เนื้อหาดูได้ที่:English ( อังกฤษ) Indonesia ( อินโดนีเซีย) Melayu ( Malay) Tiếng Việt ( เวียดนาม) Philipino ( ฟิลิปปินส์)
บทนำ
ในปัจจุบัน ฟาร์มเลี้ยงไก่เนื้อในสหรัฐอเมริกามีจำนวนไก่เนื้ออยู่ประมาณ 20,000 ถึง 30,000 ตัว ซึ่งทำให้เกิดความกังวลในหมู่ประชาชนเกี่ยวกับสวัสดิภาพของสัตว์ โดยเฉพาะอย่างยิ่งในเรื่องการประเมิน สวัสดิภาพและการเจริญเติบโตของไก่ที่ต้องทำทุกวัน โดยเฉพาะอย่างยิ่งในเรื่องการประเมินสวัสดิภาพและการเจริญเติบโตของไก่ที่ต้องทำทุกวัน ซึ่งกระบวนการนี้มักใช้แรงงานคนและมีความเสี่ยงต่อข้อผิดพลาดจากการปฏิบัติงานของมนุษย์ ดังนั้น จึงมีความจำเป็นอย่างยิ่งในการนำเทคโนโลยีอัตโนมัติเข้ามาช่วยในการตรวจจับและวิเคราะห์พฤติกรรมของไก่ เพื่อคาดการณ์สถานะสวัสดิภาพของพวกมันเทคโนโลยีการเรียนรู้เชิงลึก (Deep Learning) ได้รับการยอมรับว่าเป็นเครื่องมือที่มีประสิทธิภาพสูงในการจัดการข้อมูล มีความรวดเร็วในการประมวลผล และสามารถจัดการกับปัญหาที่เกิดจากการรบกวนภายนอกได้อย่างมีประสิทธิภาพ
ดังนั้น อัลกอริธึมการเรียนรู้ลึก จึงเป็นโมเดลที่เหมาะสมอย่างยิ่งสำหรับการพัฒนาเครื่องมืออัตโนมัติที่มีประสิทธิภาพและความชาญฉลาดในด้านการเกษตรสัตว์ที่แม่นยำ
อย่างไรก็ตาม ขนาดของไก่และจำนวนมากที่เลี้ยงในฟาร์มเดียวกันกลับกลายเป็นอุปสรรคในการนำเทคนิคการเรียนรู้ลึกมาใช้เพื่อตรวจสอบไก่แต่ละตัวอย่างมีประสิทธิภาพ
ในการศึกษานี้ เราได้ทำการรวมโมดูลการให้ความสนใจในบล็อกคอนโวลูชัน (Convolutional Block Attention Module: CBAM) เข้ากับ YOLOv5 เพื่อเพิ่มประสิทธิภาพในการสกัดคุณลักษณะจากภาพถ่ายให้ดียิ่งขึ้น.
วิธีการ
การศึกษานี้ดำเนินการในฟาร์มไก่เนื้อทดลองที่ ศูนย์วิจัยสัตว์ปีกแห่งมหาวิทยาลัยจอร์เจีย เอเธนส์ สหรัฐอเมริกา
โดยมีการติดตั้งกล้องความคมชัดสูง (รุ่น PRO-1080MSFB จาก Swann Communications) บนเพดานที่มีความสูงจากพื้นประมาณ 2.5 เมตร เพื่อบันทึกวิดีโอที่มีความละเอียด 1440 พิกเซล × 1080 พิกเซล และความเร็ว 15 เฟรมต่อวินาที
ในการศึกษาครั้งนี้ ได้เลือกใช้ฟางรองพื้นสองประเภท ได้แก่ ฟางไม้สนใหม่ และฟางที่เคยใช้เลี้ยงไก่เนื้อในสามฝูง โดยฟางที่นำกลับมาใช้ใหม่จะถูกนำมาใช้เป็นฉากในการตรวจจับไก่เนื้อ สำหรับการเก็บข้อมูลในสองฉากนี้ ได้มีการเลือกภาพจำนวน 70 รูปจากวันที่ 2, 9, 16 และ 23 รวมเป็นทั้งหมด 560 รูปภาพ ซึ่งจะใช้ในการวิเคราะห์และศึกษาต่อไป
รูปที่ 1. ตัวอย่างของภาพไก่เนื้อจากฉากที่แตกต่างกัน
นอกจากนี้ เพื่อประเมินประสิทธิภาพในการตรวจจับของโมเดลในหลากหลายสถานการณ์ของคอกไก่ เราได้สร้างภาพตัวอย่างตามที่แสดงในรูปที่ 1 ข โดยเลือกภาพจำนวน 70 รูปจากวันที่ 16 และวันที่ 23
สุดท้าย เราได้ใช้ภาพทั้งหมด 700 รูป ซึ่งถูกแบ่งออกเป็นชุดฝึกและชุดทดสอบอย่างสุ่มในอัตราส่วน 5:2
ภาพที่ 1 แสดงตัวอย่างของภาพไก่เนื้อจากสถานที่ต่างๆ ที่แตกต่างกัน
ผลการศึกษา
คอลัมน์แรกคือผลการตรวจจับของ YOLOv5, คอลัมน์ที่สองคือภาพต้นฉบับ, และคอลัมน์ที่สามคือผลการตรวจจับของ YOLOv5-CBAM โดย iคือจำนวนไก่เนื้อจริง และ j คือจำนวนไก่เนื้อที่ตรวจจับได้
YOLOv5-CBAM สามารถตรวจจับไก่เนื้อได้อย่างแม่นยำกว่าการใช้ YOLOv5 และในกรณีที่มีการแออัดหรือเป้าหมายที่เล็กลง มันยังคงสามารถให้ผลการตรวจจับที่ดีกว่า เราใช้ชุดข้อมูลที่ประกอบด้วยภาพไก่เนื้อจากอายุที่แตกต่างกัน ซึ่งเลี้ยงในฟางรองพื้นสองประเภทและคอกไก่หลายคอก เพื่อทดสอบความสามารถและประสิทธิภาพของ YOLOv5-CBAM.
