Frühe Krankheitsdetektion bei Wildtieren durch Analyse von Verhalten und Wetterbedingungen unter Verwendung von Bildverarbeitung und Deep Learning

Diese Forschung stellt einen einzigartigen Ansatz zur Erkennung von Tierkrankheiten und zur Positionsbestimmung basierend auf dem Wetter vor, wobei modernste Deep Learning Modelle eingesetzt werden. Eines der drei verwendeten Datensätze stammt vom Center for Food Security and Public Health und enthält Bilder von verschiedenen Tierkrankheiten sowie deren Beschreibungen. Das System nutzt das YOLO-Modell zur Erkennung der Tierpositionen, ein äußerst effektives Werkzeug zur Erkennung von Objektposen. Mehrere Tiersets wurden integriert, um die Genauigkeit und Robustheit der Positionsbestimmung sicherzustellen. Das MobileNet-Modell wird übernommen und auf dem aus dem Web geschöpften Bilddatensatz für die Krankheitsdiagnose trainiert, das mit dem Wetter-CSV-Datensatz verknüpft ist. Das Hauptziel des vorgeschlagenen Systems ist es, eine präzise Krankheitsidentifikation und begleitende Krankheitsbeschreibungen zu liefern, sobald ein Testtierbild unter Berücksichtigung der Pose und des Wetters empfangen wird. Diese Forschung verbindet zwei wichtige Aspekte - herauszufinden, wie Tiere positioniert sind und Krankheiten zu erkennen. Es ist ein nützliches Werkzeug für Tierärzte und Tierexperten. Durch den Einsatz von Deep Learning-Technologie hat das System das Potenzial, die Krankheitsdiagnose zu verbessern und das Wohlbefinden von Tieren zu steigern. Das vorgeschlagene Modell erreichte eine Genauigkeit von 91%, als es auf dem aus dem Web geschöpften Datensatz trainiert wurde.