МОДЕЛЬ ПРОГНОЗИРОВАНИЯ ЖИВОГО ВЕСА С ПОМОЩЬЮ ГЛУБОКОЙ РЕГРЕССИИ RGB-D ИЗОБРАЖЕНИЙ (2023)
Прогнозирование живого веса помогает контролировать здоровье животных, эффективно проводить генетическую селекцию и определять оптимальное время убоя. На крупных фермах для измерения живого веса используются точные и дорогостоящие промышленные весы. Взвешивание животного из-за стресса ведет к потере его веса и продуктивности на 5-10%. Однако, перспективной альтернативой является оценка живого веса с помощью морфометрических измерений животного, а затем применение уравнений регрессии, связывающих такие измерения с живым весом. Ручные измерения животных с помощью рулетки отнимают много времени и вызывают стресс у животных. Поэтому в настоящее время для бесконтактных морфометрических измерений все чаще используются технологии компьютерного зрения. В статье предлагается новая модель для прогнозирования живого веса на основе регрессии изображений с использованием методов глубокого обучения. Для регрессии изображений использовались RGB изображения и карты глубины вид сбоку для прогнозирования живого веса крупного рогатого скота. Показано, что на реальных наборах данных предложенная модель достигает точности измерения веса с ошибкой MAE 35.5 и MAPE 8.4 на тестовом наборе данных.
Идентификаторы и классификаторы
В настоящее время существует два основных подхода к измерению веса тела [1]: использование промышленных весов и косвенные методы, основанные на взаимосвязи между морфологическими размерами тела и весом тела. Ручное измерение размеров тела животных занимает много времени, оно трудоемко и дорого. Отметим, что взвешивание животного из-за стресса ведет к потере его веса и продуктивности на 5–10%. Кроме того, это стресс как для работника, так и для животного. В настоящее время была разработана бесконтактная оценка морфометрических размеров с помощью недорогих датчиков и методов машинного зрения [2, 3]. Использование бесконтактной технологии существенно сокращает возможные временные затраты на проведение ручной и субъективной бонитировки для предсказания живого веса скота, исключает необходимые контактные измерения линейных промеров или прямого взвешивания скота с помощью весов.
Список литературы
- Wang Z., Shadpour S., Chan E., et al. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images // Journal of Animal Science. 2021. Vol. 99, no. 2. DOI: 10.1093/jas/skab022 EDN: QTKCTL
- Ruchay A., Kober V., Dorofeev K., et al. Accurate body measurement of live cattle using three depth cameras and non-rigid 3-D shape recovery // Computers and Electronics in Agriculture. 2020. Vol. 179. P. 105821. DOI: 10.1016/j.compag.2020.105821 EDN: DPWUBQ
- Kuzuhara Y., Kawamura K., Yoshitoshi R., et al. A preliminarily study for predicting body weight and milk properties in lactating Holstein cows using a three-dimensional camera system // Computers and Electronics in Agriculture. 2015. Vol. 111. P. 186-193. DOI: 10.1016/j.compag.2014.12.020
- Sawanon S., Boonsaen P., Innurak P. Body Measurements of Male Kamphaeng Saen Beef Cattle as Parameters for Estimation of Live Weight // Kasetsart Journal - Natural Science. 2011. Vol. 45, no. 3. P. 428-434.
