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 me...
