A könnyű mélytanulás javítja a koca ellési folyamatának felügyeletét

Kínai kutatók egy könnyű, mélytanuláson alapuló megközelítést értékeltek a kocák viselkedésének felügyeletére az ellést megelőző időszakban és az ellés során. A kocák ellése felügyeletet igényel az olyan problémák pontos észleléséhez, mint a disztokia, a malacok megfulladása és a túl alacsony hőmérséklet. Az ellési problémák korai felismerése növeli a kocánként és évente élve született malacok átlagos számát.

A felismerésen alapuló megfelelő intézkedések emellett javítják a malacok egészségét és teljesítményét is. A kézi ellenőrzés időigényes, munkaigényes és nagyon szubjektív. Ezért egyre nagyobb szükség van az automatikus felügyeletre. A könnyű mélytanuláson alapuló számítógépes látástechnológia olyan tartós, nem invazív módszer, amely lehetővé teszi a kocák ellési videóadatainak gyors feldolgozását.

Adatgyűjtés

A csoport 35 perinatális időszakban lévő kocát és malacaikat választotta ki a kísérlethez. Kamerákat szereltek fel az elletőhelyiségekben az elletőboxok fölé, és 24 órán keresztül rögzítették a malacokat. A kutatók a YOLOv5s-6.0 hálózati struktúrát használták a négy kocatesthelyzet, köztük az oldalfekvés, a szegycsonti fekvés, az állás és az ülés, valamint az újszülött malacok észlelésére szolgáló modell felépítéséhez.

Az algoritmust a Jetson Nano sorozatú beágyazott mesterséges intelligencia számítási platformján telepítették. A csapat olyan mutatókat használt, mint a pontosság, a felidézési arány és az észlelési sebesség, hogy értékelje a különböző algoritmusok teljesítményét. Emellett értékelték a modell általánosító képességét és interferencia-ellenességét, négy forgatókönyvben: összetett fény, az első malac születésének időpontja, a hőlámpák különböző színei és a hőlámpa éjszakai bekapcsolása.

Az algoritmusok észlelési teljesítménye

A mélytanulás a gépi tanulás egy részhalmaza. Ez egy három vagy több rétegből álló neurális hálózat, amely megpróbálja szimulálni az emberi agy viselkedését, és lehetővé teszi, hogy nagy mennyiségű adatból „tanuljon”. A valódi érték és a modell által megjósolt érték közötti különbséget a modell veszteségfüggvényeként határozzák meg. Ebben a kísérletben a modellképzés és az adatok javítása csökkentette a modell veszteségfüggvényét, és növelte a pontossági és a visszahívási arányt. Ezáltal javult az algoritmus képessége a kocaállások és az újszülött malacok felismerésére.

A modell elhibázott és téves felismerése

A fényviszonyok változása befolyásolta a kocatesttartás kihagyott és téves észlelését. A hőlámpa megnehezítette a modell számára a malacok felismerését, valamint eltérőek voltak az első malac születésének időpontja és a hőlámpa különböző színei.

A modell bevetése

A modellt 93,5%-os pontossággal és 92,2%-os visszahívási aránnyal sikeresen telepítették a beágyazott fejlesztői kártyán. Pontosan észlelte a koca testtartását és az újszülött malacokat. Bár a modell az optimalizálás után kisebb pontosságveszteséget mutatott, az észlelési sebessége 8-nál nagyobb mértékben nőtt. Ezért ez a modell különböző termelési forgatókönyveknél alkalmazható.

Ellési viselkedésmintázat

A kocák az ellést megelőző 48-24 órában normális tevékenységet folytattak. Az ellés előtti 24 órától 1 óráig a testtartásváltás gyakorisága nőtt, majd csökkent. Az ellést követő 1 és 24 óra között a testhelyzetváltás gyakorisága megközelítette a 0 értéket, majd enyhén emelkedett.

Korai figyelmeztető stratégiák

Korai figyelmeztetést küldtek, amikor a kocák testhelyzetváltási gyakorisága meghaladta az óránkénti 17,5-szeres felső küszöbértéket, és amikor az óránkénti 10-szeres alsó küszöbérték alá csökkent. A korai figyelmeztetéseket 5 órával az ellés kezdete előtt lehetett elküldeni, a korai figyelmeztetés időpontja és az ellés tényleges időpontja között átlagosan 1,02 óra volt a hiba.

A beágyazott fejlesztői kártyán lévő modell segítségével az egyes képek észlelési ideje 67,2-80,3 milliszekundum volt. Ha azonban az észlelési sebesség túl nagy volt, a malacok hajlamosak voltak tévesen észlelni, és a riasztások a szükségesnél korábban generálódtak.

A szerzők arra a következtetésre jutottak, hogy a mélytanulás alacsony késleltetéssel, nagy hatékonysággal és egyszerű megvalósítással rendelkező, alacsony költségű megközelítés, amely felgyorsítja az intelligens sertéstenyésztésre való áttérést.

(Forrás: pigprogress.net)