20.500.12556/DKUM-77329 The Digital Pig: Automatic Systems for Behavior Detection in Weaned Pigs Digitalni prašič: avtomatski sistemi za detekcijo obnašanja odstavljencev 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. 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. pig pig annotation behavior welfare machine learning prašič detekcija prašiča obnašanj welfare strojno učenje true true false Angleški jezik Slovenski jezik Diplomsko delo/naloga 2020-08-27 02:55:58 2020-09-08 11:56:42 2022-08-09 14:39:54 2020-09-11 03:21:32 2020 0 Maribor 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 URN:SI:UM:DK:GVZYRZUK VS_Znidar_Anja_2020.pdf VS_Znidar_Anja_2020.pdf 1 4C93586ABFDADB0028FE9CDF52EB820E a971f53a66fecb707d8ff3b4431ee9ee4a842e6b39289eade63ac9ddb4011853 bed663eb-7c11-11eb-bb7a-00155d0001ca 20.500.12556/dkum/67826606-776c-4f2a-8f21-08b1feb22f64 https://dk.um.si/Dokument.php?lang=slv&id=144726 Fakulteta za kmetijstvo in biosistemske vede 0 0 0