Розпізнавання породи і оцінка живої ваги великої рогатої худоби на основі методів машинного навчання і комп'ютерного зору

Автор(и)

  • Олександр Олександрович Безсонов Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0001-6104-4275
  • Олег Григорович Лебедєв Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0001-5998-0136
  • Валентин Олегович Лебедєв Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-0095-7481
  • Юрій Євгенович Мегель Харківський національний технічний університет сільського господарства імені Петра Василенка, Україна https://orcid.org/0000-0003-0072-0756
  • Дмитро Володимирович Прочухан Відокремлений структурний підрозділ "Харківський комп'ютерно-технологічний фаховий коледж" Національного технічного університету "Харківський політехнічний інститут", Україна https://orcid.org/0000-0002-4622-1015
  • Олег Григорійович Руденко Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0003-0859-2015

DOI:

https://doi.org/10.15587/1729-4061.2021.247648

Ключові слова:

обробка зображень, згорткова мережа, багатошаровий персептрон, стереопсіс, прогнозуюча модель, навчання

Анотація

Запропонований спосіб вимірювання параметрів великої рогатої худоби з використанням нейромережевих методів обробки зображень. Для цього застосовуються декілька нейромережевих моделей: згорткова штучна нейронна мережа, а також багатошаровий персептрон. Перша використовується для розпізнавання корови на фотографії і ідентифікації її породи з подальшим визначенням розмірів її тіла за допомогою методу стереопсіса. Персептрон застосовується для оцінювання маси корови на основі інформації про її породу і розміри. В якості штучної нейронної мережі обрано згорткову мережу Mask RCNN (Mask Regions With CNNs).

Для уточнення інформації про фізичні параметри тварин додатково використовується 3D камера (Intel RealSense D435i). Зображення корів, знятих під різними кутами, застосовувалися для визначення параметрів їх тіл за допомогою фотограмметричного методу.

Розміри тіла корови визначаються з аналізу зображень тварин, зроблених синхронізованими камерами з різних сторін. Спочатку на зображенні ідентифікується корова і визначається її порода за допомогою згорткової нейронної мережі mask-rcnn. Потім параметри тварини визначаються за допомогою методу стереопсіса. Отримані дані про породу і розміри подаються на прогнозуючу модель, яка визначає передбачувану масу тварини.

При моделюванні в якості порід корів, що розпізнавалися, розглядалися породи Айршірська, Голштинська, Джерсейська, Червона степова. Використання переднавченої мережі з подальшим її донавчанням за допомогою алгоритму SGD і використанням відеокарти Nvidia GeForce 2080 (США) дозволило значно прискорити процес навчання в порівнянні з навчанням на CPU.

Отримані результати підтверджують ефективність застосування запропонованого методу для вирішення практичних завдань

Біографії авторів

Олександр Олександрович Безсонов, Харківський національний університет радіоелектроніки

Доктор технічних наук, професор

Кафедра комп’ютерних інтелектуальних технологій та систем

Олег Григорович Лебедєв, Харківський національний університет радіоелектроніки

Кандидат технічних наук, доцент

Кафедра електронних обчислювальних машин

Валентин Олегович Лебедєв, Харківський національний університет радіоелектроніки

Аспірант

Кафедра електронних обчислювальних машин

Юрій Євгенович Мегель, Харківський національний технічний університет сільського господарства імені Петра Василенка

Доктор технічних наук, професор, завідувач кафедри

Кафедра кібернетики

Дмитро Володимирович Прочухан, Відокремлений структурний підрозділ "Харківський комп'ютерно-технологічний фаховий коледж" Національного технічного університету "Харківський політехнічний інститут"

