کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6539561 1421100 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Automatic lameness detection in dairy cattle based on leg swing analysis with an image processing technique
ترجمه فارسی عنوان
تشخیص لمینی خودکار در گاوهای شیری بر اساس تجزیه و تحلیل نوسان پا با تکنیک پردازش تصویر
کلمات کلیدی
تشخیص لنز نمره حرکت تجزیه و تحلیل نوسان پا، دیدگاه کامپیوتر،
ترجمه چکیده
لاغر شدن یک مشکل مکرر و جدی برای بهره وری حیوانات و رفاه حیوانات در صنعت لبنیات است. به عنوان مهمترین مشخصه لنگی، از ویژگی های راه رفتن برای برآورد لنگش توسط کارشناسان انسان استفاده شده است. هدف از این مطالعه، تحلیل نوسان پائین با استفاده از تکنیک های بینایی کامپیوتری و ایجاد یک سیستم اتوماتیک و پیوسته برای به ثمر رساندن جابجایی گاوها برای تشخیص و پیش بینی شیب با دقت بالا و قابلیت عملکرد است. تمرکز بر روی اندازه گیری الگوی جنبش گاو ها و نشان دادن امکان طبقه بندی لنگی با استفاده از ویژگی های استخراج شده از تحلیل جنبش بود. ویدیوهای سمت چپ پس از گاو شیردهی ثبت شد. گاوها توسط متخصص در یک مقیاس از 1 (صدا) تا 3 (شدید لنگ) گل داده شد. مجموعه داده شامل 621 ویدیو از 98 گاو بود. منحنی حرکت با استخراج موقعیت حرکت پا با پردازش تصویر طراحی شده و منحنی حرکت برای تولید شش ویژگی اشاره شده به عدم تقارن راه رفتن، سرعت، ردیابی، زمان ایستاده، طول گام و حساسیت لگنی تجزیه و تحلیل شد. یک قطعه جعبه ای از ویژگی های درون 3 کلاس نشان می دهد که مجموعه داده تقریبا خطی و قابل جدا شدن در زیر شش ویژگی است و گاو دارای شاخص های شفافیت متفاوت در مراحل مختلف لنگش است. طبقه بندی تصمیم درخت به مجموعه داده ها اعمال شد و برای بررسی عملکرد الگوریتم از اعتبار سنجی متقاطع 2، 3 و 10 برابر استفاده شد. دقت طبقه بندی به ترتیب 90.18٪ و میانگین حساسیت و ویژگی آن به ترتیب 90.25٪ و 94.74٪ بود. این پژوهش نشان می دهد که امکان طبقه بندی گاو شیری گاو بر اساس شش ویژگی حرکتی استخراج شده توسط تجزیه و تحلیل نوسان پا است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
تشخیص لمینی خودکار در گاوهای شیری بر اساس تجزیه و تحلیل نوسان پا با تکنیک پردازش تصویر
چکیده انگلیسی
Lameness has become a frequent and serious problem for herd productivity and animal welfare in the dairy industry. As the most significant characteristic of lameness, gait characteristics have been used to estimate lameness by human experts. The objective of this study was to analyze leg swing using computer vision techniques and to develop an automatic and continuous system for scoring the locomotion of cows to detect and predict lameness with high accuracy and practicability. The focus was on quantifying the movement pattern of cows and demonstrating the possibility of classifying lameness using the features extracted from movement analysis. Side-view videos were recorded after the cows were milked. Cows were scored by an expert on a scale from 1 (sound) to 3 (severely lame). The data set included 621 videos from 98 cows. The motion curve was plotted by extracting the position of the moving leg by image processing, and the motion curve was analyzed to generate six features referring to the gait asymmetry, speed, tracking up, stance time, stride length, and tenderness. A box-plot of the features within 3 classes showed that the dataset was nearly linear and separable under the six features and that the cows had different lameness indicators in different lameness stages. The Decision Tree classifier was applied to the dataset, and 2-, 3-, and 10-fold cross validation was used to verify the performance of the algorithm. The accuracy of the classification was 90.18%, and the averages of sensitivity and specificity were 90.25% and 94.74%, respectively. This research demonstrates the feasibility of classifying dairy cow lameness based on the six motion features extracted by leg swing analysis.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers and Electronics in Agriculture - Volume 148, May 2018, Pages 226-236
نویسندگان
, , , ,