딥러닝 모델을 통한 포유기 모돈과 자돈 실시간 행동 탐지
Real-time Behavior Detection of Nursing Period Sows and Piglets using Deep Learning Models
6
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
돈사에서 발생하는 폐사율 중 포유기 자돈의 폐사율이 가장 높다. 폐사율을 줄이기 위해서는 압사와 같은 사고가 발생하거나 자돈의 체온이 떨어지지 않도록 축산 농가 종사자들의 주의깊은 관찰이 필요하다. 하지만 농가 종사자들이 엄청난 수의 돼지를 일일이 관찰하는 것은 한계가 있다. 따라서 우리는 실시간 객체 탐지가 가능한 딥러닝 모델인 YOLOv4-CSP와 YOLOv7-E6E를 사용하여 돈사 내부의 자돈과 모돈의 행동을 탐지하는 것을 목표로 하였다. YOLOv4-CSP 모델은 특징맵을 분할 한 후 Cross- stage Hierarchy를 활용하여 중복으로 사용되는 기울기 정보를 제거함으로써 연산량을 감소시킨 모델이다. YOLOv7- E6E 모델은 각 계층의 가중치가 다양한 특징을 학습하도록 그레디언트 경로를 분석하고 제어하는 구조를 가지는 모델이다. 제안된 연구는 모돈에서 standing, sitting, lying을 탐지하며, 자돈에서 lactating과 starving 행동을 탐지한다. 최적의 객체 탐지를 위해 모델의 파라미터를 최적화하였으며, 전문가를 통한 데이터 획득으로 신뢰성을 높였다. 총 5가지 행동에 대해 YOLOv4-CSP 모델은 0.63의 Accuracy와 0.662의 mAP의 성능을 나타내었으며, YOLOv7- E6E 모델은 0.65의 Accuracy와 0.637의 mAP 성능을 보였다. 따라서 클래스 및 위치 지표를 모두 고려한 mAP를 기준으로 YOLOv4-CSP 모델이 가장 높은 성능을 나타내었다. 이러한 연구는 이후 돈사 돼지의 행동 분석 및 자돈 압사 방지에 효과적으로 활용될 수 있을 것이라고 생각된다.
Abstract
On pig farms, the highest mortality rate is observed among nursing piglets. To reduce this mortality rate, farmers need to carefully observe the piglets to prevent accidents such as being crushed and to maintain a proper body temperature. However, observing a large number of pigs individually can be challenging for farmers. Therefore, our aim was to detect the behavior of piglets and sows in real-time using deep learning models, such as YOLOv4-CSP and YOLOv7-E6E, that allow for real-time object detection. YOLOv4-CSP reduces computational cost by partitioning feature maps and utilizing Cross-stage Hierarchy to remove redundant gradient calculation. YOLOv7-E6E analyzes and controls gradient paths such that the weights of each layer learn diverse features. We detected standing, sitting, and lying behaviors in sows and lactating and starving behaviors in piglets, which indicate nursing behavior and movement to colder areas away from the group. We optimized the model parameters for the best object detection and improved reliability by acquiring data through experts. We conducted object detection for the five different behaviors. The YOLOv4-CSP model achieved an accuracy of 0.63 and mAP of 0.662, whereas the YOLOv7-E6E model showed an accuracy of 0.65 and mAP of 0.637. Therefore, based on mAP, which includes both class and localization performance, YOLOv4-CSP showed the superior performance. Such research is anticipated to be effectively utilized for the behavioral analysis of fattening pigs and in preventing piglet crushing in the future.
참고문헌 (12)
- Bochkovskiy, A., "Yolov4 : Optimal speed and accuracy of object detection", pp.1~17 (2020)
- 최민석, "효율적인 클라우드 기반 스마트팜 제어 시스템 구현 방법", 디지털융복합연구, 18(3), pp.171~177 (2020), 한국디지털정책학회[DOI]
- Girshick, R, "Fast r-cnn", Proceedings of the IEEE international conference on computer vision, pp.1440~1448 (2015), Microsoft Research
- Jeon, J. H., "Effects of air ejection on the behaviors related to the crushing of suckling piglets", The annual conference of the Korean Society of Animal Facilities and Environment, pp.61~69 (2003)
- Jeong, U. I., "Prevention of sow mortality loss", The Korea Swine Journal, 6, pp.123~127 (1990)
- Jo, H. J., "Analysis and Outlook of Industrial Drone Market", KIPE Magazine, 25, pp.45~48 (2020)
- Lee, J. H., "Specification management to increase survival rate of nursing period piglets", The Korea Swine Journal, 19, pp.178~183 (1997)
- Lee, O. H., "Preventive measures for reducing pre-weaning mortality in piglets", pig farm, 24, pp.153~158 (2002)
- Ren, S., "Faster r-cnn : Towards real-time object detection with region proposal networks", NeurIPS, 28 (2015)
- "Breeding pig inventory per head (nationwide)" (2022)[URL]
- "Number of workers in the agricultural, livestock, and food industry by age group (nationwide)" (2022)[URL]
- Wang, C. Y., "YOLOv7 : Trainable bag-of-freebies sets newstate-of-the-art for real-time object detectors", pp.1~15 (2022)