Publication detail

Counting Livestock with Image Segmentation Neural Network

Year: 2020

Type of publication: článek ve sborníku

Name of source: 15th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2020)

Publisher name: Springer Nature Switzerland AG

Place: Cham

Page from-to: 237-244

Titles:

Language	Name	Abstract	Keywords
cze	Počítání hospodářských zvířat pomocí segmentační neuronové sítě	Průmyslová odvětví chovu hospodářských zvířat, stejně jako téměř všechna průmyslová odvětví, potřebují stále více údajů o fungování svých podniků a činností, aby mohla činit správná rozhodnutí. Přesné a aktuální informace o poloze a počtech zvířat je však obtížné získat, zejména pokud uvažujeme o velmi velkých zvířecích farmách. V tomto příspěvku je navržen nový inženýrský přístup k určování polohy a počítání hospodářských zvířat na základě zpracování obrazu. Tento přístup se skládá ze dvou částí. Jmenovitě plně konvoluční neurální síť pro transformaci vstupního obrazu a lokátor pro určování polohy zvířat. Proces transformace je navržen tak, aby transformoval původní obrázek RGB na obrázek v šedé stupnici, kde jsou polohy zvířat zvýrazněny jako přechody. Lokátor poté detekuje polohy kruhů, aby poskytl polohy zvířat. Prezentovaný přístup poskytuje s testovací sadou míru přesnosti 0,9842, což je v kombinaci s poměrně vhodnou výpočetní složitostí dobrý předpoklad pro budoucí implementaci v reálných podmínkách.	Počítání hospodářských zvířat; Konvoluční neuronová síť; U-Net; Precision Agriculture
eng	Counting Livestock with Image Segmentation Neural Network	Livestock farming industries, as well as almost any industry, want more and more data about the operation of their business and activities in order to make the right decisions. However, especially when considering very large animal farms, the precise and up-to-date information about the position and numbers of the animals is rather difficult to obtain. In this contribution, a novel engineering approach to livestock positioning and counting, based on image processing, is proposed. The approach is composed of two parts. Namely, a fully convolutional neural network for input image transformation, and a locator for animal positioning. The transformation process is designed in order to transform the original RGB image into a gray-scale image, where animal positions are highlighted as gradient circles. The locator then detects the positions of the circles in order to provide the positions of animals. The presented approach provides a precision rate of 0.9842 and a recall rate of 0.9911 with the testing set, which is, in combination with a rather suitable computational complexity, a good premise for the future implementation under real conditions.	Livestock Counting; Fully Convolutional Neural Network; U-Net; Precision Agriculture

Search

Login for students

Login for employees

Publication detail

Department

Map

Services

Popular Links