Semi-automatische Schätzungen des Gewichtes von Schweinen anhand digitaler Bildanalyse

Zusammenfassung. Da Schweine in der Regel nach ihrem Gewicht verkauft werden, spielt der Wiegeprozess eine wichtige Rolle. Traditionelle Ansätze beinhalten das manuelle Wiegen von Schweinen in der tatsächlichen Farmumgebung, was aufgrund der Bewegung der Schweine in einem überfüllten Raum eine langsame und stressige Aufgabe sein kann. Darüber hinaus trägt die Ungenauigkeit der Gewichte zu diesem Problem bei. Daher wird ein automatischer Ansatz benötigt. Bestehende automatisierte Verfahren leiden jedoch auch unter Problemen wie der Ungenauigkeit, die durch die Bewegungen der Schweine, die geringe Lichtintensität und die niedrige Deckenhöhe in der Farmumgebung für eine ordnungsgemäße Installation einer Kamera verursacht werden. Um diese Probleme zu überwinden, präsentiert dieser Artikel einen semi-automatischen Maschinenbetriebsansatz zur Schätzung des Schweinegewichts in einer realen Farmumgebung mit einer hohen Anzahl von Schweinen pro Stall, einem bewölkten Hintergrundbild und der natürlichen Bewegung der Schweine. Es existieren kommerzielle mechanische Gewichtsskalen mit Identifikation durch Funkfrequenz (RFID), um eine automatische Überwachung des Gewichts von Schweinen für jede Box zu ermöglichen. Aus wirtschaftlicher Sicht sind sie jedoch zu teuer für den Einsatz in Entwicklungsländern wie Thailand. Das Hauptziel dieser Studie ist es, das Kostenproblem anzugehen. Eine kostengünstige geschlossene Überwachungskamera (CCTV) wurde genutzt, und es wurde Open-Source-Software übernommen. Schweinebilder wurden aus der Draufsicht des Futterautomaten aufgenommen. Die entwickelte Software wurde mit einer Kamera-Kalibrierung für den Prozess zur Eliminierung von Verzerrungen, der Grenzerkennung von Schweinen für den Prozess der Merkmalsextraktion und einem künstlichen neuronalen Netzwerk für die Schätzung des Schweinegewichts ausgestattet. Die Ergebnisse der experimentellen Bewertung zeigten die Vorteile und Praktikabilität des vorgeschlagenen Ansatzes, was zu einem niedrigen absoluten Mittelwertfehler von 2,84 %, einer kurzen Modelltrainingszeit von etwa 5 Sekunden und einer kurzen Vorhersagezeit von 7,18 Millisekunden führte. Schlüsselwörter: Künstliche Intelligenz, Bildverarbeitung, Mehrschicht-Perzeptron, System zur Schätzung des Schweinegewichts, Intelligente Landwirtschaft.