Smart Media Journal (스마트미디어저널)

THE KOREAN INSTITUTE OF SMART MEDIA (한국스마트미디어학회)
권호 표지
DOI QR코드

DOI QR Code

A climbing movement detection system through efficient cow behavior recognition based on YOLOX and OC-SORT

YOLOX와 OC-SORT 기반의 효율적인 소 행동 인식을 통한 승가 운동 감지시스템

  • 위리 (호남대학교 컴퓨터공학과) ;
  • 김남호 (호남대학교 컴퓨터공학과)
  • Received : 2023.05.09
  • Accepted : 2023.07.17
  • Published : 2023.08.31
Download PDF
⟨ Previous Next ⟩

Abstract

In this study, we propose a cow behavior recognition system based on YOLOX and OC-SORT. YOLO X detects targets in real-time and provides information on cow location and behavior. The OC-SORT module tracks cows in the video and assigns unique IDs. The quantitative analysis module analyzes the behavior and location information of cows. Experimental results show that our system demonstrates high accuracy and precision in target detection and tracking. The average precision (AP) of YOLOX was 82.2%, the average recall (AR) was 85.5%, the number of parameters was 54.15M, and the computation was 194.16GFLOPs. OC-SORT was able to maintain high-precision real-time target tracking in complex environments and occlusion situations. By analyzing changes in cow movement and frequency of mounting behavior, our system can help more accurately discern the estrus behavior of cows.

본 연구에서는 YOLOX와 OC-SORT를 기반으로 한 소 행동 인식시스템을 제시하였다. YOLOX는 실시간으로 목표를 감지하고 소의 위치와 행동 정보를 제공한다. OC-SORT 모듈은 비디오에서 소를 추적하고 고유 ID를 할당하는 역할을 한다. 양적 분석 모듈은 소의 행동과 위치 정보를 분석한다. 실험 결과, 우리의 시스템은 목표 감지와 추적에서 높은 정확도와 정밀도를 보여주었다. YOLOX의 평균 정확도(AP)는 82.2%, 평균 재현율(AR)는 85.5%, 매개변수 양은 54.15M, 계산량은 194.16GFLOP이었다. OC-SORT는 복잡한 환경과 가림막 상황에서도 높은 정밀도의 실시간 목표 추적을 유지할 수 있었다. 소의 운동 변화와 승가행동의 빈도를 분석함으로써, 제안 시스템은 소의 발정 행동을 더 정확하게 판별하는데 도움을 줄 수 있다.

Keywords

Acknowledgement

본 연구는 과학기술정보통신부 및 정보통신기획평가원의 지역지능화혁신인재양성사업의 연구결과로 수행되었음 (IITP-2023-RS-2022-00156287)

