Transfer rapid al modelului de detectare a purceilor lactanți folosind adnotare semi-automată într-un mediu de creștere a porcilor necunoscut

Atribuirea manuală a imaginilor cu purcei în diferite medii agricole este o activitate consumatoare de timp și muncă.

Pentru a aborda această problemă, propunem o metodă semi-automată în cadrul unui sistem de învățare activă, care integrează un model de pre-atribuire pentru detectarea purcelușilor.

De asemenea, analizăm modul în care compoziția mostrelor de date influențează eficiența pre-atribuirii, pentru a îmbunătăți utilizarea modelelor de detectare a purcelușilor în perioada de lactație.

Studiul nostru utilizează mostre originale provenite de pe fermele de porci din Jingjiang, Suqian și Sheyang, precum și date noi de pe ferma de porci Yinguang din Danyang.

Folosind cadrul YOLOv5, am construit atât seturi de date de antrenament cu imagini exclusive, cât și seturi mixte, evaluate performanța acestora și selectând cel mai bun model de pre-atribuire.

Acest model a generat coordonatele cutiilor bounding pe mostrele noi prelucrate, care au fost apoi corectate manual pentru a antrena modelul final.

Rezultatele arată că extinderea setului de date și diversificarea scenelor din crescătorie semnificativ îmbunătățesc performanța pre-atribuirii.

Cel mai bun model a obținut o precizie de test de 0.921 pe mostrele noi, iar după calibrare manuală, modelul final a atins o precizie de antrenament de 0.968, o recall de 0.952 și o precizie medie de 0.979 la pragul IoU de 0.5.

Modelul a demonstrat o detectare robustă în condiții variate de iluminare, cu cutii bounding care se conformează strâns contururilor purcelușilor, reducând semnificativ munca manuală.

Această metodă este eficientă din punct de vedere costuri pentru sarcinile de segmentare a purcelușilor și oferă un suport solid pentru avansarea tehnologiilor agricole inteligente..