Викладач

Олег Григорійович Руденко, Харківський національний університет радіоелектроніки

Доктор технічних наук, професор, завідувач кафедри

Кафедра комп’ютерних інтелектуальних технологій та систем

Посилання

  1. Tasdemir, S., Urkmez, A., Inal, S. (2011). 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, 76 (2), 189–197. doi: https://doi.org/10.1016/j.compag.2011.02.001
  2. Celik, S., Eyduran, E., Karadas, K., Tariq, M. M. (2017). Comparison of predictive performance of data mining algorithms in predicting body weight in Mengali rams of Pakistan. Revista Brasileira de Zootecnia, 46 (11), 863–872. doi: https://doi.org/10.1590/s1806-92902017001100005
  3. McNitt, J. I. (1983). Livestock Husbandry Techniques. London: Granada publishing company limited, 288.
  4. Adamczyk, K., Molenda, K., Szarek, J., Skrzyński, G. (2005). Prediction of Bulls’slaughter Value From Growth Data Using Artificial Neural Network. Journal of Central European Agriculture, 6 (2), 133–142. Available at: https://www.academia.edu/22135262/Prediction_of_BullsSlaughter_Value_From_Growth_Data_Using_Artificial_Neural_Network_Przewidywanie_Warto%C5%9Bci_Rze%C5%BAnej_
  5. Akkol, S., Akilli, A., Cemal, İ. (2017). Comparison of Artificial Neural Network and Multiple Linear Regression for Prediction of Live Weight in Hair Goats. Yüzüncü Yıl Üniversitesi Tarım Bilimleri Dergisi, 27 (1), 21–29. doi: https://doi.org/10.29133/yyutbd.263968
  6. Khorshidi‐Jalali, M., Mohammadabadi, M. R., Esmailizadeh, A., Barazandeh, A., Babenko, O. I. (2019). Comparison of Artificial Neural Network and Regression Models for Prediction of Body Weight in Raini Cashmere Goat. Iranian Journal of Applied Animal Science, 9 (3), 453–461. Available at: http://ijas.iaurasht.ac.ir/article_667543_108967f61ea69bafe983318670f81ffd.pdf
  7. Nicolas, F. F. C., Saludes, R. B., Relativo, P. L. P., Saludes, T. A. (2018). Estimating live weight of philippine dairy buffaloes (bubalus bubalis) using digital image analysis. Philipp J Vet Anim Sci, 44 (2), 129–138. Available at: https://www.pjvas.org/index.php/pjvas/article/view/207/183
  8. Shahinfar, S., Mehrabani-Yeganeh, H., Lucas, C., Kalhor, A., Kazemian, M., Weigel, K. A. (2012). Prediction of Breeding Values for Dairy Cattle Using Artificial Neural Networks and Neuro-Fuzzy Systems. Computational and Mathematical Methods in Medicine, 2012, 1–9. doi: https://doi.org/10.1155/2012/127130
  9. Ali, M., Eyduran, E., Tariq, M. M., Tirink, C., Abbas, F., Bajwa, M. A. et. al. (2015). Comparison of artificial neural network and decision tree algorithms used for predicting live weight at post weaning period from some biometrical characteristics in Harnai sheep. Pakistan J. Zool., 47 (6), 1579–1585. Available at: http://zsp.com.pk/pdf47/1579-1585%20(10)%20QPJZ-0146-2015%2014-7-15%20REVISEDVERSION_FINAL.pdf
  10. Mortensen, A. K., Lisouski, P., Ahrendt, P. (2016). Weight prediction of broiler chickens using 3D computer vision. Computers and Electronics in Agriculture, 123, 319–326. doi: https://doi.org/10.1016/j.compag.2016.03.011
  11. Raja, T. V., Ruhil, A. P., Gandhi, R. S. (2011). Comparison of connectionist and multiple regression approaches for prediction of body weight of goats. Neural Computing and Applications, 21 (1), 119–124. doi: https://doi.org/10.1007/s00521-011-0637-z
  12. Salawu, E. O., Abdulraheem, M., Shoyombo, A., Adepeju, A., Davies, S., Akinsola, O., Nwagu, B. (2014). Using Artificial Neural Network to Predict Body Weights of Rabbits. Open Journal of Animal Sciences, 04 (04), 182–186. doi: https://doi.org/10.4236/ojas.2014.44023
  13. Szyndler-Nędza, M., Eckert, R., Blicharski, T., Tyra, M., Prokowski, A. (2016). Prediction of Carcass Meat Percentage in Young Pigs Using Linear Regression Models and Artificial Neural Networks. Annals of Animal Science, 16 (1), 275–286. doi: https://doi.org/10.1515/aoas-2015-0057
  14. Wang, Y., Yang, W., Winter, P., Walker, L. (2008). Walk-through weighing of pigs using machine vision and an artificial neural network. Biosystems Engineering, 100 (1), 117–125. doi: https://doi.org/10.1016/j.biosystemseng.2007.08.008
  15. Wu, J., Tillett, R., McFarlane, N., Ju, X., Siebert, J. P., Schofield, P. (2004). Extracting the three-dimensional shape of live pigs using stereo photogrammetry. Computers and Electronics in Agriculture, 44 (3), 203–222. doi: https://doi.org/10.1016/j.compag.2004.05.003
