| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva

Naslov:The Digital Pig: Automatic Systems for Behavior Detection in Weaned Pigs
Avtorji:Žnidar, Anja (Avtor)
Ocepek, Marko (Mentor) Več o mentorju... Novo okno
Škorjanc, Dejan (Komentor)
Andersen, Inger Lise (Komentor)
Datoteke:.pdf VS_Znidar_Anja_2020.pdf (1,40 MB)
MD5: 4C93586ABFDADB0028FE9CDF52EB820E
 
Jezik:Angleški jezik
Vrsta gradiva:Diplomsko delo/naloga (mb11)
Tipologija:2.11 - Diplomsko delo
Organizacija:FKBV - Fakulteta za kmetijstvo in biosistemske vede
Opis:In this bachelor's thesis, we used machine learning techniques to detect pigs in group pens, which would help to improve the welfare and comfort of pigs. Mask-RCNN was used for object segmentation. The implementation was based on Resnet101. The goal was to achieve the highest possible precision in detection of the pig's body, head, and tail. We predicted that the accuracy will be the highest for body detection and lower for head and tail detection. We also concluded that the difference in precision and recall will be less than 10% between hand-labeled bounding boxes and the predicted bounding boxes from our model. As predicted, body detection represented the highest results, as the accuracy of head and tail detection was lower. The difference between precision and recall was 10% for body detection and higher than 10% for head and tail detection. Precision of the body detection was 96%, as the whole body is easier to detect. The head detection precision score was 66%. Tail detection precision was 77%, which is a large difference compared to the percentage of head detection. The use of machine learning in livestock farming could be a potentially useful tool for detecting welfare in pigs, as it would reduce the frequency of aggressive behaviors and the number of injuries. In the future, we want to refine our model to achieve higher precision for head and tail detection. Once the algorithm has clearly detected all the pigs in the image, we will try to refine the model to detect different forms of behavior. This technology would help us to evaluate welfare, which would be improved if necessary.
Ključne besede:pig, pig annotation, behavior, welfare, machine learning
Leto izida:2020
Izvor:Maribor
NUK URN:URN:SI:UM:DK:GVZYRZUK
Število ogledov:229
Število prenosov:70
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
Področja:FKBV
:
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:27.08.2020

Sekundarni jezik

Jezik:Slovenski jezik
Naslov:Digitalni prašič: avtomatski sistemi za detekcijo obnašanja odstavljencev
Opis:V diplomski nalogi smo s pomočjo strojnega učenja na pricipu Mask-RCNN poskušali doseči digitalno detekcijo prašičev, ki bi pripomogla k izboljšanju njihovega dobrega počutja in udobja. Cilj je bil doseči čim višji odstotek natančnosti pri digitalni prepoznavi celotnega telesa, glave in repa. Predvidevali smo, da bo preciznost najvišja pri detekciji telesa in nižja pri detekciji glave in repa in da bo rep najtežje zaznati, preciznost tega razreda pa bo posledično najnižja. Prav tako smo sklepali, da bo razlika v preciznosti in odpoklicu manjša od 10 % med detekcijo človeka in detekcijo računalnika. V Dropboxu smo selektivno izbrali slike, ki so bili posnetki zaslona 400 urnega videa. Posnetke smo posneli z desetimi 2D kamerami (Samsung SCO-2080RN, 811x508P, 161 Samsung Techwin Co., Ltd., Gyeonggi135 do, Korea). Naredili smo zbirko slik, v velikost 1,1 GB. Primarni izbor je temeljil na dobri vidljivosti in kakovosti video posnetkov, dobri osvetlitvi, ozadju in številu prašičev na sliki. Kot smo predvideli je detekcija telesa predstavljala najvišje rezultate, saj je segmentacija glave in repa prinesla nekoliko nižjo preciznost. Kot smo predvideli je detekcija telesa predstavljala najvišje rezultate, saj je segmentacija glave in repa prinesla nekoliko nižjo preciznost. Razlika med preciznostjo in odpoklicem je znašala 10% pri detekciji telesa, pri detekciji glave in repa pa je bila višja od 10%. Preciznost detekcije telesa je znašala 96%, saj je celotno telo lažje zaznati kot posamezno enoto. Rezultat preciznosti detekcije glave je znašal 66%. Odstotek je nekoliko nižji, ker so prašiči velikokrat tesno skupaj in jih računalnik med seboj težko prepozna. Preciznost detekcije repa je predstavljala 77%, kar je v primerjavi z odstotkom preciznosti detekcije glave velika razlika za katero je možnih več različnih faktorjev kot so število živali v boksu, kvaliteta slike, svetloba, pigmentacija telesa prašiča in ozdaja ter pozicija telesa. Uporaba strojnega učenja v živinoreji bi lahko bilo potenicalno uporabno orodje za odkrivanje dobrega počutja pri prašičih, saj bi hitreje in lažje zmanjšali frekvenco agresivnega vedenja in posledično število poškodb. V prihodnosti želimo svoj model nadgraditi, da bi dosegal večjo preciznost tudi pri detekciji glave in repa. Ko bo računalnik jasno zaznal vse prašiče na sliki, bomo poskušali model nadgradili tako, da bo zaznal različne oblike vedenj. Ta tehnologija bi olajšala ocenjevanje welfare-a, ki bi ga po potrebi bili primorani izboljšati.
Ključne besede:prašič, detekcija prašiča, obnašanj, welfare, strojno učenje


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici