0
Lo schiacciamento delle scrofe aumenta significativamente il tasso di mortalità dei suinetti pre-svezzamento, con conseguenti perdite economiche sostanziali per il settore suinicolo. Tuttavia, il rilevamento automatico degli eventi di schiacciamento dei suinetti è stato raramente riportato in letteratura.
Il termine "Robusto all'occlusione" si riferisce alla capacità di un sistema o di un algoritmo di mantenere prestazioni o accuratezza anche quando parti dei dati di input sono nascosti o bloccati (occlusi) Questo è particolarmente rilevante nella visione artificiale, dove gli oggetti di interesse potrebbero essere parzialmente o completamente oscurati da altri oggetti in un'immagine o in un video, in questo caso, suinetti non visibili...
Materiali e Metodi: In questo studio, abbiamo proposto un metodo di rilevamento basato sulla visione tramite intelligenza artificiale in tre fasi per gli eventi di schiacciamento dei suinetti. Nella prima fase, viene adottato un framework di rilevamento e segmentazione di oggetti osservati basato su ancore che rilevino le figure dei suinetti, classificandone le posture delle scrofe e alcuni punti chiave sulle scrofe. Nella seconda fase, sfruttando la figura della scrofa e due punti chiave, viene determinato con questa procedura un angolo correlato al dorso della scrofa per valutare se il dorso è visibile o invisibile. Se il dorso della scrofa è invisibile, la zona di schiacciamento viene identificata tramite il metodo di localizzazione auto-adattativo della zona di schiacciamento (SFZLM-self-adaptive fatal zone localization method). Nella terza fase, viene proposto un IoU ponderato basato su maschera che traccia i suinetti all'interno dell'area fatale durante i fotogrammi precedenti, deducendo se i suinetti non più visibili vengono schiacciati sotto la scrofa. Se il numero di suinetti che entrano nella zona fatale supera il numero di suinetti visibilmente schiacciati, si deduce che anche alcuni suinetti non visibili siano stati schiacciati. Dei 238 videoclip, 166 vengono utilizzati per l'addestramento del modello, mentre 72 clip brevi e quattro video lunghi vengono utilizzati per la convalida del metodo proposto.
Risultati: I risultati classificati dimostrano un richiamo di 0,919, una precisione di 0,895 e un punteggio F1 di 0,906. Gli eventi di schiacciamento dei suinetti vengono rilevati accuratamente in quattro video lunghi con un TIoU di 0,968, un richiamo sonoro degli eventi di schiacciamento del 100% e un richiamo sonoro dei suinetti schiacciati del 90%.
Conclusioni: Le prestazioni favorevoli nel rilevamento degli eventi di schiacciamento dei suinetti suggeriscono che il metodo proposto sia fattibile nel rilevare e analizzare automaticamente gli eventi di schiacciamento causati dalle scrofe in posizione laterale.
Haiming Gan, Xiongwei Wu, Francesca Menegon, Annalisa Scollo, Aoshen Sun, Tomas Norton, Yueju Xue, Occlusion-robust detection of sow-induced piglet crushing incidents using spatial and motion reasoning, Computers and Electronics in Agriculture, Volume 231, 2025, 109961, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2025.109961. (https://www.sciencedirect.com/science/article/pii/S0168169925000675)
