Gépi tanulás az állattartásban

Számítógépes látás segítségével megfigyelhető az állatok mozgása is, és akár egyes betegségek is korán kimutathatók.

Szarvasmarhák megszámlálása, megfigyelése

  • Alapmodell: yolo_v5
  • Bemenet: 600×450
  • Kimenet: szarvasmarha pozíciója, felismerési százaléka

Az Object Detection modellt 2055 szarvasmarha képével (COCO Dataset) tanítottuk újra. A tesztadatokon 85%-os pontosságot értünk el.

A modell gyors és viszonylag pontos, így tökéletes megoldást nyújt videofelvételek valós időben való elemzésére. A modell felhasználható az állatok elkülönítésére, megszámlálására.

A fej pozíciója

  • Alapmodell: faster_rcnn_inception_v2 (pets)
  • Bemenet: 600×450
  • Kimenet: szarvasmarha fejének pozíciója, felismerési százaléka

Az object detection modellt kb. 1000 szarvasmarha (fej)képével tanítottuk újra. A tesztadatokon 95%-os pontosságot értünk el, 15661 epoch (tanítási ismétlésszám) után.

A modell nagy pontossággal felismeri és meghatározza a szarvasmarha fejének pozícióját. A fejtartásból (a fej pozíciójából) és függőleges kimozdulásából, kilengéséből következtethetünk az állat egészségi állapotára, illetve így korán kiszűrhető a sántaság.

Lábak pozíciója, járásmegfigyelés

  • Alapmodell: faster_rcnn_inception_v2 (pets)
  • Bemenet: 600×450
  • Kimenet: szarvasmarha lábának pozíciója, felismerési százaléka

Az object detection modellt kb. 700 szarvasmarha (láb)képével tanítottuk újra. A tesztadatokon 90%-os pontosságot értünk el, 8745 epoch (tanítási ismétlésszám) után.

A modell felismeri és meghatározza a szarvasmarha lábainak pozícióját. A szarvasmarha járásának ritmusából, sebességéből és lábainak távolságából következtethetünk az állat egészségi állapotára. Egy egészséges állat az első láb által hagyott nyomba lép a hátsó lábaival, egy sánta marha, ettől eltérően, nem tud a nyomban járni. A marha végtagjainak mozgását gépi látással elemezzük, patáinak pozícióját rögzítjük, majd gépi tanulás segítségével megvizsgáljuk és csoportosítjuk (classification).