| 報告時間：2023-11-07 |
| 報告地點：大四教室 |
| 指導老師：江信毅 |
| 學生：賴芳誼 |
| 摘要 |
|
跛行（lameness）是乳牛常見疾病，除影響乳牛正常生長外，亦會導致泌乳量下降，甚至使乳牛提早淘汰。傳統的自動化偵測是使用接觸式感應器之偵測方法，易影響乳牛正常生理活動、可能引發壓力反應（stress responses）且易受環境損壞；紅外線偵測儀或壓力感應墊則成本高昂，因此使用電腦視覺（computer vision）進行影像分析漸為偵測乳牛跛行廉價且高效率的方法。電腦視覺運用於偵測跛行之方式繁多，本次討論以綜合使用RGB、光流（optical flow）及骨骼特徵（skeleton feature）進行跛行偵測之研究來介紹主要概念，本研究使用骨骼特徵分析來校正RGB及光流偵測模型，以改善其準確率較低且穩健性（robustness）較差的缺點。研究中使用680個不同的影像進行訓練與測試，訓練集與測試集之分割率為6:1，該網路依其輸入資料之不同區分為三個branch：branch 1及branch 以影像及光流輸入於卷積神經網絡（convolutional neural network, CNN）架構來預測跛行；branch 2則依據乳牛骨骼特徵使用時空圖卷積網絡（spatial temporal graph convolutional network, ST-GCN）預測跛行。最後將這三個branch預測分數進行權重調整完成跛行預測。為驗證該方法之穩健性，使用伽馬轉換（gamma transform）調整影像亮度來模擬光線變化，在不同光照設定下本方法最大誤差為2.65%，顯著低於僅使用RGB或光流之方法。綜合而論，電腦視覺可有效用於偵測乳牛跛行之情況。 |
| 參考文獻 |
|