ニューカッスル大学はコンピューター ビジョンとディープ ラーニングを活用して、リアルタイムの自動牛の跛行検出システムを開発
口蹄疫などの病気による乳牛の跛行は畜産業にとって世界的な問題となっている。関連する一般的な科学は、これが乳生産量と乳牛の生殖効率の低下につながるだけでなく、乳牛の早期排除につながることを示しています。国家動物衛生監視局乳業報告書のデータによると、TP3T 乳牛 161 頭が跛行のため殺処分されています。
跛行は酪農産業が直面する主要な危機の 1 つとなっており、大規模酪農における跛行を解決するには早期監視と早期予防が有効な手段となっています。これまで乳業界では手動による識別方法が一般的でしたが、この方法には効率が低く、コストが高く、主観性が強いなどの欠点がありました。乳業界では、乳牛の跛行を自動検出する技術に対する需要が高まっています。
最近、ニューカッスル大学のショーン・バーニー氏とサトナム・ドレー氏、およびフェラ・サイエンス社のアンドリュー・クロウ氏は、農場内で使用できる複数の牛用の完全に自動化されたリアルタイムの跛行検出システムを共同開発しました。このシステムは、コンピュータービジョンとディープラーニングを使用して、カメラの視野内の各牛の姿勢と歩行を最大94%-100%の検出精度で分析します。研究結果は現在『Nature』誌に掲載されている。
結果はNature誌に掲載されました
論文リンク:
https://www.nature.com/articles/s41598-023-31297-1#Sec7
実験データセット
この実験では、研究者らはまず英国の農場で 250 頭の牛の動きをビデオ録画し、25 個のビデオを取得し、次に各ビデオを 3,600 個のコンポーネント フレームに分解しました。次に、研究者らは 1 秒あたり 1 フレームを抽出し、それに注釈を付けました。ネットワークの汎化能力をさらに向上させるために、Google から 500 枚の牛関連の写真をダウンロードし、各牛に 15 の重要なポイントをマークしました。これらの画像検索データと独自のアノテーション データを組み合わせることで、約 40,000 件のアノテーション情報を含むデータベースが得られました。
実際のデータを使用してアルゴリズムのパフォーマンスを評価するには、3 人の AHDB 認定観察者が、AHDB Cow Mobility Scoring System を使用して 25 個のビデオを同時に採点しました。このシステムでは、0（まったく不自由ではない）、1（わずかに移動が困難）、2（不自由）、3（重度の不自由）の 4 つの評価レベルがあり、下の図はこれら 3 人の観察者による評価の分布を示しています。
図からわかるように、25.2%の牛が跛行スコア0(オレンジ)、43.2%の牛が跛行スコア1(緑)、25.6%の牛が跛行スコア2(赤)、そして6.01頭のTP3T牛は跛行スコアが1(緑)でした。跛行スコアは 3 (灰色)。
テストのプロセスと結果
この研究では、カメラとディープ畳み込みニューラル ネットワーク (Mask-RCNN アルゴリズム、SORT アルゴリズム、CatBoost アルゴリズム) を使用して、複数の牛の姿勢を検出します。研究者らはビデオ内で牛の背中と頭の重要なポイントを追跡し、跛行の程度を検出するための分析のために関連する特徴指標を抽出した。
姿勢解析アルゴリズム
研究者がMask-RNN（エンティティセグメンテーションアルゴリズム）の一部を独学した後、姿勢分析アルゴリズムは、各牛の姿勢を推定するために構築されました。このアルゴリズムでは、Google データセットからの 500 枚の画像と、250 頭の牛のうち 189 頭の牛の画像をトレーニングに使用し、残りの 61 頭の牛の画像は最終結果の検証に使用されました。
同時に、このアルゴリズムは、15 のキー ポイントを高精度で特定し、姿勢分析のために各ポイントの特定の座標を出力します。背中には5つのツボ、頭には2つのツボがあります。
追跡アルゴリズム
ビデオをコンポーネント フレームに分解し、各画像のキー ポイントに注釈を付け、姿勢分析にマスク RNN を適用するまでの上記の手順はすべて 1 枚の静止画像に基づいているため、実験では時間の経過に伴う牛の動きも必要になります。 . プロセスが分析されます。この点について、研究者らは、経時的な牛の姿勢を検出し、背中の回帰曲線、背中の面積、首の回帰曲線の度合い、首の角度などの指標情報を取得できる SORT アルゴリズム (リアルタイム追跡アルゴリズム) を使用しました。
