Kira-kira 20,000-30,000 ekor ayam dibela di rumah ayam pedaging komersial di Amerika Syarikat pada hari ini, dan ini telah menyebabkan kebimbangan awam yang semakin meningkat mengenai kebajikan haiwan.
Penilaian harian terhadap kesejahteraan dan pertumbuhan ayam pedaging, yang memerlukan tenaga kerja intensif dan terdedah kepada kesilapan manusia, dilakukan secara manual. Oleh itu, terdapat keperluan untuk alat automatik yang dapat mengesan dan menganalisis tingkah laku ayam serta meramalkan status kebajikan mereka.
Teknologi pembelajaran mendalam (deep learning) mempunyai keupayaan perwakilan ciri yang kuat, kelajuan pemprosesan yang pantas, dan dapat menyelesaikan masalah yang berkaitan dengan gangguan luaran.
Maka, algoritma pembelajaran mendalam adalah model yang sesuai untuk membangunkan alat automatik, cekap, dan pintar bagi penternakan haiwan tepat (precision animal farming).
Walau bagaimanapun, saiz ayam dan jumlah yang besar yang dibela dalam satu rumah menimbulkan cabaran dalam mengaplikasikan teknik pembelajaran mendalam untuk memantau setiap individu ayam.
Dalam kajian ini, kami mengintegrasikan modul perhatian blok konvolusi (Convolutional Block Attention Module, CBAM) ke dalam YOLOv5 untuk meningkatkan keupayaan algoritma dalam mengekstrak ciri-ciri imej.
KAEDAH
Kajian ini dijalankan di sebuah rumah ayam pedaging eksperimen di Pusat Penyelidikan Ayam Universiti Georgia, Athens, Amerika Syarikat.
Kamera definisi tinggi (PRO-1080MSFB, Swann Communications, Santa Fe Springs, CA) dipasang pada siling (2.5 meter di atas lantai) untuk merakam video (15 bingkai/saat, 1440 piksel × 1080 piksel).
Dua jenis alas lantai yang berbeza (habuk papan pain baru dan alas lantai yang telah digunakan sebelumnya untuk membela tiga kumpulan ayam pedaging) dipilih sebagai situasi aplikasi untuk pengesanan ayam pedaging.
Bagi kedua-dua situasi alas lantai, 70 imej dipilih daripada hari ke-2, hari ke-9, hari ke-16, dan hari ke-23, masing-masing, menjadikan jumlah 560 imej.
.Rajah 1. Contoh imej ayam pedaging dari situasi berbeza. b. Imej ayam pedaging dari lantai dengan alas lantai yang telah digunakan.
Selain itu, untuk menilai prestasi pengesanan model dalam pelbagai situasi kandang, sampel imej yang ditunjukkan dalam Rajah 1c telah dibina, di mana 70 imej dipilih untuk hari ke-16 dan hari ke-23.
Akhirnya, 700 imej diperoleh dan dibahagikan secara rawak kepada set latihan dan set ujian dalam nisbah 5:2.
Rajah 1 menunjukkan contoh imej ayam pedaging dari situasi berbeza.
PENEMUAN
Lajur pertama ialah hasil pengesanan YOLOv5, lajur kedua ialah imej asal, dan lajur ketiga ialah hasil pengesanan YOLOv5-CBAM. i ialah bilangan sebenar ayam pedaging, dan j ialah bilangan ayam pedaging yang dikesan.
YOLOv5-CBAM mengesan ayam pedaging dengan ketepatan yang lebih tinggi berbanding YOLOv5, dan dalam kes sasaran yang padat atau kecil, ia masih dapat memberikan hasil pengesanan yang lebih baik. Kami menggunakan set data yang terdiri daripada imej ayam pedaging pada peringkat usia berbeza, dibela pada dua jenis alas lantai dan pelbagai kandang, untuk menguji kebolehgunaan dan keberkesanan YOLOv5-CBAM.
Rajah 2. Keputusan pengesanan menggunakan YOLOv5 dan YOLOv5-CBAM pada habuk papan pain baru. (a) Ayam pada hari ke-2. (b) Ayam pada hari ke-9.(c) Ayam pada hari ke-16. (d) Ayam pada hari ke-23.
Bersambung selepas pengiklanan.
Ketepatan (precision), recall, F1, dan [email protected] bagi YOLOv5-CBAM ialah 97.3%, 92.3%, 94.7%, dan 96.5%, yang lebih tinggi berbanding 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%).
Keputusan menunjukkan bahawa prestasi keseluruhan YOLOv5-CBAM yang dicadangkan adalah yang terbaik.
Penambahan modul CBAM pada rangkaian YOLOv5 telah meningkatkan prestasi model pengesanan ayam pedaging.
Ia juga menunjukkan bahawa model YOLOv5-CBAM sesuai untuk mengesan ayam pedaging pada peringkat pertumbuhan yang berbeza, dalam jenis alas lantai yang berbeza, dan dalam pelbagai kandang.\
Selain itu, FPS bagi YOLOv5-CBAM ialah 55 bingkai/saat, yang lebih rendah daripada YOLOv5 (62 bingkai/saat) tetapi lebih tinggi daripada Faster R-CNN (2.6 bingkai/saat) dan SSD (3.1 bingkai/saat).
Rajah 3. Keputusan pengesanan menggunakan YOLOv5 dan YOLOv5-CBAM pada alas lantai yang telah digunakan. (a) Ayam pada hari ke-2.
RINGKASAN
Dalam kajian ini, kami membangunkan model YOLOv5-CBAM-ayam pedaging dan menguji prestasinya untuk mengesan ayam pedaging di atas lantai alas.
Satu set data kompleks yang terdiri daripada imej ayam pedaging pada peringkat usia berbeza, pelbagai kandang, dan situasi (alas lantai baru berbanding alas lantai yang telah digunakan) telah dibina untuk menilai keberkesanan model baru ini.
Keputusan menunjukkan bahawa pendekatan yang dicadangkan mencapai ketepatan (precision) sebanyak 97.3%, yang mengatasi Faster R-CNN, SSD, dan YOLOv5.
Secara keseluruhan, pendekatan pengesanan ayam pedaging berasaskan pembelajaran mendalam yang dicadangkan ini dapat mencapai pengesanan sasaran yang tepat dan pantas secara masa nyata, serta memberikan sokongan teknikal untuk pengurusan dan pemantauan ayam di rumah ayam pedaging komersial.
Bacaan lanjut:Guo, Y., S. E. Aggrey, X. Yang, A. Oladeinde, Y. Qiao, L. Chai. (2023) Detecting broiler chickens on litter floor with the YOLOv5-CBAM deep learning model. Artificial Intelligence in Agriculture, 9: 36-45. https://doi.org/10.1016/j.aiia.2023.08.002.
