HyperAI超神经

La boiterie des vaches laitières due à des maladies telles que la fièvre aphteuse est devenue un problème mondial pour l’industrie de l’élevage. Des études scientifiques populaires montrent que cela entraînerait non seulement une réduction de la production laitière et de l’efficacité reproductive des vaches laitières, mais aussi l’élimination prématurée de ces dernières.Les données du rapport sur l'industrie laitière du Service national de surveillance de la santé animale montrent que 16% des abattages chez les vaches laitières sont causés par la boiterie.

La boiterie est devenue l’une des crises majeures auxquelles est confrontée l’industrie laitière. Par conséquent, la surveillance et la prévention précoces sont devenues des moyens efficaces pour résoudre les boiteries dans les élevages laitiers à grande échelle. Dans le passé, l’industrie laitière utilisait généralement des méthodes d’identification manuelles, mais cette méthode présente des inconvénients tels qu’une faible efficacité, un coût élevé et une forte subjectivité. Dans ce contexte,L’industrie laitière a une demande croissante en matière de technologie de détection automatisée des boiteries chez les vaches laitières.

Récemment, Shaun Barney et Satnam Dlay de l'Université de Newcastle et Andrew Crowe de Fera Science Ltd ont développé conjointement un système de détection de boiterie entièrement automatisé et en temps réel pour plusieurs vaches laitières qui peut être déployé dans toute la ferme.Le système utilise la vision par ordinateur et l'apprentissage en profondeur pour analyser la posture et la démarche de chaque vache dans le champ de vision de la caméra, avec une précision de détection de 94%-100%.Les résultats de la recherche ont été publiés dans Nature.

Les résultats ont été publiés dans Nature.

Lien vers l'article :

https://www.nature.com/articles/s41598-023-31297-1#Sec7

Ensemble de données expérimentales

Dans cette expérience, les chercheurs ont d’abord enregistré les mouvements de 250 vaches dans une ferme au Royaume-Uni, ont obtenu 25 vidéos, puis ont décomposé chaque vidéo en 3 600 images constitutives. Deuxièmement, les chercheurs ont extrait une image par seconde et l’ont annotée. Afin d’améliorer encore la capacité de généralisation du réseau, ils ont téléchargé 500 images liées aux vaches sur Google et ont annoté 15 points clés pour chaque vache.En combinant ces données de recherche d’images avec nos propres données d’annotation, nous avons obtenu une base de données contenant environ 40 000 informations d’annotation.

Chaque vache est étiquetée avec 15 points clés

Afin d'évaluer les performances de l'algorithme à l'aide de données réelles,Trois observateurs certifiés AHDB ont noté simultanément 25 vidéos à l'aide du système de notation de la mobilité des vaches AHDB.Le système comporte quatre niveaux d’évaluation : 0 (aucune boiterie), 1 (mobilité légèrement altérée), 2 (boiterie) et 3 (boiterie grave). La figure ci-dessous montre la répartition des notes attribuées par ces trois observateurs.

Répartition des scores de boiterie de toutes les vaches laitières par trois observateurs

La figure montre que25,2 % des vaches avaient un score de boiterie de 0 (orange), 43,2 % avaient un score de boiterie de 1 (vert), 25,6 % avaient un score de boiterie de 2 (rouge) et 6,01 vaches TP3T avaient un score de boiterie de 3 (gris).

Processus expérimental et résultats

Cette étude a utiliséDes caméras et des réseaux neuronaux convolutifs profonds (algorithme Mask-RCNN, algorithme SORT et algorithme CatBoost) sont utilisés pour détecter les postures de plusieurs vaches.Les chercheurs ont suivi les points clés du dos et de la tête de la vache dans la vidéo et ont extrait des indicateurs de caractéristiques pertinents pour l'analyse afin de détecter le degré de boiterie.

Algorithme d'analyse de posture

Après que les chercheurs ont développé eux-mêmes une partie de Mask-RNN (algorithme de segmentation d'entités),Un algorithme d’analyse de posture a été construit pour estimer la posture de chaque vache.L'algorithme a été formé à l'aide de 500 images de l'ensemble de données Google et d'images de 189 vaches sur 250, tandis que les 61 vaches restantes ont été utilisées pour la vérification finale.

en même temps,L'algorithme localisera 15 points clés avec une grande précision et fournira les coordonnées spécifiques de chaque point pour l'analyse de la posture.Il y a 5 points clés sur le dos et 2 points clés sur la tête.

Algorithme de suivi

Les étapes ci-dessus, de la décomposition de la vidéo en ses images composantes à l'annotation des points clés de chaque image et à l'application de Mask-RNN pour l'analyse de la posture, sont toutes basées sur une seule image fixe. L’expérience doit donc également analyser le mouvement des vaches au fil du temps. À cet égard,Les chercheurs ont utilisé l'algorithme SORT (algorithme de suivi en temps réel), qui peut détecter la posture de la vache au fil du temps et obtenir des indicateurs tels que la courbe de régression du dos, la zone du dos, le degré de courbe de régression du cou et l'angle du cou.

