.png){kind=icon}
返回
Transformer-Based Multi-Task Segmentation Framework for Dead Broiler Identification
.png){kind=icon}
OA
AI
DOI：10.3390/app16010419.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效监控大规模家禽养殖场需要及时识别死去的肉鸡，因为延误会加速疾病传播，导致显著的经济损失。然而，人工检查仍是主要做法，导致工作流程劳动密集、不一致且可扩展性差。尽管计算机视觉的最新进展引入了自动化替代方案，但大多数现有方法在拥挤的环境中面临困难，因为活鸡和死鸡具有相似的视觉模式，且频繁发生遮挡。为解决这些问题，我们提出了一种基于Transformer的多任务分割框架，旨在在视觉复杂的农场环境中可靠运行。该模型构建了一个统一的特征表示，支持对死鸡的精确分割，同时辅助的死鸡计数任务提供了额外的监督特征，增强了在不同场景配置下的分割性能。实验评估表明，所提出的方法在各种农场条件下（包括人口密集和视觉复杂的场景）均能产生准确且稳定的分割结果。此外，其整体分割精度持续超过现有方法，证明了集成基于Transformer的全局建模与辅助回归目标的有效性。
Keyword:
dead broiler segmentation
CNN
deep learning
precision agriculture
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
Learning Spatial Configuration Feature for Landmark Localization in Hand X-rays学习手部X射线中地标的空間配置特征定位.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容