bioRxiv · Animal Behavior and Cognition· Sato, M., Uthayavathanan 等 21 人
基于计算机视觉的群养犬只纵向行为表型分析:面向转化与福利研究
Longitudinal computer vision-based behavioural phenotyping of group-housed dogs for translational and welfare research
预印本 · 尚未经过同行评审
AI 导读
用YOLO模型对群养比格犬做无标记个体识别与行为自动量化,可区分同窝犬的个体行为差异。
摘要 · AI 翻译
持续的行为监测对于评估动物福利和个体行为差异至关重要,然而传统的基于观察的方法劳动强度大且容易产生偏差。在此,我们开发了一个模块化框架,结合计算机视觉对群养比格犬进行自动化行为分析,整合了基于 You Only Look Once (YOLO) 的姿态估计、个体识别和丰容检测模型。天花板安装的红外摄像系统能够在标准犬舍条件下实现不间断监测。与身份无关的 YOLO-POSE 模型达到了 99% 的精确率、97% 的召回率和 0.98 的 mAP50,而 YOLO 分类模型在无外部标记的情况下个体识别准确率达到 95%。结合姿态、身份和环境信息,能够自动量化空间利用、运动活动、社会互动、走廊导向行为、饮水行为和丰容使用。总体而言,该框架捕捉到了来自同一窝、饲养于同一犬舍的个体犬只各自不同的行为特征,可用于评估动物福利并客观评价环境丰容。总之,我们展示了一种可扩展且非侵入性的方法,用于对群养犬只进行连续个体行为分析,服务于计算行为学和转化研究。通过将姿态估计与身份分配分离,该框架能够灵活部署于不断变化的社会群体中,并便于以最少训练应用于此前未见过的个体。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Animal Behavior and Cognition · biorxiv.org