รูปที่ 2. ผลการตรวจจับด้วย YOLOv5 และ YOLOv5-CBAM บนฟางไม้สนใหม่
ดำเนินการต่อหลังจากโฆษณา
ความแม่นยำ (Precision), การเรียกกลับ (Recall), F1, และ [email protected] ของ YOLOv5-CBAM คือ 97.3%, 92.3%, 94.7%, และ 96.5% ซึ่งสูงกว่าของ YOLOv5 (96.6%, 92.1%, 94.3% และ 96.3%), Faster R-CNN (79.7%, 95.4%, 86.8% และ 90.6%) และ SSD (60.8%, 94.0%, 73.8% และ 88.5%)
ผลลัพธ์แสดงให้เห็นว่า ประสิทธิภาพโดยรวมของ YOLOv5-CBAM ที่นำเสนอนั้นดีที่สุด
การเพิ่มโมดูล CBAM ลงในเครือข่าย YOLOv5 ช่วยปรับปรุงประสิทธิภาพของโมเดลการตรวจจับไก่เนื้อ
ผลลัพธ์ยังแสดงให้เห็นว่าโมเดล YOLOv5-CBAM เหมาะสมสำหรับการตรวจจับไก่เนื้อในช่วงการเจริญเติบโตที่แตกต่างกัน บนฟางรองพื้นชนิดต่างๆ และในคอกหลายคอก นอกจากนี้ FPS ของ YOLOv5-CBAM คือ 55 เฟรม/วินาที ซึ่งต่ำกว่า YOLOv5 (62 เฟรม/วินาที) แต่สูงกว่า Faster R-CNN (2.6 เฟรม/วินาที) และ SSD (3.1 เฟรม/วินาที).
รูปที่ 3. ผลการตรวจจับด้วย YOLOv5 และ YOLOv5-CBAM บนฟางรองพื้นที่นำกลับมาใช้ใหม่
ในงานวิจัยนี้ เราได้พัฒนาโมเดล YOLOv5-CBAM-broiler และทดสอบประสิทธิภาพของมันในการติดตามไก่เนื้อบนพื้นฟางรองพื้น ชุดข้อมูลที่ซับซ้อนซึ่งประกอบด้วยภาพไก่เนื้อในช่วงอายุต่างๆ, คอกหลายคอก, และฉากต่างๆ (ฟางรองพื้นใหม่กับฟางรองพื้นที่นำกลับมาใช้ใหม่) ถูกสร้างขึ้นเพื่อประเมินประสิทธิภาพของโมเดลใหม่
ผลลัพธ์แสดงให้เห็นว่าแนวทางที่นำเสนอสามารถบรรลุความแม่นยำ (Precision) ที่ 97.3% ซึ่งสูงกว่าของ Faster R-CNN, SSD, และ YOLOv5 โดยรวมแล้ว แนวทางการตรวจจับไก่เนื้อที่ใช้เทคโนโลยีการเรียนรู้เชิงลึกที่นำเสนอนี้สามารถทำการตรวจจับเป้าหมายได้อย่างแม่นยำและรวดเร็วในเวลาจริง และให้การสนับสนุนทางเทคนิคในการจัดการและตรวจสอบไก่ในโรงเลี้ยงไก่เนื้อเชิงพาณิชย์
อ่านเพิ่มเติม: 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.
เข้าร่วมชุมชนผู้เลี้ยงสัตว์ปีกของเรา
เข้าถึงบทความในรูปแบบ PDF
