Kuh-Erkennungs- und Verfolgungssystem unter Verwendung eines Multi-Feature-Tracking-Algorithmus

In modernen Rinderhaltungsmanagementsystemen hat die videobasierte Überwachung an Bedeutung gewonnen, um das hochgradige Verhalten von Rindern zu analysieren, um ihre Gesundheit zu überwachen und die Kalbung vorherzusagen, um rechtzeitige Unterstützung zu bieten. Traditionell wurden Sensoren zur Erkennung und Verfolgung ihrer Aktivitäten eingesetzt. Da an den Körper angeheftete Sensoren Stress verursachen, können Videokameras als Alternative verwendet werden. Allerdings kann die Identifizierung und Verfolgung einzelner Rinder schwierig sein, insbesondere bei schwarzen und braunen Varietäten, die sich im Aussehen so ähnlich sind. Daher schlagen wir eine neue Methode vor, die Videokameras zur Erkennung von Rindern und zur Verfolgung ihres Aufenthaltsorts nutzt. In unserem Ansatz haben wir eine Kombination aus Deep Learning und Bildverarbeitungstechniken angewendet, um ein robustes System zu bauen. Das vorgeschlagene System verarbeitet Bilder in separaten Phasen, nämlich Datenvorverarbeitung, Kuh-Erkennung und Kuh-Verfolgung. Die Kuh-Erkennung erfolgt mit einem populären Instanzsegmentierungsnetzwerk. In der Kuh-Verfolgungsphase haben wir folgende drei Merkmale verwendet, um jede Kuh mit der entsprechenden in dem nächsten Bild zu assoziieren: Kuh-Standort, Erscheinungsmerkmale sowie aktuelle Merkmale des Kuhbereichs. Dabei haben wir einfach die Distanz zwischen den beiden Schwerpunktsstandorten der Kuhregionen ausgebeutet. Da Farbe und Textur das Erscheinungsbild eines Objekts geeignet definieren, analysieren wir den am besten geeigneten Farbraum, um Farbmomentmerkmale zu extrahieren, und verwenden eine Ko-Vorkommensmatrix (CM) zur texturalen Darstellung. Tiefe Merkmale werden aus aktuellen Kuhbildern mit einem Convolutional Neural Network (CNN-Merkmale) extrahiert und ebenfalls gemeinsam im Verfolgungsprozess angewendet, um die Systemleistung zu steigern. Wir haben auch einen robusten Multiple Object Tracking (MOT)-Algorithmus zur Kuhverfolgung vorgeschlagen, indem wir mehrere Merkmale aus dem Kuhbereich verwendet haben. Die experimentellen Ergebnisse haben gezeigt, dass unser vorgeschlagenes System die Probleme der MOT bewältigen und zuverlässige Leistungen bieten kann.