- Wangchuk K., Wangdi J., Mindu M. Comparison and reliability of techniques to estimate live cattle body weight // Journal of Applied Animal Research. 2017. Vol. 46. P. 4. DOI: 10.1080/09712119.2017.1302876
- Vanvanhossou F., Diogo R., Dossa L. Estimation of live bodyweight from linear body measurements and body condition score in the West African Savannah Shorthorn Cattle in North-West Benin // Cogent Food And Agriculture. 2018. Vol. 4, no. 1. P. 1549767. DOI: 10.1080/23311932.2018.1549767
- Huma Z., Iqbal F. Predicting the body weight of Balochi sheep using a machine learning approach // Turkish journal of veterinary and animal sciences. 2019. Vol. 43, no. 4. P. 500- 506. DOI: 10.3906/vet-1812-23
- Hempstalk K., Mcparland S., Berry D. Machine learning algorithms for the prediction of conception success to a given insemination in lactating dairy cows // Journal of dairy science. 2015. Vol. 98, no. 8. P. 5262-5273. DOI: 10.3168/jds.2014-8984
- Miller G.A., Hyslop J.J., Barclay D., et al. Using 3D Imaging and Machine Learning to Predict Liveweight and Carcass Characteristics of Live Finishing Beef Cattle // Frontiers in Sustainable Food Systems. 2019. Vol. 3. P. 30. DOI: 10.3389/fsufs.2019.00030
-
Milosevic B., Ciric S., Lalic N., et al. Machine learning application in growth and health prediction of broiler chickens // World's Poultry Science Journal. 2019. Vol. 75. P. 401-410. DOI: 10.1017/S0043933919000254
-
Weber V., Weber F., Gomes R., et al. Prediction of Girolando cattle weight by means of body measurements extracted from images // Revista Brasileira de Zootecnia. 2020. Mar. Vol. 49. DOI: 10.37496/rbz4920190110
-
Tasdemir S., Urkmez A., Inal S. Determination of body measurements on the Holstein cows using digital image analysis and estimation of live weight with regression analysis // Computers and Electronics in Agriculture. 2011. Vol. 76, no. 2. P. 189-197. 10.1016/ j.compag.2011.02.001. DOI: 10.1016/j.compag.2011.02.001
-
Pezzuolo A., Milani V., Zhu D., et al. On-Barn Pig Weight Estimation Based on Body Measurements by Structure-from-Motion (SfM) // Sensors. 2018. Vol. 18, no. 11. Article 3603. DOI: 10.3390/s18113603
-
Song X., Bokkers E., Tol P. van der, et al. Automated body weight prediction of dairy cows using 3-dimensional vision // Journal of Dairy Science. 2018. Vol. 101, no. 5. P. 4448-4459. DOI: 10.3168/jds.2017-13094
-
Ranganathan H., Venkateswara H., Chakraborty S., Panchanathan S. Deep Active Learning for Image Regression // Deep Learning Applications. Singapore: Springer Singapore, 2020. P. 113-135. DOI: 10.1007/978-981-15-1816-4_7
-
Bezsonov O., Lebediev O., Lebediev V., et al. Breed Recognition and Estimation of Live Weight of Cattle Based on Methods of Machine Learning and Computer Vision // EasternEuropean Journal of Enterprise Technologies. 2021. Vol. 6/9, no. 114. P. 64-74. DOI: 10.15587/1729-4061.2021.247648 EDN: UREQOL
-
Ruchay A., Dorofeev K., Kalschikov V., et al. Live weight prediction of cattle using deep image regression // 2021 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor). 2021. P. 32-36. 10. 1109 / MetroAgriFor52389. 2021. 9628547. DOI: 10.1109/MetroAgriFor52389.2021.9628547 EDN: BYHFXS
-
Ruchay A., Dorofeev K., Kober A., et al. Accuracy analysis of 3D object shape recovery using depth filtering algorithms // Applications of Digital Image Processing XLI. Vol. 10752. SPIE, 2018. P. 1075221-10. DOI: 10.1117/12.2319907 EDN: YBQFRR
-
Ruchay A., Kolpakov V., Kosyan D., et al. Genome-Wide Associative Study of Phenotypic Parameters of the 3D Body Model of Aberdeen Angus Cattle with Multiple Depth Cameras // Anials. 2022. Vol. 12, no. 16. Article 2128. DOI: 10.3390/ani12162128 EDN: PKZWNI
- Lu J., Guo H., Du A., et al. 2-D/3-D fusion-based robust pose normalisation of 3-D livestock from multiple RGB-D cameras // Biosystems Engineering. 2021. Vol. 223. P. 129-141. DOI: 10.1016/j.biosystemseng.2021.12.013 EDN: IPEEFJ
-
Bochkovskiy A., Wang C.-Y., Liao H.-Y.M. YOLOv4: Optimal Speed and Accuracy of Object Detection // CoRR. 2020. Vol. abs/2004.10934. arXiv: 2004.10934. URL: https: //arxiv.org/abs/2004.10934.
