基于深度视频数据与阈值化及 Mask R-CNN 算法的奶牛体重纵向预测
计算机视觉与模式识别
2023-07-06 v1 人工智能
定量方法
摘要
监测奶牛体重对其生长、营养状况及健康有直接关系，对支持牧场管理决策至关重要。奶牛体重是一个重复性状，然而以往多数体重预测研究仅使用单时间点采集的数据。此外，基于深度学习的分割用于视频体重预测的效用仍属未知。因此，本研究目标为：从重复测量的视频数据预测奶牛体重，比较阈值化与 Mask R-CNN 深度学习方法的性能，评估体重回归模型的预测能力，并通过发布基于视频的体重预测源代码促进动物科学界的开放科学。我们共从 10 头泌乳期荷斯坦牛与 2 头干乳期泽西牛获取了 40,405 张深度图像与深度图文件。研究了三种从背景分割牛体的方法：单阈值化、自适应阈值化与 Mask R-CNN。从分割图像中估算了四个图像衍生的生物特征，如背长、腹宽、身高与体积。平均而言，Mask-RCNN 方法结合线性混合模型在 forecasting 交叉验证中取得了最佳的预测决定系数与平均绝对百分比误差，分别为 0.98 与 2.03%。Mask-RCNN 方法在留三头牛交叉验证中亦最佳。Mask-RCNN 耦合线性混合模型的预测决定系数与平均绝对百分比误差分别为 0.90 与 4.70%。结果表明，基于深度学习的分割提升了从纵向深度视频数据预测奶牛体重的性能。
引用
@article{arxiv.2307.01383,
title = {Depth video data-enabled predictions of longitudinal dairy cow body weight using thresholding and Mask R-CNN algorithms},
author = {Ye Bi and Leticia M. Campos and Jin Wang and Haipeng Yu and Mark D. Hanigan and Gota Morota},
journal= {arXiv preprint arXiv:2307.01383},
year = {2023}
}