利用深度学习进行猪的形态学分类：聚焦卫生监测
计算机视觉与模式识别
2024-03-15 v1 人工智能
摘要
本文旨在评估D-CNN（深度卷积神经网络）算法在将猪体况分类为正常或非正常状态方面的应用，重点关注卫生监测中观察到的特征，并使用了六种不同的算法来完成此任务。本研究关注猪的五个特征，即咬尾、耳血肿、体表划痕、发红和自然着色（棕色或黑色）。研究结果表明，D-CNN在分类与皮肤特征相关的猪体形态偏差方面是有效的。评估通过分析性能指标精确率、召回率和F分数，以及统计方法ANOVA和Scott-Knott检验来进行。本文的贡献在于提出了利用D-CNN网络进行猪的形态学分类，重点关注卫生监测中识别的特征。在最佳结果中，InceptionResNetV2网络在分类咬尾时达到了80.6%的平均精确率，表明该技术在所提出的任务中具有潜在应用价值。此外，还创建了一个新的图像数据库，包含猪的各种不同体表特征，可作为未来研究的数据。
引用
@article{arxiv.2403.08962,
title = {Using Deep Learning for Morphological Classification in Pigs with a Focus on Sanitary Monitoring},
author = {Eduardo Bedin and Junior Silva Souza and Gabriel Toshio Hirokawa Higa and Alexandre Pereira and Charles Kiefer and Newton Loebens and Hemerson Pistori},
journal= {arXiv preprint arXiv:2403.08962},
year = {2024}
}