تشخیص و دسته بندی تیپ گاو بر اساس انحراف انتهای ستون فقرات با استفاده از یادگیری ماشین

در مزارع پرورش گاو شیری، عملیات یادگیری ماشینی می تواند بر اساس امتیازدهی وضعیت بدنی (BCS) با بهره گیری از ویژگی های استخراج شده از تصاویر برای شناسایی و طبقه بندی انواع گاوها مورد استفاده قرار گیرد. به طور خاص، الگوریتم های یادگیری ماشین می توانند انحنای ستون فقرات را اغلب با شناسایی نقاط کلیدی و برازش یک خط یا منحنی، تجزیه و تحلیل کنند تا بین نژادهای مختلف گاو تمایز قائل شوند و وضعیت آن را ارزیابی کنند. در این مطالعه، جهت تشخیص و طبقه بندی انواع تیپ گاو بر اساس وضعیت انحنای انتهای ستون فقرات (کفل) از مدل های یادگیری ماشین که در سال های اخیر به طور مکرر در علوم کامپیوتر مورد استفاده قرار گرفته اند، شامل SVM، KNN و CNN همراه با شبکه از پیش آموزش دیده مبتنی بر یادگیری عمیق Resnet۵۰ به منظور افزایش موفقیت معماری ها استفاده شد. در هر یک از الگوریتم ها استخراج و ثبت و ادغام ویژگی های تصاویر برای تشخیص نوع تیپ گاوها انجام گرفت و در نهایت الگوریتم CNN از پیش آموزش دیده مبتنی بر یادگیری عمیق با بالاترین میزان دقت (۹۳ درصد) توانست نوع تیپ گاو را درست تشخیص دهد. بنابراین می توان با تلفیق این سیستم پردازشی با مکانیزم تصویربرداری، امکان تشخیص و طبقه بندی گاوها را بر اساس انواع حالات و مشخصات بدنی در محیط های گاوداری در مدت زمان کوتاه تر، ساده تر و کاربرپسند فراهم ساخت. این رویکرد نیاز به استخراج دستی ویژگی های دام را حذف می کند، بکارگیری نیروی انسانی را کاهش می دهد و به دقت تشخیص بهبودیافته ای دست می یابد.

کلیدواژه ها:

امتیازدهی وضعیت بدنی ، انحنای کفل گاو ، الگوریتم های یادگیری ماشین ، شبکه عصبی اغتشاشی ، یادگیری عمیق