Monitoreo del Comportamiento de Rumiar en Ganado Basado en un Modelo Mejorado de Detección de Puntos Clave
Autores: Li, Jinxing; Liu, Yanhong; Zheng, Wenxin; Chen, Xinwen; Ma, Yabin; Guo, Leifeng
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Monitoreo del Comportamiento de Rumiar en Ganado Basado en un Modelo Mejorado de Detección de Puntos Clave
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Ganado
Comportamiento de rumiado
Detección de puntos clave
Conteos de masticación
Duración del rumiado
Gestión de precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
El comportamiento de rumiado del ganado está fuertemente correlacionado con su salud. Los métodos actuales a menudo dependen de la observación manual o dispositivos portátiles para monitorear el comportamiento de rumiado. Sin embargo, el monitoreo manual del rumiado del ganado es intensivo en mano de obra, y los dispositivos portátiles a menudo dañan a los animales. Por lo tanto, este estudio propone un método sin contacto para monitorear el comportamiento de rumiado del ganado, utilizando un algoritmo mejorado de detección de puntos clave YOLOv8-pose combinado con la detección de picos de umbral de múltiples condiciones para identificar automáticamente los conteos de masticación. Primero, rastreamos y registramos el comportamiento de rumiado del ganado para construir un conjunto de datos. A continuación, utilizamos el modelo mejorado para capturar información de puntos clave sobre el ganado. Al construir la curva de movimiento de rumiado a partir de la información de puntos clave y aplicar la detección de picos de umbral de múltiples condiciones, contamos las instancias de masticación. Finalmente, diseñamos un marco integral de detección de rumiado del ganado para rastrear varios indicadores de rumiado, incluidos los conteos de masticación, la duración del rumiado y la frecuencia de masticación. En la detección de puntos clave, nuestro YOLOv8-pose modificado logró un 96% de mAP, una mejora del 2.8%, con precisión y recuperación aumentando en un 4.5% y un 4.2%, lo que permite una captura más precisa de la información de puntos clave. Para el análisis de rumiado, probamos diez clips de video y comparamos los resultados con datos reales. Los resultados experimentales mostraron un error promedio en el conteo de masticación del 5.6% y un error estándar del 2.23%, verificando la viabilidad y efectividad de utilizar la tecnología de detección de puntos clave para analizar el comportamiento de rumiado del ganado. Estos indicadores fisiológicos del comportamiento de rumiado permiten una detección más rápida de anormalidades en las actividades de rumiado del ganado, ayudando a los gerentes a tomar decisiones informadas. En última instancia, el método propuesto no solo monitorea con precisión el comportamiento de rumiado del ganado, sino que también proporciona apoyo técnico para la gestión de precisión en la ganadería, promoviendo el desarrollo de la agricultura moderna de ganado.
Descripción
El comportamiento de rumiado del ganado está fuertemente correlacionado con su salud. Los métodos actuales a menudo dependen de la observación manual o dispositivos portátiles para monitorear el comportamiento de rumiado. Sin embargo, el monitoreo manual del rumiado del ganado es intensivo en mano de obra, y los dispositivos portátiles a menudo dañan a los animales. Por lo tanto, este estudio propone un método sin contacto para monitorear el comportamiento de rumiado del ganado, utilizando un algoritmo mejorado de detección de puntos clave YOLOv8-pose combinado con la detección de picos de umbral de múltiples condiciones para identificar automáticamente los conteos de masticación. Primero, rastreamos y registramos el comportamiento de rumiado del ganado para construir un conjunto de datos. A continuación, utilizamos el modelo mejorado para capturar información de puntos clave sobre el ganado. Al construir la curva de movimiento de rumiado a partir de la información de puntos clave y aplicar la detección de picos de umbral de múltiples condiciones, contamos las instancias de masticación. Finalmente, diseñamos un marco integral de detección de rumiado del ganado para rastrear varios indicadores de rumiado, incluidos los conteos de masticación, la duración del rumiado y la frecuencia de masticación. En la detección de puntos clave, nuestro YOLOv8-pose modificado logró un 96% de mAP, una mejora del 2.8%, con precisión y recuperación aumentando en un 4.5% y un 4.2%, lo que permite una captura más precisa de la información de puntos clave. Para el análisis de rumiado, probamos diez clips de video y comparamos los resultados con datos reales. Los resultados experimentales mostraron un error promedio en el conteo de masticación del 5.6% y un error estándar del 2.23%, verificando la viabilidad y efectividad de utilizar la tecnología de detección de puntos clave para analizar el comportamiento de rumiado del ganado. Estos indicadores fisiológicos del comportamiento de rumiado permiten una detección más rápida de anormalidades en las actividades de rumiado del ganado, ayudando a los gerentes a tomar decisiones informadas. En última instancia, el método propuesto no solo monitorea con precisión el comportamiento de rumiado del ganado, sino que también proporciona apoyo técnico para la gestión de precisión en la ganadería, promoviendo el desarrollo de la agricultura moderna de ganado.