深層学習を用いた画像解析による牛群中での子牛の疾病検知システムの開発

本年度は、昨年度作成したデータ収集システムから得られた子牛の生体データを使用し、疾病検知及び個体識別を行うための深層学習モデルについて検討を行った。獣医師の知見を基に、首の伸長及び垂れ下がりが子牛の呼吸器疾患の特徴量として有効であると考え、動物用の行動推定ツールDeepLabCutによる牛の骨格情報抽出を試みた。子牛の画像データについて抽出したい部位をラベリングし、DeepLabCutに学習させることで自動的に骨格情報を推定することができる。牛1頭につき600程度のラベリングデータを用意し、モデルに学習させることで骨格推定は可能となった。しかし、ラベリングデータのない未知の牛に対して、モデルを適用することができなかった。深層学習用ライブラリPyTorchを使用し、DeepLabCutで抽出した骨格情報及び接触式センサから取得した牛の生体データを複合的に使用して疾病を検知するための深層学習モデルを作成した。モデル学習用のデータセットについては、今後の検討で作成する。来年度の検討で、疾病検知モデルの性能評価および改善に取り組む予定である。牛の個体識別について、物体検知用の深層学習モデルSSD(Single Shot MultiBox　Detector)を使用した個体識別プログラムを作成した。牛の個体ごとに前面、側面(右向き、左向き)、背面でクラス分類し、撮影した写真を学習させることで、高い精度で個体識別が可能になった。ただし、体の汚れ、毛の生え変わり等により精度が低下するため、画像の前処理方法を検討する必要がある。

本年度は、昨年度作成したデータ収集システムから得られた子牛の生体データを使用し、疾病検知及び個体識別を行うための深層学習モデルについて検討を行った。獣医師の知見を基に、首の伸長及び垂れ下がりが子牛の呼吸器疾患の特徴量として有効であると考え、動物用の行動推定ツールDeepLabCutによる牛の骨格情報抽出を試みた。子牛の画像データについて抽出したい部位をラベリングし、DeepLabCutに学習させることで自動的に骨格情報を推定することができる。牛1頭につき600程度のラベリングデータを用意し、モデルに学習させることで骨格推定は可能となった。しかし、ラベリングデータのない未知の牛に対して、モデルを適用することができなかった。深層学習用ライブラリPyTorchを使用し、DeepLabCutで抽出した骨格情報及び接触式センサから取得した牛の生体データを複合的に使用して疾病を検知するための深層学習モデルを作成した。モデル学習用のデータセットについては、今後の検討で作成する。来年度の検討で、疾病検知モデルの性能評価および改善に取り組む予定である。牛の個体識別について、物体検知用の深層学習モデルSSD(Single Shot MultiBox　Detector)を使用した個体識別プログラムを作成した。牛の個体ごとに前面、側面(右向き、左向き)、背面でクラス分類し、撮影した写真を学習させることで、高い精度で個体識別が可能になった。ただし、体の汚れ、毛の生え変わり等により精度が低下するため、画像の前処理方法を検討する必要がある。