基于视频的直接时空深度学习用于牛犊跛行检测
计算机视觉与模式识别
2025-09-19 v4 人工智能
机器学习
图像与视频处理
摘要
牛犀跛行是畜牧业中常见的健康问题，常由蹄子损伤或感染引起，严重影响动物福利和生产力。及早准确地检测至关重要，以最小化经济损失并确保适当的治疗。本研究提出了一个用于自动化牛犀跛行检测的时空深度学习框架，使用公开可用的视频数据。我们精选并公开发布一组平衡的50段在线视频片段，包含42只个体牛犀，来自多个视角，场景包括室内和户外。根据视觉步态特征和元数据描述将视频分为跛行和非跛行类别。经过应用数据增强技术以提高概括性后，训练和评估了两种深度学习架构：3D卷积神经网络（3D CNN）和卷积长短期记忆网络（ConvLSTM2D）。3D CNN实现了90%的视频级分类准确率，精确率、召回率和F1分数均为90.9%，优于ConvLSTM2D模型，后者实现了85%的准确率。与常规方法不同，这些方法依赖于包含目标检测和姿态估计的多阶段管道，本研究表明直接的端到端视频分类方法是有效的。与最佳的端到端先前方法（C3D-ConvLSTM，90.3%）相比，我们的模型在准确率上实现了相当水平，同时消除了姿态估计的预处理步骤。结果表明，深度学习模型能够成功从各种视频来源中提取和学习时空特征，实现了在实际农场环境中可扩展且高效的牛犀跛行检测。
引用
@article{arxiv.2504.16404,
title = {Direct Video-Based Spatiotemporal Deep Learning for Cattle Lameness Detection},
author = {Md Fahimuzzman Sohan and Raid Alzubi and Hadeel Alzoubi and Eid Albalawi and A. H. Abdul Hafez},
journal= {arXiv preprint arXiv:2504.16404},
year = {2025}
}