References

  1. 정지성, 이명훈, 박종권, "클라우드 컴퓨팅기반 가축 질병 예찰 및 스마트 축사 통합 관제 시스템," 스마트미디어저널, 제8권, 제3호, 88-94쪽, 2019년
  2. 김남호, 정희자, 이현준, 고유진, "디지털트윈 기반 가축질병 예방을 지원하는 스마트축산 플랫폼," 2022 Conference of KISM, Vol.11, No.1, 287-288 쪽, 대한민국, 2022년 6월
  3. 이준환, "지능형 관제시스템을 위한 딥러닝 기반의 다중 객체 분류 및 추적에 관한 연구," 스마트미디어저널, 제12권, 제5호, 73-80쪽, 2023년 https://doi.org/10.30693/SMJ.2023.12.5.73
  4. 박종빈, "계층적 레이블링과 시공간 딥러닝 모델을 이용한 영상 기반 가축 행동 인식", 전북대학교 박사학위 논문, 2021년 2월
  5. 유거송, 여창민, "KISTEP 기술동향브리프 스마트 농업," 한국과학기술기획평가원, 03호, 2021년
  6. E. Vasseur, "Animal behavior and well-being symposium: Optimizing outcome measures of welfare in dairy cattle assessment," Journal of Animal Science, vol. 95, no. 3, pp. 1365-1371, 2017.
  7. J. Wang, H. Zhang, K. Zhao and G. Liu, "Cow movement behavior classification based on optimal binary decision-tree classification model," Trans. Chin. Soc. Agric. Eng, Vol. 34, No. 18, pp. 202-210, 2018.
  8. A. Nasirahmadi, O. Hensel, S.A. Edwards and B.Sturm, "A new approach for categorizing pig lying behaviour based on a Delaunay triangulation method," Animal, Vol. 11, No. 1, pp. 131-139, 2017. https://doi.org/10.1017/S1751731116001208
  9. Y. Peng, N.Kondo, T. Fujiura, T. Suzuki, H. Yoshioka and E. Itoyama, "Classification of multiple cattle behavior patterns using a recurrent neural network with long short-term memory and inertial measurement units," Computers and Electronics in Agriculture, Vol. 157, pp. 247-253, Feb. 2019. https://doi.org/10.1016/j.compag.2018.12.023
  10. A. Nasirahmadi, S.A. Edwards and B. Sturm, "Implementation of machine vision for detecting behaviour of cattle and pigs," Livestock Science, vol. 202, pp. 25-38, Aug. 2017. https://doi.org/10.1016/j.livsci.2017.05.014
  11. K. Wang, X. Zhao and Y. He, "Application of image information technology in dairy cow production," Chinese Journal of Animal Nutrition, Vol. 33, No. 20, pp. 197-209, 2017.
  12. K. Pasupa, N. Pantuwong and S. Nopparit, "A comparative study of automatic dairy cow detection using image processing techniques," Artif. Life Robot, Vol. 20, No. 4, pp. 320-326, 2015. https://doi.org/10.1007/s10015-015-0233-x
  13. A. Bochkovskiy, C.Y. Wang and H.Y.M. Liao, "Yolov4: Optimal speed and accuracy of object detection," arXiv:2004.10934, 2020.
  14. Detectron2(2019). https://github.com/facebookresearch/detectron2 (accessed Nov., 16, 2021).
  15. S. Ayadi, A.B. Said, R. Jabbar, C. Aloulou, A. Chabbouh and A.B. Achballah, "Dairy cow rumination detection: A deep learning approach," DiCES-N 2020: Distributed Computing for Emerging Smart Networks: Second International Workshop, pp. 123-139, Bizerte, Tunisia, Dec. 2020.
  16. X. Kang, X.D. Zhang and G.Liu, "Accurate detection of lameness in dairy cattle with computer vision: A new and individualized detection strategy based on the analysis of the supporting phase," Journal of dairy science, Vol. 103, No. 11, pp. 10628-10638, Nov. 2020. https://doi.org/10.3168/jds.2020-18288
  17. S. Chowdhury, B. Verma, J. Roberts, N. Corbet and D. Swain, "Deep learning based computer vision technique for automatic heat detection in cows," 2016 International Conference on Digital Image Computing: Techniques and Applications (DICTA), pp. 1-6, Gold Coast, Australia, Nov. 2016.
  18. J.Q. Gu, Z.H. Wang, R.H. Gao and H.R. Wu, "Cow behavior recognition based on image analysis and activities," International Journal of Agricultural and Biological Engineering, Vol. 10, No. 3, pp. 165-174, 2017. https://doi.org/10.25165/j.ijabe.20171004.2638
  19. E.J. He, S.J. Ahn and K.S. Choi, "Real-time cattle action recognition for estrus detection," KSII Transactions on Internet and Information Systems (TIIS), Vol. 13, No. 4, pp. 2148-2161, Apr. 2019.
  20. S.M. Noe, T.T. Zin, P. Tin and I. Kobayashi, "Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model," Int. J. Innov. Comput. Inf. Control, Vol. 18, No. 1, pp. 211-220, 2022.