L'image du haut montre les trois vaches du premier cadre, chacune marquée d'une couleur différente. L'image du milieu montre le mouvement des vaches une seconde plus tard, et l'algorithme de suivi a trouvé les vaches marquées et les a marquées avec succès avec les couleurs correspondantes. De même, l’image du bas montre le mouvement des vaches une seconde plus tard.

Algorithmes de classification

Après avoir obtenu les résultats de l'analyse de posture générés par le modèle d'apprentissage profond de posture,Les chercheurs ont utilisé l’algorithme CatBoost pour évaluer et classer la boiterie chez les vaches laitières.Il convient de noter ici que pour garantir une généralisation maximale, seuls les résultats des caractéristiques de pose les plus importantes doivent être utilisés dans le modèle final formé. Les chercheurs ont donc mené une série d’analyses de permutation de variables et ont finalement conclu que la suppression de quatre informations indicatrices sans importance pourrait réduire les erreurs sans affecter de manière significative les performances du modèle.

4 indicateurs supprimés pour atteindre l'erreur la plus faible

Enfin, pour tester la précision de l’utilisation de l’algorithme CatBoost,Les chercheurs ont utilisé des méthodes de validation croisée triple et de validation de classification pour vérifier les performances du modèle.Parmi eux, les résultats de la triple validation croisée ont montré que le modèle d’algorithme peut classer soigneusement chaque vache en différents niveaux de score de boiterie en fonction du degré de boiterie.La précision moyenne est de 94%±0,05.

Visualisation de la perte de validation et de l'écart type lors de la validation croisée triple

En résumé, les chercheurs suggèrent que, par rapport aux systèmes existants de détection de la boiterie chez les vaches laitières,Cette recherche présente les avantages significatifs suivants :

* Capable de tester plusieurs vaches simultanément.

* Les vaches sont classées selon le système de notation AHDB couramment utilisé en fonction de leur mouvement.

* Capacité de suivre et d’analyser chaque individu au fil du temps.

* Entièrement automatisé, aucun impact sur la traite, l'alimentation et les autres productions.

enfin,Les chercheurs ont également soulevé plusieurs défis :

Le système était beaucoup moins précis pour distinguer les scores de boiterie de 0 et 1 que pour distinguer les autres scores.À l’avenir, l’équipe de recherche se concentrera sur l’amélioration de la capacité à détecter de petites différences de caractéristiques.Pour distinguer avec précision les vaches non boiteuses des vaches présentant de légers problèmes de mobilité.
Le système nécessite des appareils périphériques (tels que des caméras, des appareils mobiles ou des tablettes) pour envoyer les résultats au serveur pour traitement, permettant ainsi une observation en temps réel.Comment réduire les fluctuations de performances causées par les changements de réseau ?Cela deviendra le centre des recherches futures.
Le système est facilement affecté par les conditions environnementales externes. Par exemple, lorsque le sol et le sabot de la vache sont de couleur similaire, la précision de reconnaissance de l’algorithme Mask-RCNN sera réduite.L’ajout d’une formation aux capacités plus généralisées deviendra également un objectif de travail futur dans cette recherche.

bœuf! L'IA favorise la numérisation dans le secteur de l'élevage

À l'heure actuelle,C’est un fait indiscutable que le vent de l’IA a soufflé sur l’industrie de l’élevage.En se concentrant sur les pays étrangers, en plus des résultats de recherche scientifique présentés dans cet article, en raison de la grande échelle de l'élevage et de la bonne base numérique,Il existe déjà de nombreuses applications de l’IA.Par exemple, Connecterra, une société néerlandaise de technologie agricole, a développé le système Intelligent Dairy Farmer's Assistant (IDA), qui utilise des appareils portables portés autour du cou des vaches pour surveiller la santé des vaches en temps réel grâce à la coordination des logiciels et du matériel. Selon un éleveur américain,L’application de l’IDA a contribué à améliorer la productivité du 10%.

Revenons à la Chine,D’un côté, il existe de nombreux exemples d’utilisation de l’IA dans l’industrie de l’élevage ces dernières années.Il y a quelques années déjà, Alibaba a lancé son activité d'élevage porcin intelligent, et Huawei s'est également associé à China Telecom et Yinchuan Aotu pour lancer le produit « Little Shepherd » basé sur NB-IoT. Cependant, d’un autre côté, nous devons également constater que la couverture des applications de l’IA dans l’élevage d’animaux domestiques n’est pas encore très large. À cet égard, le PDG de Shenmu Technology a déclaré un jour sans détour :« Lorsque de nombreux agriculteurs nationaux parlent d’intelligence artificielle, leur compréhension de celle-ci se limite encore à la reconnaissance faciale et vocale la plus traditionnelle. »