Kandungan boleh didapati di:
English Indonesia (Indonesian) ไทย (Thai) Tiếng Việt (Vietnamese) Philipino
PENGENALAN
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...
