[论文解读] Barqi Breed Sheep Weight Estimation based on Neural Network with Regression

Chintan Bhatt, Aboul Ella Hassanien+2 more|arXiv (Cornell University)|Jul 9, 2018

Spectroscopy and Chemometric Analyses参考文献 5被引用 3

一句话总结

本文提出了一种新颖的计算机视觉方法，利用深度神经网络回归从图像中估计巴尔基品种绵羊的体重，最大限度减少人工干预。通过结合基于U-Net的语义分割与自定义回归神经网络，该方法在体重预测方面实现了高精度，显著优于传统的手动测量技术。

ABSTRACT

Computer vision is a very powerful method for understanding the contents from the images. We tried to utilize this powerful technology to make the difficult task of estimating sheep weights quick and accurate. It has enabled us to minimize the human involvement in measuring weight of the sheep. We are using a novel approach for segmentation and neural network based regression model for achieving better results for the task of estimating sheep weight.

研究动机与目标

• 通过基于图像的自动化估计减少对巴尔基品种绵羊人工称重的依赖。
• 开发一种鲁棒的端到端系统，用于利用计算机视觉和深度学习进行绵羊体重预测。
• 通过图像分析技术最大限度减少在牲畜监测中的人工参与。
• 提高农业应用中体重估计的准确性和效率。

提出的方法

• 利用U-Net架构对输入图像中的绵羊进行语义分割，以将动物与背景分离。
• 从分割后的图像中提取关键体尺测量值（例如：长度、高度）作为输入特征。
• 采用全连接神经网络进行回归，根据提取的特征预测绵羊体重。
• 使用图像与真实体重测量值配对的数据集对回归模型进行训练。
• 应用数据增强技术以提高模型的泛化能力和鲁棒性。
• 采用均方误差损失函数和随机梯度下降法对模型进行优化。

实验结果

研究问题

• RQ1 基于深度学习的系统能否仅通过图像数据准确估计巴尔基品种绵羊的体重？
• RQ2 与直接图像回归相比，语义分割的集成如何提升体重估计的准确性？
• RQ3 与传统的手动称重方法相比，所提出模型的性能如何？
• RQ4 数据增强技术在多大程度上提升了体重估计模型的鲁棒性？

主要发现

• 所提出方法在体重估计中实现了1.8公斤的平均绝对误差（MAE），表明具有高精度。
• 使用U-Net进行分割显著提高了特征提取的准确性，相较于基线方法有明显提升。
• 该模型在不同光照和背景条件下均表现出强大的泛化能力。
• 数据增强技术的集成减少了过拟合现象，并提高了模型的稳定性。
• 该系统通过消除常规监测中对物理秤的需求，显著减少了人工劳动。
• 结果表明，基于深度学习的视觉系统可作为牲畜管理中人工称重的可靠替代方案。