K identifikaci individuálního chování ve velkých ohradách využity nové technologie počítačového vidění, například kamerové systémy umožňující identifikaci objektu v obrazu založenou na pokročilých algoritmech strojového učení.
Detekce objektů v obrazu
Algoritmy detekce obrazu se skládají ze tří hlavních částí, první tvoří konvoluční neuronová síť, takzvaná páteř (backbone), jež slouží k získání sémantických příznaků z obrazu, střední část, takzvaný krk (neck), rozšiřující příznakové mapy a hlavní část, takzvaná hlava (head), provádějící detekci objektů a klasifikaci bounding boxů. Backbone mohou tvořit sítě jako VGG16, ResNet či DenseNet, krk většinou představuje Feature Pyramid Network (FPN) či její varianty PAFPN a NAS-FPN nebo RPN a hlava se skládá například z plně propojené vrstvy neuronů s výstupní softmax vrstvou, které však mohou předcházet i vrstvy konvoluční Algoritmů hlubokého učení pro klasifikaci obrazu a detekci objektů je v dnešní době široké spektrum. Některé z nich jsou velkými milníky v oblasti počítačového vidění, například AlexNet, VGG, R-CNN, YOLO, Inception či ResNet, které slouží jako inspirace k vývoji nových odvozených sítí nebo se stávají v podobě backbone jejich součástí. Pro zpracování obrazových dat byla aplikován model sítě YOLOv5x, kteý byl přetrénován na vlastním datasetu čítajícím 20 000 snímků. Po dotrénování byl model nasazen na videozáznam z kamery zachycující část stáje velkochovu skotu, konkrétně na uličku, kterou jsou krávy vedeny k dojírně.
Ing. Mgr. Roman Bumbálek, Mgr. Tomáš Zoubek, Ing. Marek Otáhal, Mgr. Radim Stehlík, Ing. Luboš Smutný, Ph.D., Fakulta zemědělská a technologická, Jihočeská univerzita v Českých Budějovicích
Podrobněji v časopisu Náš chov 8/2022.