  16. Wongsriworaphon, A., Arnonkijpanich, B., Pathumnakul, S. (2015). An approach based on digital image analysis to estimate the live weights of pigs in farm environments. Computers and Electronics in Agriculture, 115, 26–33. doi: https://doi.org/10.1016/j.compag.2015.05.004
  17. Yilmaz, H. M., Yakar, M., Yildiz, F. (2008). Digital Photogrammetry in Obtaining of 3D Model Data of Irregular Small Objects. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Beijing, 125–130. Available at: https://www.isprs.org/proceedings/XXXVII/congress/3b_pdf/23.pdf
  18. Radwan, H., Qaliouby, H., Elfadl, E. (2020). Classification and prediction of milk yield level for Holstein Friesian cattle using parametric and non-parametric statistical classification models. Journal of Advanced Veterinary and Animal Research, 7 (3), 429. doi: https://doi.org/10.5455/javar.2020.g438
  19. Tasdemir, S., Ozkan, I. A. (2019). Ann approach for estimation of cow weight depending on photogrammetric body dimensions. International Journal of Engineering and Geosciences. doi: https://doi.org/10.26833/ijeg.427531
  20. Cooper, M. A. R., Robson, S. (1996). Theory of Close Range Photogrammetry. Close Range Photogrammetry and Machine Vision, 9–51.
  21. Yilmaz, H. M. (2010). Close range photogrammetry in volume computing. Experimental Techniques, 34 (1), 48–54. doi: https://doi.org/10.1111/j.1747-1567.2009.00476.x
  22. Yakar, M., Yilmaz, H. (2008). Using in volume computing of digital close range photogrammetry. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Beijing, 119–124. Available at: https://www.isprs.org/proceedings/xxxvii/congress/3b_pdf/22.pdf
  23. Hartley, R., Zisserman, A. (2004). Multiple View Geometry in Computer Vision. Cambridge University Press. doi: https://doi.org/10.1017/cbo9780511811685
  24. Bradski, G., Kaehler, A. (2008). Learning OpenCV: Computer Vision with the OpenCV Library. O'Reilly Media, 580.
  25. LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., Jackel, L. D. (1989). Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1 (4), 541–551. doi: https://doi.org/10.1162/neco.1989.1.4.541
  26. LeCun, Y., Bengio, Y. (1995). Convolutional networks for images, speech, and time series. The Handbook of Brain Theory and Neural Networks, 255–258.
  27. Girshick, R. (2015). Fast R-CNN. 2015 IEEE International Conference on Computer Vision (ICCV). doi: https://doi.org/10.1109/iccv.2015.169
  28. Wang, J., Ye, Z. (2018). An improved faster R-CNN approach for robust hand detection and classification in sign language. Tenth International Conference on Digital Image Processing (ICDIP 2018). doi: https://doi.org/10.1117/12.2503080
  29. He, K., Gkioxari, G., Dollar, P., Girshick, R. (2017). Mask R-CNN. 2017 IEEE International Conference on Computer Vision (ICCV). doi: https://doi.org/10.1109/iccv.2017.322
  30. Nair, V., Hinton, G. E. (2010). Rectified linear units improve restricted Boltzmann machines. Proceedings of the 27 th International Conference on Machine Learning.
  31. Zhang, Z. (2016). Derivation of Backpropagation in Convolutional Neural Network (CNN). Available at: https://zzutk.github.io/docs/reports/2016.10%20-%20Derivation%20of%20Backpropagation%20in%20Convolutional%20Neural%20Network%20(CNN).pdf
  32. Raimi, B. K. (2015). 10 Gradient Descent Optimisation Algorithms + Cheat Sheet. Available at: https://www.kdnuggets.com/2019/06/gradient-descent-algorithms-cheat-sheet.html
  33. Rudenko, O., Bezsonov, O., Oliinyk, K. (2020). First-Order Optimization (Training) Algorithms in Deep Learning. Proceedings of the 4th International Conference on Computational Linguistics and Intelligent Systems (COLINS 2020). Volume I: Main Conference. Lviv, 921–935. Available at: http://ceur-ws.org/Vol-2604/paper61.pdf
  34. Mask R-CNN for object detection and instance segmentation on Keras and TensorFlow. Available at: https://github.com/matterport/Mask_RCNN
  35. Image augmentation for machine learning experiments. Available at: https://github.com/aleju/imgaug

##submission.downloads##

Опубліковано

2021-12-29

Як цитувати

Безсонов, О. О., Лебедєв, О. Г., Лебедєв, В. О., Мегель, Ю. Є., Прочухан, Д. В., & Руденко, О. Г. (2021). Розпізнавання породи і оцінка живої ваги великої рогатої худоби на основі методів машинного навчання і комп’ютерного зору. Eastern-European Journal of Enterprise Technologies, 6(9 (114), 64–74. https://doi.org/10.15587/1729-4061.2021.247648

Номер

Том 6 № 9 (114) (2021): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2021 Oleksandr Bezsonov, Oleh Lebediev, Valentyn Lebediev, Yuriy Megel, Dmytro Prochukhan, Oleg Rudenko

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.