NON-INVASIVE REAL-TIME ESTRUS DETECTION IN DAIRY COWS WITH VIDEO PROCESSING TECHNIQUES BASED ON CONVOLUTIONAL NEURAL NETWORKS | การตรวจจับอาการเป็นสัดตามเวลาจริงในโคนมโดยไม่ติดตั้งอุปกรณ์บนตัวโค ด้วยเทคนิคการประมวลผลวีดิทัศน์บนพื้นฐาน โครงข่ายประสาทเทียมแบบสังวัตนาการ

英语. Estrus detection in dairy cows is a crucial factor in enhancing breeding efficiency and achieving sustainable milk production in the dairy farming industry. This research aims to develop an algorithm and evaluate the performance of a real-time estrus detection model for dairy cows without the use of wearable devices. The model utilizes video processing techniques based on evolutionary neural networks. Estrus behaviors in Holstein Friesian cows with at least 75% Holstein bloodline, with a sample size of at least 10 cows, were detected across four behaviors: walking, flirting (sniffing or licking), mating (mounting), and head mounting (playful or incorrect mounting). A total of 1,520 images, with 380 images per behavior, were used. The dataset was augmented using various image augmentation techniques, increasing the dataset size by 22.238 times, resulting in a total of 33,802 images. The estrus detection model was developed using the YOLOv7 evolutionary neural network. The batch size was set at 16, with 30 epochs, and images were resized to 640x640 pixels. The results indicated that YOLOv7 effectively detected estrus behaviors with an average F1-Score of 1.00, Precision of 1.00, Recall of 1.00, [email protected] of 0.996, and [email protected]:.95 of 0.845. These results demonstrate that the model is suitable for practical application in dairy farming, providing an alternative to human labor for estrus detection in cows.

泰国. การตรวจจับอาการเป็นสัด (estrus detection) ของโคนมเป็นปัจจัยสำคัญในการเพิ่มประสิทธิภาพการผสมพันธุ์ และการผลิตน้ำนม อย่างยั่งยืนในอุตสาหกรรมการเลี้ยงโคนม การวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาขั้นตอนวิธีและประเมินประสิทธิภาพของแบบจำลองการตรวจจับอาการเป็นสัดตามเวลาจริงในโคนมโดยไม่ติดตั้งอุปกรณ์บนตัวโคด้วยเทคนิคการประมวลผลวีดิทัศน์บนพื้นฐานโครงข่ายประสาทเทียมแบบสังวัตนาการ โดยตรวจจับพฤติกรรมการเป็นสัดของโคนมที่มีระดับสายเลือดโฮลสไตน์ฟรีเชียน 75% ขึ้นไป จำนวน 10 ตัวขึ้นไป 4 ท่าทาง ได้แก่ เดิน (walking) ดมหรือเลีย (flirting) ปีนทับ (mating)  และปีนด้านศีรษะซึ่งเป็นการปีนเล่นหรือปีนผิดด้าน (climbing) โดยแต่ละท่าทางมีจำนวน 380 ภาพ รวมทั้งหมด 1,520 ภาพ ผู้วิจัยทำการเพิ่มภาพ (image augmentation) ด้วยเทคนิคต่าง ๆ เป็นจำนวน 22.238 เท่าของภาพต้นฉบับ จนได้ชุดข้อมูลภาพรวมทั้งสิ้น 33,802 ภาพ ทำการสร้างแบบจำลองการตรวจจับ ด้วยโครงข่ายประสาทเทียมแบบสังวัตนาการ ชนิด YOLOv7 จำนวนตัวอย่างในการเรียนรู้ที่ใช้ในแต่ละรอบการปรับปรุงแบบจำลอง (batch size) มีค่า 16 ข้อมูลเรียนรู้ผ่านเข้ามาในโครงข่าย (epochs) 30 รอบ ภาพถูกปรับขนาดให้มีความกว้างและความสูง (img-size) อยู่ที่ 640x640 พิกเซล พบว่า YOLOv7 สามารถตรวจจับอาการเป็นสัดได้อย่างมีประสิทธิภาพ โดยมีค่า F1-Score เฉลี่ย = 1.00  ค่า Precision = 1.00, ค่า Recall = 1.00, mAP.5 = 0.996 และค่า mAP.5:.95 = 0.845 แสดงให้เห็นว่าแบบจำลองนี้เหมาะสมที่จะนำไปใช้ในฟาร์มเกษตรกรผู้เลี้ยงโคนมทดแทนการตรวจจับอาการเป็นสัดของโคนมโดยใช้พนักงานเลี้ยงสัตว์