Hiện nay, có khoảng 20,000-30,000 gà thịt được nuôi trong các nhà nuôi quy mô thương mại ở Hoa Kỳ và điều này đã gây ra mối lo ngại ngày càng tăng của xã hội về phúc lợi động vật.
Đánh giá hằng ngày về sức khỏe và sự tăng trưởng của đàn gà thịt , vốn tốn nhiều công sức và dễ sai sót (khi thực hiện bởi con người), thường được làm thủ công. Do đó, ta cần có một công cụ tự động phát hiện và phân tích hành vi của đàn gà và dự đoán được tình trạng phúc lợi của chúng.
Công nghệ học sâu (deep learning) có tính năng biểu thị mạnh mẽ, tốc độ xử lý nhanh và có thể giải quyết các vấn đề liên quan đến nhiễu bên ngoài (external interferences).
Do đó, thuật toán học sâu (deep learning algorithms) là mô hình thích hợp để phát triển một công cụ tự động, hiệu quả và thông minh để sử dụng trong ngành chăn nuôi chuẩn xác.
Tuy nhiên, kích thước của con vật và số lượng lớn đàn gà nuôi trong một nhà nuôi là một thách thức trong việc áp dụng các kỹ thuật học sâu để theo dõi từng con gà.
Trong nghiên cứu hiện tại, chúng ta đã tích hợp mô-đun convolutional block attention (CBAM) vào YOLOv5 để tăng cường khả năng trích xuất các đặc điểm hình ảnh của thuật toán.
Camera độ nét cao (PRO-1080MSFB, Swann Communications, Santa Fe Springs, CA) được gắn trên trần nhà nuôi (cao 2.5 m so với sàn nhà nuôi) để quay video (15 khung hình/giây, 1440 pixel × 1080 pixel).
Hai loại nền chuồng khác nhau (vụn thông tươi và nền độn chuồng tái sử dụng trước đây dùng để nuôi ba lứa đàn gà thịt) được chọn làm bối cảnh ứng dụng (application scenes) để phát hiện gà thịt. Đối với hai bối cảnh nền chuồng (litter scenes), có 70 hình ảnh được chọn từ ngày 2, ngày 9, ngày 16 và ngày 23, tương ứng, cho 560 hình ảnh.
Hình 1. Ví dụ về hình ảnh con gà thịt từ nhiều cảnh (scenes) khác nhau. a. Hình ảnh gà thịt từ sàn nền chuồng tái sử dụng. b. Hình ảnh gà thịt từ sàn nền vụn gỗ thông tươi. c. Hình ảnh gà thịt từ sàn có nhiều chuồng.
Ngoài ra, để đánh giá năng suất phát hiện của mô hình trong các cảnh chứa nhiều chuồng, các mẫu hình ảnh được hiển thị trong Hình 1c đã được tạo, trong đó có 70 hình ảnh được chọn cho ngày 16 và ngày 23.
Cuối cùng, có 700 hình ảnh được thu thập và phân chia ngẫu nhiên thành tập dữ liệu huấn luyện (training set) và tập thử nghiệm (testing set) theo tỷ lệ 5:2.
Hình 1 cho thấy ví dụ về hình ảnh gà thịt từ nhiều bối cảnh khác nhau.
KẾT QUẢ
Cột đầu tiên là kết quả phát hiện của YOLOv5, cột thứ hai là hình ảnh gốc và cột thứ ba là kết quả phát hiện của YOLOv5-CBAM. i là số con gà thịt thực tế và j là số con gà thịt được phát hiện.
YOLOv5-CBAM phát hiện gà thịt với độ chuẩn xác cao hơn so với YOLOv5 và trong trường hợp có mục tiêu (con vật) đông đúc hoặc nhỏ, thì mô hình vẫn có thể cho kết quả phát hiện tốt hơn. Chúng ta đã sử dụng các tập dữ liệu bao gồm hình ảnh gà thịt ở các độ tuổi khác nhau, được nuôi trên hai loại nền chuồng và nhiều chuồng để kiểm tra khả năng áp dụng và hiệu quả của YOLOv5-CBAM.
Hình 2. Kết quả phát hiện sử dụng YOLOv5 và YOLOv5-CBAM trong sàn nền vụn gỗ thông tươi. (a) Vật nuôi vào ngày thứ 2. (b) Vật nuôi vào ngày thứ 9. (c) Vật nuôi vào ngày thứ 16. (d) Vật nuôi vào ngày thứ 23.
Tiếp tục sau quảng cáo.
Độ chuẩn xác (precision), độ thu hồi (recall), F1 và [email protected] của YOLOv5-CBAM lần lượt là 97,3%, 92,3%, 94,7% và 96,5%, cao hơn YOLOv5 (96,6%, 92,1%, 94,3% và 96,3%), Faster R-CNN (79,7%, 95,4%, 86,8% và 90,6%) và SSD (60,8%, 94,0%, 73,8% và 88,5%).
Kết quả cho thấy năng suất tổng thể của YOLOv5-CBAM được đề xuất là tốt nhất.
Việc thêm mô-đun CBAM vào network YOLOv5 đã cải thiện năng suất của mô hình phát hiện gà thịt (broiler detection model).
Nghiên cứu cũng cho thấy mô hình YOLOv5-CBAM phù hợp để phát hiện gà thịt ở các giai đoạn tăng trưởng khác nhau, trong các loại nền chuồng khác nhau và trong nhiều chuồng nuôi.
Ngoài ra, FPS của YOLOv5-CBAM là 55 Khung hình/giây (Frame/s), thấp hơn YOLOv5 (62 Khung hình/giây) nhưng cao hơn Faster R-CNN (2.6 Khung hình/giây) và SSD (3.1 Khung hình/giây).
Hình 3. Kết quả phát hiện gia cầm khi sử dụng YOLOv5 và YOLOv5-CBAM trong nền chuồng tái sử dụng. (a) Vật nuôi vào ngày thứ 2. (b) Vật nuôi vào ngày thứ 9. (c) Vật nuôi vào ngày thứ 16. (d) Vật nuôi vào ngày thứ 23.
TÓM TẮT
Trong nghiên cứu này, chúng ta đã phát triển mô hình gà thịt YOLOv5-CBAM và thử nghiệm năng suất của mô hình trong việc theo dõi gà thịt trên sàn nền chuồng.
Một tập dữ liệu (dataset) phức tạp của hình ảnh gà thịt ở nhiều độ tuổi, nhiều chuồng và nhiều bối cảnh (nền chuồng mới so với nền chuồng tái sử dụng) đã được tạo để đánh giá hiệu quả của mô hình mới.
Kết quả chứng minh rằng phương pháp đề xuất đạt độ chính xác 97.3%, vượt trội hơn Faster R-CNN, SSD và YOLOv5.
Nhìn chung, phương pháp phát hiện gà thịt dựa trên công nghệ học sâu có thể phát hiện mục tiêu (con vật) nhanh chóng và chuẩn xác theo thời gian thực, đồng thời hỗ trợ kỹ thuật để quản lý và theo dõi gia cầm trong các nhà nuôi gà thịt quy mô thương mại.
Further reading: 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.
