字級:
小字級
中字級
大字級

利用深度學習於商業雞舍之雞隻活動力監測

資料來源:國立臺灣大學生物機電工程學系/ 粘書耀、謝鎧陽、郭彥甫

一、前言

雞肉在華人的飲食上佔有重要的地位,在現今的飲食習慣越來越多人更注重健康飲食,以營養學角度來說,雞肉的脂肪量較低、不飽和脂肪含量較高,能有效降低人體膽固醇,因此雞肉正符合健康飲食潮流之需求。此外,養雞是臺灣重要的畜牧產業,根據行政院農委會農業統計年報的資料顯示,2018年雞肉產品年產值約438億元,占畜牧業總產值近26%。

臺灣在地的養雞業者多以傳統人工巡視的方式進行雞隻監測,對於雞隻數量龐大的商業雞舍而言,此方式耗時、勞力密集且仰賴飼主經驗。特別是在雞隻的疾病管理上,常因誤判雞隻的活動力而錯失最佳處理時機,導致業者的利益損失。因此,監測雞隻活動力的自動化系統將能有效提升管理效率,並減少業者的利益損失。本研究藉由自製的影像系統擷取雞舍中的雞隻即時影像,並以深度學習模型辨識影像中的雞隻位置及判斷其行為,接著紀錄雞隻的活動軌跡,藉此作為雞隻活動力的判別指標,分析過程如圖一所示。

圖一、雞隻活動力監測流程圖圖一、雞隻活動力監測流程圖

二、雞隻影像取得

本研究的影像系統中搭載 (Raspberry Pi 3)和網路攝影機,並以防塵盒包覆設備所建構而成(圖二)。透過影像系統中樹莓派的程式設定,讓系統能自動進行拍照程序蒐集雞群的俯視影像。當獲取影像後,影像系統會將照片上傳至雲端作為後續深度學習模型所需的影像來源。

圖二、影像系統安裝與影像系統圖二、影像系統安裝與影像系統

三、雞隻偵測

影像透過系統蒐集完成後,將透過標記軟體在影像上標記飼料桶、飲水壺與不同行為(站立、攝食與飲水行為)雞隻的所在位置,藉此建立資料集作為訓練模型所需。接著透過在物件偵測上有優異表現的更快速區域生成卷積神經網路(Faster region-based convolutional neural networks;Faster R-CNN)模型進行雞隻位置偵測,首先利用180張雞群影像進行訓練,此時Faster R-CNN模型可以從影像中學習到偵測目標的特徵,並對於影像中飼料桶、飲水壺與不同行為雞隻的平均偵測率達到81.02%,其中圖三為Faster R-CNN模型的偵測結果。

圖三、Faster R-CNN模型偵測結果圖三、Faster R-CNN模型偵測結果

四、雞隻活動力分析

當雞群影像經過Faster R-CNN模型進行預測後,程式會記錄影像中被預測雞隻邊界框的中心座標,並比較兩張連續影像的所有座標。當兩座標中心的距離小於程式所給定的距離時,則程式將判定兩隻雞為同一隻雞,若距離大於設定閾值時則判斷為不同雞隻並繼續進行比較。持續重複上述的判斷過程後可以獲得此連續影像的雞隻活動軌跡,如同圖四右圖所示。透過雞隻追蹤結果可以記錄影像中雞隻的運動趨勢,並能發現其中活動力低下的雞隻,藉此預先判斷出潛在異常行為的雞隻,進而有效降低雞舍損失。

圖四、雞隻追蹤結果圖四、雞隻追蹤結果

五、結語

本研究利用自製的影像系統記錄雞群俯視影像,並透過Faster R-CNN模型對於飼料桶、飲水壺與不同行為雞隻達到平均偵測率81%的預測及定位表現,最後透過追蹤分析紀錄雞隻運動軌跡,藉此尋找出活動力低下的潛在異常行為雞隻。未來將持續提升模型偵測表現,並結合環境因子進行分析,期望能發展出一套雞隻生理狀態的自動辨識系統,藉此有效提升生產效率並降低雞舍管理人力的需求。

▲研發團隊:國立臺灣大學生物機電工程學系

聯絡人:郭彥甫 教授

電話:02-33665329

E-mail:ykuo@ntu.edu.tw

TOP