上の画像は、最初のフレームの 3 頭の牛を示し、それぞれが異なる色でマークされています。中央の画像は、1 秒後の牛の動きを示しています。追跡アルゴリズムは、マークされているすべての牛を検出し、対応する色でマークすることに成功しました。同様に、下の画像は、さらに 1 秒後の牛の動きを示しています。
分類アルゴリズム
姿勢深層学習モデルが出力する姿勢解析結果を取得した後、研究者らは、CatBoost アルゴリズムを使用して牛の跛行をスコア化し、分類しました。ここで、最大限の一般化を確実にするには、最も重要なポーズ特徴の結果のみを最終的なトレーニング済みモデルで使用する必要があることに注意してください。したがって、研究者らは一連の変数順列分析を実施し、最終的に 4 つの重要でない指標情報を削除することでエラーを削減でき、モデルのパフォーマンスに重大な影響を与えないと結論付けました。
最後に、CatBoost アルゴリズムの使用の精度をテストするために、研究者らは、3 分割交差検証および分類検証手法を使用してモデルのパフォーマンスを検証しました。その中で、トリプル相互検証の結果は、アルゴリズム モデルが各牛を跛行の程度に応じて異なる跛行スコア レベルに注意深く分類できることを示しています。平均精度は94%±0.05です。
要約すると、研究者らは、乳牛の跛行を検出する既存のシステムと比較して、この研究の結果には、次のような重要な利点があります。
* 複数の牛を同時に検出できます。
※一般的に使用されているAHDBスコアリングシステムによる牛の移動姿勢に応じた詳細な分類。
* 時間次元で各個人を追跡および分析できます。
※完全に自動化されているため、搾乳や給餌などの生産には影響がありません。
やっと、研究者らはまた、いくつかの課題を提起しました。
- 跛行スコア 0 と 1 を区別するシステムの精度は、他のグレードに比べてはるかに低いです。研究チームは今後、小さな特徴の違いを検出する能力の向上に取り組む予定です。跛行のない牛と、運動能力がわずかに低下した牛を正確に区別するため。
- このシステムでは、リアルタイム観察を実現するために、結果をサーバーに送信して処理するためにエッジ デバイス (カメラ、モバイル デバイス、タブレットなど) を使用する必要があります。ネットワークの変更によるパフォーマンスの変動を軽減する方法、この研究の今後の研究の焦点となるでしょう。
- このシステムは外部環境条件の影響を受けやすいため、たとえば床の色が牛の蹄の色に似ている場合、Mask-RCNN アルゴリズムの認識精度が低下します。この研究では、より一般的な能力トレーニングを追加することも今後の研究の焦点となっています。
牛！ AI が畜産業のデジタル化を推進
現在のところ、AI が畜産業に影響を与えていることは、議論の余地のない事実となっています。海外に焦点を当てると、今回紹介した科学的研究成果に加え、畜産業の規模の高さとデジタル基盤の充実により、AI導入の成果は「何百もの学派によって集められている」。たとえば、オランダの農業テクノロジー企業である Connecterra は、牛の首に装着するウェアラブル デバイスを使用し、ソフトウェアとハードウェアを使用して牛の健康状態をリアルタイムで監視する「Intelligent Dairy Farmer's Assistant」（IDA）システムを開発しました。アメリカの牧場主によると、IDA を適用すると、10% の生産性が向上しました。
目を国に戻して、一方で、近年AIが畜産に活用される例も数多くあります。数年前、アリババはスマート養豚事業を開始し、ファーウェイもチャイナ・テレコムおよび銀川青特と提携して、NB-IoTをベースにした「Cow Internet」製品「Little Shepherd Boy」を発売した。しかしその一方で、家畜産業における AI 応用の範囲はまだそれほど広くないことにも注意する必要があります。この点に関して、Shenmu Technology の CEO はかつて率直にこう言いました。「現在、中国の多くの農民が人工知能について語るとき、彼らの人工知能に対する理解は依然として最も伝統的な顔認識と音声認識に基づいています。」
したがって、この文脈において、畜産のデジタル化を促進する上で AI はどのようにしてより積極的な役割を果たすことができるのでしょうか?AIや畜産業の分野における重要な研究テーマの1つとなることは間違いない。もちろん、国内の関連分野にとって、この道はさらに険しく、道のりは長い。