การตรวจสอบไก่เนื้อในช่วงอายุที่แตกต่างกันด้วยโมเดลการเรียนรู้เชิงลึกขั้นสูง

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 แสดงตัวอย่างของภาพไก่เนื้อจากสถานที่ต่างๆ ที่แตกต่างกัน

ผลการศึกษา

รูปที่ 2 และ 3 แสดงผลการตรวจจับไก่เนื้อด้วย YOLOv5 และ YOLOv5-CBAM บนพื้นฟางไม้สนใหม่และฟางรองพื้นที่นำกลับมาใช้ใหม่ตามลำดับ

• 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
ก. ไก่ในวันที่ 2 ข. ไก่ในวันที่ 9 ค. ไก่ในวันที่ 16 ง. ไก่ในวันที่ 23

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
ก. ไก่ในวันที่ 2 ข. ไก่ในวันที่ 9 ค. ไก่ในวันที่ 16 ง. ไก่ในวันที่ 23

บทสรุป

• 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