Type de document : article scientifique publié dans Computers and Electronics in Agriculture
Auteurs : Zishuo Gu, Haoyu Zhang, Zhiqiang He, Kai Niu
Résumé en français (traduction) : Une méthode de reconnaissance en deux étapes du comportement des moutons basée sur l’apprentissage profond
Depuis peu, la vidéo-surveillance est largement utilisée dans la détection du comportement du bétail. Pour la détection de comportements multiples des animaux, il existe un problème commun de faible précision de reconnaissance. Pour résoudre ce problème, nous proposons dans cet article une méthode de détection du comportement des moutons basée sur l’apprentissage profond. Cette méthode permet de reconnaître six types de comportement des moutons. Parmi ces comportements, se tenir debout, se nourrir et se coucher sont des activités physiologiques normales. Attaquer, mordre et grimper sont des comportements perturbateurs qui peuvent entraîner des pertes dans l’élevage et requièrent une attention immédiate de la part de l’éleveur. La méthode comprend deux étapes : la détection et la classification. Dans la phase de détection, un réseau de détection est utilisé pour déterminer si le comportement de chaque mouton fait partie des activités physiologiques normales ou des comportements perturbateurs. Sur la base d’un réseau classique, l’agrégation de caractéristiques multi-échelles, le mécanisme d’attention et le module de convolution en profondeur sont importés, ce qui permet au réseau de trouver un compromis entre la précision de la détection et la taille du modèle. Ces améliorations rendent le réseau plus adapté à la détection du comportement des moutons. Au stade de la classification, un réseau VGG est utilisé pour classer le comportement de chaque mouton de manière spécifique. Les résultats expérimentaux démontrent que la méthode en deux étapes permet d’obtenir des résultats satisfaisants en matière de reconnaissance du comportement des moutons. Au cours de la phase de détection, le taux de probabilité de détection des deux types de comportement est supérieur à 98 %. Au stade de la classification, la précision de la classification de tous les comportements est supérieure à 94 %. Par ailleurs, la mémoire nécessaire au modèle de détection est inférieure à 130 Mo.
Résumé en anglais (original) : Recently, computer vision has been widely used in livestock behavior detection. In animal multi-behavior detection, there is a common problem of low recognition accuracy. To address this, a deep learning-based method for sheep-behavior detection is proposed in this paper. Six types of sheep behavior can be recognized by the method. Among these behaviors, standing, feeding, and lying are normal physiological activities. Attacking, biting, and climbing are disruptive behaviors that could result in ranch losses and require immediate concern from the breeder. The method consists of two stages: the detection stage and the classification stage. In the detection stage, a detection network is used to determine whether every sheep’s behavior belongs to normal physiological activities or disruptive behaviors respectively. Based on a classic network, the multi-scale feature aggregation, attention mechanism and depthwise convolution module are imported to it, which makes the network trades off between detection accuracy and model size. These improvements make the network more suitable for sheep-behavior detection. In the classification stage, the VGG network is utilized to classify the behavior of each sheep specifically. Experimental results demonstrate that the two-stage method achieves desirable results in sheep-behavior recognition. In the detection stage, the mAP of the two types of behaviors exceeds 98%. In the classification stage, the classification accuracy of all behaviors exceeds 94%. At the same time, the memory of the detection model is less than 130 MB.
