在猪棚中基于卷积和 Transformer 深度神经网络的排泄物检测

动物排泄物以尿泞和粪便的形式在畜牧业中是重要的排放来源。自动检测谷仓中的污渍可以促进管理流程的改进，也可用于建模排放动力学。以往的研究方法需要手动检测谷仓中的泞水。虽然人类可以在 livestock 谷仓的热像图中检测动物排泄物，但基于阈值的自动方法因其他以相同温度的物体（如动物本身）而失败。此外，各种参数如 housing 类型、动物种类、年龄、性别、天气以及未知因素都会影响排泄物的类型和形状。因此，针对排泄物的自动检测方法必须既准确又能适应不同条件。这些要求可以通过人工智能领域的现代深度学习模型来满足。本工作首次考察不同深度学习模型用于猪棚中排泄物检测的适合性，从而比较经典的卷积架构与最新的 Transformer 方法。我们对 Faster R-CNN、YOLOv8、DETR 和 DAB-DETR 四种检测模型进行比较和统计评估，使用两个创建的训练数据集分别代表两个猪棚。我们应用源自嵌套交叉验证的方法，并以八个常用检测指标报告结果。我们的工作表明，所有研究的深度学习模型在可靠检测排泄物方面通常都很合适，平均精度可超过 90%。这些模型在分布外数据上也表现出鲁棒性，这些数据与训练数据中的条件不同，但整体检测性能会出现预期的轻微下降。