Estimating Body Condition Score in Dairy Cows From Depth Images Using Convolutional Neural Networks, Transfer Learning and Model Ensembling Techniques

Autor: Juan Manuel Toloza, Juan Manuel Rodriguez, Mauricio Arroqui, Alejandro Zunino, Juan Rodriguez Alvarez, Alfredo Raúl Teyseyre, Cristian Mateos, Claudio Machado, Carlos Sanz, Daniel Jatip, Pablo Mangudo
Rok vydání: 2019
Předmět:
model ensembling
transfer learning
Convolutional neural network
purl.org/becyt/ford/1 [https]
lcsh:Agriculture
Body condition score
image analysis
Condensed Matter::Superconductivity
convolutional neural networks
Statistics
IMAGE ANALYSIS
MODEL ENSEMBLING
Mathematics
Condensed Matter::Quantum Gases
Ensemble forecasting
TRANSFER LEARNING
lcsh:S
0402 animal and dairy science
BODY CONDITION SCORE
Body Condition Score
purl.org/becyt/ford/1.2 [https]
04 agricultural and veterinary sciences
Milk production
040201 dairy & animal science
CONVOLUTIONAL NEURAL NETWORKS
Ciencias de la Computación
Ciencias de la Computación e Información
PRECISION LIVESTOCK
040103 agronomy & agriculture
0401 agriculture
forestry
and fisheries
precision livestock
Transfer of learning
Agronomy and Crop Science
CIENCIAS NATURALES Y EXACTAS
Zdroj: Agronomy
Volume 9
Issue 2
Agronomy, Vol 9, Iss 2, p 90 (2019)
CONICET Digital (CONICET)
Consejo Nacional de Investigaciones Científicas y Técnicas
instacron:CONICET
ISSN: 2073-4395
DOI: 10.3390/agronomy9020090
Popis: BCS (Body Condition Score) is a method to estimate body fat reserves and accumulated energy balance of cows, placing estimations (or BCS values) in a scale of 1 to 5. Periodically rating BCS of dairy cows is very important since BCS values are associated with milk production, reproduction, and health of cows. However, in practice, obtaining BCS values is a time-consuming and subjective task performed visually by expert scorers. There have been several efforts to automate BCS of dairy cows by using image analysis and machine learning techniques. In a previous work, an automatic system to estimate BCS values was proposed, which is based on Convolutional Neural Networks (CNNs). In this paper we significantly extend the techniques exploited by that system via using transfer learning and ensemble modeling techniques to further improve BCS estimation accuracy. The improved system has achieved good estimations results in comparison with the base system. Overall accuracy of BCS estimations within 0.25 units of difference from true values has increased 4% (up to 82%), while overall accuracy within 0.50 units has increased 3% (up to 97%). Fil: Rodríguez Alvarez, Juan Maximiliano. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Centro de Investigación Veterinaria de Tandil. Universidad Nacional del Centro de la Provincia de Buenos Aires. Centro de Investigación Veterinaria de Tandil. Provincia de Buenos Aires. Gobernación. Comision de Investigaciones Científicas. Centro de Investigación Veterinaria de Tandil; Argentina Fil: Arroqui, Mauricio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina Fil: Mangudo, Pablo. No especifíca; Fil: Toloza, Juan Manuel. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina Fil: Jatip, Daniel Esteban. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina Fil: Rodriguez, Juan Manuel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina Fil: Teyseyre, Alfredo Raul. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina Fil: Sanz, Carlos. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina Fil: Zunino Suarez, Alejandro Octavio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina Fil: Machado, Claudio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Centro de Investigación Veterinaria de Tandil. Universidad Nacional del Centro de la Provincia de Buenos Aires. Centro de Investigación Veterinaria de Tandil. Provincia de Buenos Aires. Gobernación. Comision de Investigaciones Científicas. Centro de Investigación Veterinaria de Tandil; Argentina Fil: Mateos Diaz, Cristian Maximiliano. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina
Databáze: OpenAIRE
Externí odkaz: