Application of deep learning for livestock behaviour recognition: A systematic literature review

要約

家畜の健康と福祉の監視は、伝統的に手作業で行われる労働集約的な作業でした。
最近の進歩により、AI およびコンピューター ビジョン技術、特にディープ ラーニング モデルが畜産業内の意思決定ツールとして採用されるようになりました。
これらのモデルは、動物の識別、追跡、体の部分の認識、種の分類などのタスクに使用されています。
過去 10 年間、家畜の行動と健康問題との関係を調査するためにこれらのモデルを使用することへの関心が高まっています。
これまでのレビュー研究はかなり一般的なものでしたが、現在、家畜行動認識のための DL に特に焦点を当てたレビュー研究はありません。
したがって、この系統的文献レビュー (SLR) が実施されました。
SLR では、電子データベース全体にわたる最初の検索が行われ、その結果、1,101 件の出版物が得られました。
定義された選択基準を適用した結果、126 件の出版物が最終候補リストに残りました。
これらの出版物は品質基準に基づいてさらにフィルタリングされ、44 件の質の高い一次研究が選択されました。
これらの研究は、研究上の疑問に対処するために分析されました。
結果は、DL が 44 の異なる動作クラスを含む 13 の動作認識問題にうまく対処したことを示しました。
さまざまな DL モデルとネットワークが採用されており、CNN、Faster R-CNN、YOLOv5、YOLOv4 が最も一般的なモデルであり、VGG16、CSPDarknet53、GoogLeNet、ResNet101、および ResNet50 が一般的なネットワークです。
パフォーマンスの評価には 10 の異なるマトリックスが含まれ、精度と精度が最も頻繁に使用されました。
一次研究では、咬合、癒着、データの不均衡、家畜環境の複雑さなどの課題が特定されました。
SLR 研究では、自律的な家畜行動認識システムの開発を促進するための潜在的な解決策と研究の方向性についても議論されました。

要約(オリジナル)

Livestock health and welfare monitoring has traditionally been a labor-intensive task performed manually. Recent advances have led to the adoption of AI and computer vision techniques, particularly deep learning models, as decision-making tools within the livestock industry. These models have been employed for tasks like animal identification, tracking, body part recognition, and species classification. In the past decade, there has been a growing interest in using these models to explore the connection between livestock behaviour and health issues. While previous review studies have been rather generic, there is currently no review study specifically focusing on DL for livestock behaviour recognition. Hence, this systematic literature review (SLR) was conducted. The SLR involved an initial search across electronic databases, resulting in 1101 publications. After applying defined selection criteria, 126 publications were shortlisted. These publications were further filtered based on quality criteria, resulting in the selection of 44 high-quality primary studies. These studies were analysed to address the research questions. The results showed that DL successfully addressed 13 behaviour recognition problems encompassing 44 different behaviour classes. A variety of DL models and networks were employed, with CNN, Faster R-CNN, YOLOv5, and YOLOv4 being among the most common models, and VGG16, CSPDarknet53, GoogLeNet, ResNet101, and ResNet50 being popular networks. Performance evaluation involved ten different matrices, with precision and accuracy being the most frequently used. Primary studies identified challenges, including occlusion, adhesion, data imbalance, and the complexities of the livestock environment. The SLR study also discussed potential solutions and research directions to facilitate the development of autonomous livestock behaviour recognition systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google