-
Hu Y., Luo X., Gao Z., et al. Curve Skeleton Extraction from Incomplete Point Clouds of Livestock and Its Application in Posture Evaluation // Agriculture. 2022. Vol. 12, no. 7. Article 998. DOI: 10.3390/agriculture12070998 EDN: MUAQXG
-
Ruchay A., Kober V. Clustered impulse noise removal from color images with spatially connected rank filtering // Applications of Digital Image Processing XXXIX. Vol. 9971. SPIE, 2016. 99712Y-10. DOI: 10.1117/12.2236785 EDN: YUXISL
-
Ruchay A., Kober V. Removal of impulse noise clusters from color images with local order statistics // Applications of Digital Image Processing XL. Vol. 10396. SPIE, 2017. P. 1039626-10. DOI: 10.1117/12.2272718 EDN: XNONVW
-
Ruchay A., Kober V. Impulsive noise removal from color video with morphological filtering // Applications of Digital Image Processing XL. Vol. 10396. SPIE, 2017. P. 1039627-9. DOI: 10.1117/12.2272719 EDN: XNOFOX
-
Ruchay A., Kober V. Impulsive Noise Removal from Color Images with Morphological Filtering // Analysis of Images, Social Networks and Texts. Vol. 10716. Cham: Springer International Publishing, 2018. P. 280-291. Lecture Notes in Computer Science. DOI: 10.1007/978-3-319-73013-4_26
-
Ruchay A., Dorofeev K., Kalschikov V. A novel switching bilateral filtering algorithm for depth map // Computer Optics. 2019. Vol. 43, no. 6. P. 1001-1007. DOI: 10.18287/24126179-2019-43-6-1001-1007 EDN: VQWMKQ
-
Ruchay A.N., Dorofeev K.A., Kalschikov V.. Accuracy analysis of 3D object reconstruction using point cloud filtering algorithms // CEUR Workshop Proceedings. 2019. Vol. 2391. P. 169-174. DOI: 10.18287/1613-0073-2019-2391-169-174 EDN: IOQTUN
-
Rusu R.B., Cousins S. 3D is here: Point Cloud Library (PCL) // 2011 IEEE International Conference on Robotics and Automation. 2011. P. 1-4.
-
Ruchay A., Gladkov A., Chelabiev R. Fast 3D object pose normalization for point cloud // Applications of Digital Image Processing XLIV. Vol. 11842. SPIE, 2021. 10.1117/ 12.2593893. DOI: 10.1117/12.2593893 EDN: MMMBRU
-
Ruchay A., Kalschikov V., Gridnev A., Guo H. Fast 3D object symmetry detection for point cloud // Applications of Digital Image Processing XLIV. Vol. 11842. SPIE, 2021. DOI: 10.1117/12.2593895 EDN: RBWWSA
-
Chollet F. et al. Keras. 2015. URL: https://github.com/fchollet/keras.
-
Tan M., Le Q. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // Proceedings of the 36th International Conference on Machine Learning. Vol. 97 / ed. by K. Chaudhuri, R. Salakhutdinov. PMLR, 2019. P. 6105-6114. Proceedings of Machine Learning Research.
Выпуск
Другие статьи выпуска
Исследование и описание свойств алгоритмов крайне важно для их эффективной реализации на различных типах целевых программно-аппаратных платформ. Этой актуальной задаче посвящен проект создания Открытой энциклопедии свойств алгоритмов AlgoWiki, начатый в Московском государственном университете имени М.В. Ломоносова в 2014 году. В рамках проекта была предложена единая универсальная схема описания свойств алгоритмов, в которой особое внимание уделялось свойствам, связанным с параллелизмом. Множество описанных по данной схеме алгоритмов послужило основой описания структуры предметной области в рамках иерархической схемы «Задача-Метод-Алгоритм-Реализация». Однако для дальнейшего развития проекта AlgoWiki потребовалось выделить реализации алгоритмов, ранее включенные в описания свойств алгоритмов, в отдельную сущность. В данной статье изложена схема описания свойств реализаций алгоритмов, также как и модификация изначальной схемы описания свойств самих алгоритмов. Преобразование описаний в энциклопедии AlgoWiki по данной схеме было выполнено для всех страниц проекта, и оно позволяет как более качественно описывать свойства реализаций алгоритмов, так и интегрировать проект энциклопедии AlgoWiki с проектом Algo500, реализующим масштабируемую цифровую платформу для совместного анализа свойств алгоритмов и компьютерных архитектур.
