| 報告時間：2025-5-26 |
| 報告地點：大四教室 |
| 指導老師：江信毅 |
| 學生：張宣信 |
| 摘要 |
|
跛行 (lameness) 為乳牛常見疾病，會造成泌乳量下降、產犢間距拉長、嚴重甚至使牛隻提早淘汰，對生產效率和經濟損失有顯著影響。早期準確的偵測對於及時治療至關重要。而傳統的手動視覺評估既費時又缺乏一致性，自動檢測模型成為降低費用的最佳解決方案。透過影像處理與深度學習方法，進行乳牛的偵測、追蹤與跛行分類，實現早期跛行偵測管理促進乳牛健康監測。實驗採用了兩種物體偵測演算法：Detectron2以及 YOLOv8，並比較其在此應用中的效能，在偵測到乳牛後，系統會在其周圍繪製邊界框 (bounding box)，並分配乳牛一個ID，藉此在整個影片序列中蒐集個別牛隻的追蹤與隔離。透過物體偵測演算法產生的遮罩區域 (binary mask) 中提取的特徵，擷取跛行的相關資訊，結合追蹤過程中分配的ID，之後透過分類模型如支持向量機 (Support Vector Machine, SVM)、AdaBoost等，分析所提取跛行特徵，計算每隻牛隻有無跛行。此系統在三個關鍵領域進行了評估：偵測、追蹤和跛行分類。偵測模型方面 Detectron2達到了98.98% 的高準確率；追蹤模型方面的準確率高達 99.50%。而在跛行分類模型，AdaBoost表現最佳，平均準確率為77.9%；其他模型如Decision Trees（DT）、SVM和Random Forest (RF) 都展現出不錯的效能 (DT：75.32%，SVM：75.20%，RF：74.9%) 。此方法證明了牛跛行檢測的成功。該系統能夠早期檢測跛足情況並有效監測牛隻的健康狀況，有可能改變乳牛場管理。 |
|