecuencia, el novedoso modelo DM-GD-YOLO propuesto en este estudio se evalúa en un conjunto de datos autoconstruido que comprende 11,999 imágenes obtenidas de una plataforma de monitoreo en línea centrada en cerdos de entre 70 y 150 días. Los resultados muestran que DM-GD-YOLO puede reconocer simultáneamente cuatro comportamientos comunes y tres comportamientos anormales, logrando una precisión del 88.2%, una recuperación del 92.2% y una precisión media promedio (mAP) del 95.3% con 6.0MB de parámetros y 10.0G FLOPs. En general, el modelo supera a modelos populares como Faster R-CNN, EfficientDet, YOLOv7 y YOLOv8 en el monitoreo de corrales con aproximadamente 30 cerdos, proporcionando apoyo técnico para la gestión inteligente y la cría centrada en el bienestar de los cerdos, al tiempo que avanza en la transformación y modernización de la industria porcina.
Descripción
El comportamiento de los cerdos está intrínsecamente ligado a su estado de salud, lo que resalta la importancia crítica de reconocer con precisión el comportamiento de los cerdos, particularmente el comportamiento anormal, para un monitoreo y gestión de salud efectivos. Este estudio aborda el desafío de acomodar deformaciones no rígidas frecuentes en el comportamiento de los cerdos utilizando redes convolucionales deformables (DCN) para extraer características más completas al incorporar desplazamientos durante el entrenamiento. Para superar las limitaciones inherentes a los cálculos de pesos de desplazamiento de DCN tradicionales, el estudio introduce el mecanismo de atención de coordenadas de múltiples caminos (MPCA) para mejorar la optimización del cálculo de pesos de desplazamiento de DCN dentro del módulo diseñado DCN-MPCA, que se integra además en el módulo de características cruzadas a escala (C2f) de la red base. Este módulo C2f-DM optimizado mejora significativamente las capacidades de extracción de características. Además, se emplea un mecanismo de reunir y distribuir (GD) en el cuello para mejorar la fusión de características de capas no adyacentes en la red YOLOv8. En consecuencia, el novedoso modelo DM-GD-YOLO propuesto en este estudio se evalúa en un conjunto de datos autoconstruido que comprende 11,999 imágenes obtenidas de una plataforma de monitoreo en línea centrada en cerdos de entre 70 y 150 días. Los resultados muestran que DM-GD-YOLO puede reconocer simultáneamente cuatro comportamientos comunes y tres comportamientos anormales, logrando una precisión del 88.2%, una recuperación del 92.2% y una precisión media promedio (mAP) del 95.3% con 6.0MB de parámetros y 10.0G FLOPs. En general, el modelo supera a modelos populares como Faster R-CNN, EfficientDet, YOLOv7 y YOLOv8 en el monitoreo de corrales con aproximadamente 30 cerdos, proporcionando apoyo técnico para la gestión inteligente y la cría centrada en el bienestar de los cerdos, al tiempo que avanza en la transformación y modernización de la industria porcina.