В теории алгебраических байесовских сетей существуют алгоритмы, позволяющие проводить глобальный апостериорный вывод с использованием вторичных структур. При этом построение вторичных структур предполагает использование третичной структуры. Следовательно, возникает вопрос об обособленном применении третичной структуры в задаче апостериорного вывода. Этот вопрос рассматривался ранее, но было приведено только общее описание алгоритма, при этом учитывались лишь модели со скалярными оценками вероятности истинности. В данной работе приведен алгоритм, расширяющий вышеупомянутый до возможности его использования в случае интервальных оценок. Помимо этого, важным свойством алгебраической байесовской сети является ацикличность, и корректность работы перечисленных алгоритмов обеспечивается только для ацикличных сетей. Поэтому необходимо также уметь проверять ацикличность алгебраической байесовской сети с применением третичной структуры. Описание этого алгоритма также представлено в работе, в его основе лежит ранее доказанная теорема, которая связывает количество моделей фрагментов знаний в сети с количеством непустых сепараторов и количеством компонент связности сильных сужений в цикличной АБС, а также доказанная в данной статье теорема о принадлежности двух моделей фрагментов знаний к одной компоненте связности сильного сужения. Для всех разработанных алгоритмов доказана корректность работы, а также вычислена их оценка временной сложности.
Качественные психофизиологические исследования сопряжены с созданием доступных и хорошо организованных баз данных, требующих большую предварительную работу по разработке измерительных комплексов, включающих не только средства для измерения психофизиологических параметров человека, но и его эмоционального состояния, которое отображается в выражении лица, речи и поведенческих паттернах респондентов. Измерительные комплексы должны также включать и средства обработки экспериментального материала. Суть исследования состояла в проведении эксперимента по созданию прототипа базы речевых данных русскоязычных респондентов, получения ответов на методические вопросы, возникающие у специалистов при использовании базы для задачи распознавания состояния утомления человека. Разработан аппаратно-программный комплекс, позволяющий синхронно регистрировать психофизиологические параметры, видеозаписи поведенческих реакций и аудиозапись речи человека. В качестве модели физического утомления использовался кардиореспираторный тест с физической нагрузкой. До прохождения и после завершении теста добровольцы зачитывали набор стандартных фонетически представительных текстов. Полученные аудиозаписи обрабатывались с помощью специализированной нейронной сети, способной анализировать интегральные спектральные характеристики звука. Результаты эксперимента показали возможность распознавания состояния утомления человека по его речи, что позволяет перейти к созданию большого банка аудиозаписей и совершенствованию алгоритмов распознавания состояния утомления.
В статье описываются современные нейросетевые модели на основе BERT и рассматривается их применение для задач обработки естественного языка (NLP), таких как ответы на вопросы и распознавание именованных сущностей. В статье представлен метод решения задачи автоматического создания структурныхмоделей текстовых документов. Предлагаемый метод является гибридным и основан на совместном использовании нескольких моделей NLP. Метод строит структурную модель документа, извлекая предложения,соответствующие различным аспектам документа. Извлечение информации осуществляется с использованием вопросно-ответной модели BERT с вопросами, подготовленными отдельно для каждого аспекта.Ответы фильтруются с помощью модели распознавания именованных сущностей BERT и используютсядля формирования содержимого каждого поля структурной модели. В статье предложены два алгоритмаформирования содержимого поля - алгоритм выбора исключающего ответа и алгоритм формированияобобщающего ответа, которые используются для коротких и объемных полей соответственно. В статье также описывается программная реализация предлагаемого метода и обсуждаются результаты экспериментов,проведенных для оценки качества метода.
Издательство
- Издательство
- ЮУрГУ
- Регион
- Россия, Челябинск
- Почтовый адрес
- 454080, Уральский федеральный округ, Челябинская область, г. Челябинск, просп. В.И. Ленина, д. 76
- Юр. адрес
- 454080, Уральский федеральный округ, Челябинская область, г. Челябинск, просп. В.И. Ленина, д. 76
- ФИО
- Александр Рудольфович Вагнер (Ректор)
- E-mail адрес
- admin@susu.ru
- Контактный телефон
- +7 (351) 2635882
- Сайт
- https://www.susu.ru