جداسازی سر و پاهای مرغ در تصاویر حرارتی از طریق الگوریتم یولو و پیش بینی آنفولانزای مرغی با روش یادگیری ماشین

دمای بدن حیوانات ارتباط نزدیکی با متابولیسم و فعالیت های حیاتی آن ها دارد که می تواند وضعیت فیزیولوژیکی و سلامت را نشان دهد. این دما به طور متناسب زمانی که حیوانات بیماری، تغییرات فیزیولوژیکی خاص یا تغییرات محیطی را تجربه می کنند، تغییر می کند. تشخیص زودهنگام و دقیق بیماری های طیور از طریق روش های غیرتهاجمی برای صنعت طیور از اهمیت بالایی برخوردار است. هدف از این تحقیق، جداسازی سر و پاهای مرغ ها در تصاویر حرارتی از طریق یک مدل تشخیص شیء و استفاده از یک مدل یادگیری ماشین برای پیش بینی وقوع آنفولانزای مرغی بود. مدل تشخیص مورداستفاده ۸You Only Look Once (YOLO)v و مدل طبقه بندی مورداستفاده، ماشین بردار پشتیبان بود. تصاویر حرارتی در سه حالت مختلف، شامل تصاویر اصلی، تصاویر با حذف پس زمینه و تصاویر با سر و پاهای مرغ ها که توسط مدل ۸YOLO-v استخراج شده اند، ارزیابی شدند. تصاویر حرارتی از ۸ تا ۶۴ ساعت پس از عفونت های بیماری در فواصل ۸ ساعته گرفته شدند. نتایج نشان داد که دقت تشخیص برای سه گروه بصری برای آنفولانزای مرغی به ترتیب ۸۹/۷۵ درصد، ۹۳/۸۳ درصد و ۴۸/۹۲ درصد بود. علاوه بر این، این مدل می تواند این بیماری را ظرف ۸ ساعت پس از عفونت بیماری با دقت بیش از ۹۰ درصد شناسایی کند. نتایج همچنین نشان می دهد که سهم ویژگی های مرتبط با بافت نسبت به سایر ویژگی ها قابل توجه تر است. تمرکز بر نواحی سر و پا منجر به افزایش دقت تشخیص شد که امکان تشخیص دقیق تر را در مراحل اولیه عفونت فراهم می کند.

کلیدواژه ها:

پردازش تصویر ، یادگیری ماشین ، استخراج ویژگی ، آموزش عمیق