基于监督学习的奶牛乳头视频关键帧识别模型

本文提出了一种利用神经网络和视频分析提高奶牛乳腺炎风险评估准确性的方法。乳腺炎是乳腺组织的感染，是奶牛面临的关键健康问题，可以通过检查奶牛的乳头来检测。传统上，兽医在挤奶过程中评估奶牛乳头的健康状况，但这一过程时间有限，可能会削弱评估的准确性。在商业农场中，奶牛在挤奶厅挤奶时会被摄像头记录下来。本文使用神经网络识别记录视频中奶牛乳房完整出现的关键帧。这些关键帧使兽医能够有更灵活的时间对乳头进行健康评估，从而提高其效率和准确性。然而，使用奶牛乳头视频进行乳腺炎风险评估存在诸多挑战，如复杂的环境、奶牛位置和姿态的变化，以及从视频中识别乳房的困难。为了应对这些挑战，本文提出了融合距离和集成模型，以提高从奶牛乳头视频中识别关键帧的性能（F-score）。结果表明，与使用单一距离度量或模型相比，这两种方法均提升了性能。