Mendeteksi broiler pada berbagai usia dengan model deep learning yang canggih

Konten ini tersedia dalam: English Melayu (Malay) ไทย (Thai) Tiếng Việt (Vietnamese) Philipino

INTRODUKSI

Sekitar 20.000-30.000 ekor unggas dipelihara di kandang broiler komersial di AS saat ini, dan hal ini telah menyebabkan meningkatnya kekhawatiran publik tentang kesejahteraan hewan.

Evaluasi harian kesejahteraan dan pertumbuhan broiler, yang padat karya dan rentan terhadap kesalahan manusia, dilakukan secara manual. Oleh karena itu, diperlukan alat otomatis untuk mendeteksi dan menganalisis perilaku ayam dan memprediksi status kesejahteraannya.

Teknologi deep learning memiliki kemampuan representasi fitur yang kuat, kecepatan pemrosesan yang cepat, dan dapat mengatasi masalah yang terkait dengan gangguan eksternal.

Dengan demikian, algoritme deep learning merupakan model yang tepat untuk mengembangkan alat yang otomatis, efisien, dan cerdas untuk peternakan yang presisi.

Namun, ukuran ayam dan jumlah yang sangat banyak yang dipelihara dalam satu kandang menimbulkan tantangan dalam menerapkan teknik deep learning untuk memantau ayam secara individual.

Dalam studi saat ini, kami mengintegrasikan convulitional block attention module (CBAM) ke dalam YOLOv5 untuk meningkatkan kemampuan algoritme dalam mengekstraksi fitur gambar.

METODE

Penelitian ini dilakukan di kandang broiler eksperimental di Pusat Penelitian Unggas Universitas Georgia, Athena, AS.

Kamera definisi tinggi (PRO-1080MSFB, Swann Communications, Santa Fe Springs, CA) dipasang di langit-langit (2,5 m di atas lantai) untuk merekam video (15 bingkai/detik, 1440 piksel × 1080 piksel).

Dua jenis litter yang berbeda (serutan pinus segar dan litter bekas pakai yang sebelumnya digunakan untuk memelihara tiga flok broiler) dipilih sebagai tempat penerapan untuk mendeteksi broiler. Untuk dua tempat litter tersebut, 70 gambar dipilih dari d2, d9, d16, dan d23, masing-masing, untuk 560 gambar.

Gambar 1. Contoh gambar broiler dari berbagai pemandangan. a. Gambar broiler dari lantai serutan kayu pinus segar. b. Gambar broiler dari lantai litter yang digunakan kembali. c. Gambar broiler dari berbagai lantai kandang.

Selain itu, untuk mengevaluasi kinerja deteksi model di bawah beberapa pen, sampel gambar yang ditunjukkan pada Gambar 1c dibuat, di mana 70 gambar dipilih untuk d16 dan d23.

• Akhirnya, 700 gambar diperoleh dan dibagi secara acak menjadi set pelatihan dan pengujian dengan rasio 5:2.

Gambar 1 menunjukkan contoh gambar broiler dari berbagai pemandangan.

TEMUAN

Gambar 2 dan 3 menunjukkan hasil deteksi broiler dengan YOLOv5 dan YOLOv5-CBAM pada serutan kayu pinus segar dan lantai litter yang digunakan kembali.

• Kolom pertama adalah hasil deteksi YOLOv5, kolom kedua adalah gambar asli, dan kolom ketiga adalah hasil deteksi YOLOv5-CBAM. i adalah jumlah broiler aktual, dan j adalah jumlah broiler yang terdeteksi.

YOLOv5-CBAM mendeteksi broiler dengan presisi lebih tinggi daripada YOLOv5, dan dalam kasus target yang padat atau kecil, YOLOv5 tetap dapat memberikan hasil deteksi yang lebih baik. Kami menggunakan kumpulan data yang terdiri dari gambar broiler dengan usia berbeda, dibesarkan di dua jenis litter dan beberapa kandang untuk menguji penerapan dan efektivitas YOLOv5-CBAM.

Gambar 2. Hasil deteksi menggunakan YOLOv5 dan YOLOv5-CBAM pada serutan kayu pinus segar. (a) Ayam pada hari ke-2. (b) Ayam pada hari ke-9. (c) Ayam pada hari ke-16. (d) Ayam pada hari ke-23.

Presisi, recall, F1, dan [email protected] dari YOLOv5-CBAM masing-masing adalah 97,3%, 92,3%, 94,7%, dan 96,5%, yang lebih tinggi dibandingkan dengan YOLOv5 (96,6%, 92,1%, 94,3%, dan 96,3%), Faster R-CNN (79,7%, 95,4%, 86,8%, dan 90,6%) dan SSD (60,8%, 94,0%, 73,8%, dan 88,5%).

Hasilnya menunjukkan bahwa kinerja keseluruhan YOLOv5-CBAM yang diusulkan adalah yang terbaik.

• Penambahan modul CBAM ke jaringan YOLOv5 meningkatkan kinerja model deteksi broiler.
• Hal ini juga menunjukkan bahwa model YOLOv5-CBAM cocok untuk mendeteksi broiler pada berbagai tahap pertumbuhan, pada berbagai jenis litter, dan di berbagai kandang.
• Selain itu, FPS YOLOv5-CBAM adalah 55 Frame/s, lebih rendah dari YOLOv5 (62 Frame/s) tetapi lebih tinggi dari Faster R-CNN (2,6 Frame/s) dan SSD (3,1 Frame/s).

Gambar 3. Hasil deteksi menggunakan YOLOv5 dan YOLOv5-CBAM pada litter yang digunakan kembali. (a) Ayam pada hari ke-2. (b) Ayam pada hari ke-9. (c) Ayam pada hari ke-16. (d) Ayam pada hari ke-23.

RINGKASAN

Dalam studi ini, kami mengembangkan model YOLOv5-CBAM-broiler dan menguji kinerjanya untuk melacak broiler di lantai litter.

Seperangkat data kompleks berupa gambar broiler pada berbagai usia, beberapa kandang, dan pemandangan (litter segar versus litter yang digunakan kembali) dibuat untuk mengevaluasi efektivitas model baru.

Hasilnya menunjukkan bahwa pendekatan yang diusulkan mencapai presisi 97,3%, yang mengungguli Faster R-CNN, SSD, dan YOLOv5.

Secara keseluruhan, pendekatan deteksi broiler berbasis deep learning yang diusulkan dapat mencapai deteksi target real-time yang akurat dan cepat serta memberikan dukungan teknis untuk mengelola dan memantau unggas di kandang broiler komersial.