کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11029530 1646502 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Automatic recognition of sow nursing behaviour using deep learning-based segmentation and spatial and temporal features
ترجمه فارسی عنوان
شناخت اتوماتیک رفتار پرستاری کاشت با استفاده از تقسیم بندی مبتنی بر یادگیری عمیق و ویژگی های فضایی و زمانی
کلمات کلیدی
سواری، شناخت رفتار پرستار، نظارت خودکار، دیدگاه کامپیوتر، ویژگی های فضایی و زمانی، یادگیری عمیق،
ترجمه چکیده
هدف این مطالعه، ایجاد یک روش مبتنی بر بینش کامپیوتری برای شناخت خودکار تعاملات پرستاری در شرایط مزرعه تجاری با استفاده از اطلاعات مکانی و زمانی در رفتار پرستاری است. برای استخراج اطلاعات مکانی، توزیع فضایی بین مادر و گاوهای نر و ماده در طی پرستاری برای تشخیص قسمتهای پرستاری مورد استفاده قرار گرفت. گاوها به طور دقیق توسط یک شبکه کاملا متقاطع تقسیم شدند و مناطق تلقیح به صورت پویایی به وسیله خصوصیات هندسی گاو پروری و طول خوک اندازه گیری شدند. اطلاعات مکانی از خوک ها در ناحیه پستان خود تطبیقی ​​استخراج شد. برای استخراج اطلاعات زمانی، برای تشخیص رفتارهایی شبیه به پرستاری، اطلاعات حرکت حرکتی در مورد شدت حرکت و شاخص شغلی از جریان نوری ناحیه پستان استخراج شد. شش گاو با 64 خوک، هر کدام در روزهای مختلف پس از زایمان، در فیلم ها اسیر شدند. از این فیلم ها، 507 قسمت فیلم دو سویه به عنوان مجموعه آموزشی انتخاب شدند و 502 قسمت از دو سویه دیگر به عنوان مجموعه آزمون استفاده شد. دقت، حساسیت و خاصیت به ترتیب 96.4٪، 92.0٪ و 98.5٪ به دست آمد. علاوه بر این، روش ما برای تشخیص رفتار پرستاری در چهار ویدیو طولانی از دو گاو باقی مانده استفاده می شود. دقت به دست آمده به 97.6٪ با حساسیت 90.9٪ و با ویژگی خاص 99.2٪ رسید. نتایج نشان می دهد که روش شناختی طراحی شده، یک گام مهمی در جهت به طور خودکار شناسایی رفتار پرستاری در مزرعه های تجاری خوک است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
شناخت اتوماتیک رفتار پرستاری کاشت با استفاده از تقسیم بندی مبتنی بر یادگیری عمیق و ویژگی های فضایی و زمانی
چکیده انگلیسی
The aim is to develop a computer vision-based method for automatic recognition of nursing interactions under commercial farm conditions by using spatial and temporal information of nursing behaviour. For spatial information extraction, the spatial distribution between the mother sow and her piglets during nursing was used to detect the possible nursing episodes. Sows were segmented accurately by a fully convolutional network, and udder zones were calculated dynamically by the geometrical properties of the nursing sow and the piglet length. Spatial information from piglets was extracted in the self-adaptive udder zones. For temporal information extraction, to distinguish behaviours similar to nursing, temporal motion information about the intensity of motion and the occupation index was extracted from optical flow of the udder zones. Six sows with 64 piglets, each on different days postpartum, were captured on videos. From these videos, 507 episodes of videos of two sows were selected as training set and 502 episodes of another two sows were used as test set. The accuracy, sensitivity and specificity achieved 96.4%, 92.0% and 98.5%, respectively. In addition, our method was used to recognise the nursing behaviour in four extended videos of the two remaining sows. The accuracy achieved reached 97.6% with a sensitivity of 90.9% and with a specificity of 99.2%. The results show that the recognition method designed represents a significant step forward in automatically identifying nursing behaviour in commercial pig farms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Biosystems Engineering - Volume 175, November 2018, Pages 133-145
نویسندگان
, , , , , , ,