Tinatayang 20,000–30,000 na manok ang inaalagaan sa mga commercial broiler houses sa US sa kasalukuyan, at ito’y nagdudulot ng lumalaking public concern tungkol sa animal welfare.
Ang araw-araw na pagsusuri sa kalagayan at paglaki ng broiler, na labor-intensive at maaaring magkaroon ng pagkakamali, ay isinasagawa nang manu-mano. Samakatuwid, may pangangailangan para sa isang awtomatikong kagamitan upang tukuyin at suriin ang mga kilos ng manok at matukoy ang kanilang welfare status.
Ang deep learning technology ay may mga malalakas na feature representation capabilities, mabilis na processing speed, at kakayahang maglutas ng mga problemang dala ng external interferences.
Dahil dito, ang mga deep learning algorithms ay angkop na modelo para sa pag-develop ng isang awtomatiko, mahusay, at intelihenteng kagamitan para sa precision animal farming.
Gayunpaman, ang laki ng manok at ang napakaraming bilang na inaalagaan sa isang bahay ay nagdudulot ng mga hamon sa paggamit ng deep learning techniques para sa pagsubaybay sa bawat manok.
Sa kasalukuyang pag-aaral, isinama namin ang Convolutional Block Attention Module (CBAM) sa YOLOv5 upang mas mapahusay ang kakayahan ng algorithm sa pagkuha ng mga image features.
MGA PAMAMARAAN
Isinagawa ang pag-aaral na ito sa isang experimental broiler house sa Poultry Research Center ng University of Georgia, Athens, USA.
Naglagay ng mga high definition cameras (PRO-1080MSFB, Swann Communications, Santa Fe Springs, CA) sa kisame (2.5 metro mula sa sahig) upang kumuha ng video (15 frame/s, 1440 pixels × 1080 pixels).
Dalawang uri ng litter (sariwang pine shavings at dati nang ginamit na litter para sa tatlong flocks ng broilers) ang pinili bilang mga application scenes para sa pagtukoy ng broiler. Para sa dalawang uri ng litter, 70 larawan ang pinili mula sa d2, d9, d16, at d23, na may kabuuang 560 larawan.
Figure 1. Examples of broiler images from different scenes. a. Broiler images from reused litter floor .b. Broiler images from fresh pine shavings floor.c. Broiler images from multiple pens floor.
Dagdag pa rito, upang suriin ang kakayahan ng modelo sa pagtukoy sa iba’t ibang pen scenarios, binuo ang mga image samples na ipinapakita sa Fig. 1c, kung saan 70 larawan ang pinili para sa d16 at d23.
Sa huli, nakakuha ng 700 larawan na random na hinati sa training at testing sets na may ratio na 5:2.
Ipinapakita sa Figure 1 ang mga halimbawa ng mga larawan ng broiler mula sa iba’t ibang scenes.
MGA NATUTUNAN
Ang unang column ay ang mga resulta ng pagtuklas ng YOLOv5, ang ikalawang column ay ang mga orihinal na larawan, at ang ikatlong column ay ang mga resulta ng pagtukoy ng YOLOv5-CBAM. Ang “i” ay ang aktwal na bilang ng mga broiler, at ang “j” ay ang bilang ng mga natukoy na broiler.
Mas tumpak ang pagtukoy ng YOLOv5-CBAM sa mga broiler kumpara sa YOLOv5, at sa mga at sa kaso ng siksikan o maliliit na target, mas tama pa rin ang pagtukoy nito. Gumamit kami ng mga dataset na binubuo ng mga larawan ng broiler sa iba’t ibang edad, pinalaki sa dalawang uri ng litter, at sa maraming pens upang subukan ang kakayahan at bisa ng YOLOv5-CBAM.
Fig. 2. Detection results using YOLOv5 and YOLOv5-CBAM in fresh pine shavings. (a) Birds at day 2. (b) Birds at day 9. (c) Birds at day 16. (d) Birds at day 23.
Magpapatuloy pagkatapos ng patalastas.
Ang katumpakan, recall, F1, at [email protected] ng YOLOv5-CBAM ay 97.3%, 92.3%, 94.7%, at 96.5%, na mas mataas kaysa sa YOLOv5 (96.6%, 92.1%, 94.3% at 96.3%), Faster R-CNN (79.7%, 95.4%, 86.8% at 90.6%) at SSD (60.8%, 94.0%, 73.8% at 88.5%).
Ipinapakita ng mga resulta na pinakamahusay ang overall performance ng iminungkahing YOLOv5-CBAM.
Pinahusay ng pagdaragdag ng CBAM module sa YOLOv5 network ang overall performance ng broiler detection model.
Ipinakita rin nito na ang modelong YOLOv5-CBAM ay angkop para sa pagtukoy ng mga broilers sa iba’t ibang growth stages, sa iba’t ibang uri ng litter, at sa maraming pens.
Bukod dito, ang FPS ng YOLOv5-CBAM ay 55 Frame/s, na mas mababa kaysa sa YOLOv5 (62 Frame/s) ngunit mas mataas kaysa sa Faster R-CNN (2.6 Frame/s) at SSD (3.1 Frame/s).
Fig. 3. Detection results using YOLOv5 and YOLOv5-CBAM in reused litter. (a) Birds at day 2. (b) Birds at day 9. (c) Birds at day 16. (d) Birds at day 23.
BUOD
Sa pag-aaral na ito, gumawa kami ng YOLOv5-CBAM-broiler model at sinubukan ang kakayahan nitong subaybayan ang mga broilers sa litter floors.
Nakagawa kami ng isang kumplikadong dataset ng mga larawan ng broiler chicken sa iba’t ibang edad, maramihang kulungan, at mga eksena (sariwang pataba laban sa muling ginamit na pataba) upang masuri kung mabisa ang bagong modelo.
Ipinapakita ng mga resulta na nakamit ng iminumungkahing pamamaraan ang 97.3% precision, na mas mataas kumpara sa Faster R-CNN, SSD, at YOLOv5.
Sa kabuuan, maaring makamit ang tumpak at mabilis na real-time na target detection at magbigay ng teknikal na suporta para sa management at monitoring ng mga ibon sa mga commercial broiler houses ang iminungkahing deep learning-based na broiler detection approach.
Dagdag babasahin: 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.
