[논문 리뷰] Public Computer Vision Datasets for Precision Livestock Farming: A Systematic Survey

Anil Bhujel, Yibin Wang외 3명|arXiv (Cornell University)|2024. 06. 15.

Smart Agriculture and AIAgricultural and Biological Sciences인용 수 3

한 줄 요약

이 체계적 조사에서는 정밀 축산 농업(PLF)을 위한 58개의 공개 컴퓨터 비전 데이터셋을 식별하고 분석하여, 거의 절반은 소를 대상으로 하며, 개별 동물 탐지와 색상 영상 촬영이 지배적임을 밝혀냈다. 연구는 데이터 다양성, 주석 품질, 맥락적 메타데이터 측면에서의 심각한 격차를 지적하며, AI 기반 동물 건강 및 복지 모니터링을 발전시키기 위해 데이터셋 정제를 향상시킬 것을 촉구한다.

ABSTRACT

Technology-driven precision livestock farming (PLF) empowers practitioners to monitor and analyze animal growth and health conditions for improved productivity and welfare. Computer vision (CV) is indispensable in PLF by using cameras and computer algorithms to supplement or supersede manual efforts for livestock data acquisition. Data availability is crucial for developing innovative monitoring and analysis systems through artificial intelligence-based techniques. However, data curation processes are tedious, time-consuming, and resource intensive. This study presents the first systematic survey of publicly available livestock CV datasets (https://github.com/Anil-Bhujel/Public-Computer-Vision-Dataset-A-Systematic-Survey). Among 58 public datasets identified and analyzed, encompassing different species of livestock, almost half of them are for cattle, followed by swine, poultry, and other animals. Individual animal detection and color imaging are the dominant application and imaging modality for livestock. The characteristics and baseline applications of the datasets are discussed, emphasizing the implications for animal welfare advocates. Challenges and opportunities are also discussed to inspire further efforts in developing livestock CV datasets. This study highlights that the limited quantity of high-quality annotated datasets collected from diverse environments, animals, and applications, the absence of contextual metadata, are a real bottleneck in PLF.

연구 동기 및 목표

• 정밀 축산 농업(PLF)과 관련된 모든 공개 가능한 컴퓨터 비전 데이터셋을 식별하고 카탈로그화하기.
• 이러한 데이터셋들의 특성, 종 분포, 영상 모달리티, 주석 유형을 분석하기.
• AI 기반 축산 모니터링 시스템 개발에 영향을 미치는 데이터 가용성의 현재 상태를 평가하기.
• PLF 혁신을 저해하는 데이터셋 품질, 다양성, 메타데이터 완전성 측면에서의 주요 과제를 규명하기.
• 연구자와 전문가가 데이터셋 개발을 향상시키고 동물 복지 및 생산성 향상에 기여하기 위한 실질적인 통찰을 제공하기.

제안 방법

• 학술 기관 및 오픈 데이터 레포지터리에서 체계적 문헌 검색과 웹 기반 검색을 수행하여 공개 축산용 컴퓨터 비전 데이터셋을 식별하였다.
• 컴퓨터 비전 및 축산 농업 적용 분야에 대한 관련성 기준으로 사전 정의된 포함 및 배제 기준을 적용하여 데이터셋을 필터링하였다.
• 종, 영상 모달리티, 주석 유형, 응용 분야(예: 개별 동물 탐지, 행동 인식 등)별로 데이터셋을 분류하였다.
• 표본 크기, 주석 일관성, 환경 다양성 등의 지표를 통해 데이터셋 품질을 평가하였다.
• 데이터 수집 설정, 사용된 장비, 윤리적 고려사항 등을 포함한 맥락적 메타데이터를 수집하고 분석하였다.
• 발견사항을 종합하여 데이터셋의 강점, 한계 및 연구적 함의를 종합적으로 개괄하였다.

실험 결과

연구 질문

• RQ1 정밀 축산 농업을 위한 공개 가능한 컴퓨터 비전 데이터셋의 현재 전경은 어떠한가?
• RQ2 이러한 데이터셋들은 어떤 축산 종, 영상 모달리티, 응용 유형으로 분포되어 있는가?
• RQ3 데이터셋 품질, 주석 일관성, 맥락적 메타데이터 가용성 측면에서 주요 제한 사항은 무엇인가?
• RQ4 기존 데이터셋들이 AI 기반 동물 건강 및 복지 모니터링 시스템 개발을 어떻게 지원하거나 제약하는가?
• RQ5 PLF의 혁신을 가속화하기 위해 데이터셋 정제를 향상시킬 수 있는 기회가 있는가?

주요 결과

• 식별된 58개의 공개 데이터셋 중 48%는 소를 대상으로 하며, 그 다음으로 돼지(21%), 닭(17%), 기타 종(14%)이다.
• 응용 분야로는 개별 동물 탐지가 가장 널리 사용되고, 영상 모달리티로는 색상 영상 촬영이 가장 흔하다.
• 환경 조건, 사육 방식, 동물 건강 상태 등의 맥락적 메타데이터를 포함한 데이터셋은 소수에 불과하다.
• 많은 데이터셋에서 동물 품종, 사육 환경, 데이터 수집 조건의 다양성이 제한되어 있다.
• 다양한 실제 농장 환경에서 수집된 고품질이고 일관성 있는 주석이 부여된 데이터셋은 여전히 희소한 편이다.
• 표준화된 메타데이터 및 주석 관행의 부재는 PLF에서 강력하고 일반화 가능한 AI 모델을 훈련시키는 데 있어 중대한 장애물이다.