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 เพื่อคาดการณ์สถานะสวัสดิภาพของพวกมัน
เทคโนโลยีการเรียนรู้เชิงลึก (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
ก. ภาพไก่เนื้อจากพื้นฟางไม้สนใหม่ ข. ภาพไก่เนื้อจากพื้นฟางรองพื้นที่นำกลับมาใช้ใหม่
นอกจากนี้ เพื่อประเมินประสิทธิภาพในการตรวจจับของโมเดลในหลากหลายสถานการณ์ของคอกไก่ เราได้สร้างภาพตัวอย่างตามที่แสดงในรูปที่ 1 ข โดยเลือกภาพจำนวน 70 รูปจากวันที่ 16 และวันที่ 23
สุดท้าย เราได้ใช้ภาพทั้งหมด 700 รูป ซึ่งถูกแบ่งออกเป็นชุดฝึกและชุดทดสอบอย่างสุ่มในอัตราส่วน 5:2
ภาพที่ 1 แสดงตัวอย่างของภาพไก่เนื้อจากสถานที่ต...