Im Rahmen des Projekts KAMI hat dida Tiefenkameras eingesetzt, um die Atemfrequenz von Milchkühen zu erfassen, unsere Partner von der Universität Hildesheim haben Methoden auf Grundlage der Infrarotkameras entwickelt. Wir haben insgesamt vier verschiedene Methoden entwickelt und deren Genauigkeit miteinander verglichen.
Vier verschiedene Methoden (M1-M4) wurden untersucht und verglichen:
M1: RGB-Punktverfolgungsmodell: Diese Methode verfolgte markante Punkte auf der Kuhflanke in den RGB-Videodaten und analysierte deren Bewegungsmuster, um die Atemfrequenz zu bestimmen.
M2: Geometrische Größen unter Verwendung der Tiefeninformationen: Diese Methode berechnete geometrische Größen, wie die Dirichlet-Energie, basierend auf den Tiefeninformationen der Kuhflanke und leitete daraus die Atemfrequenz ab.
M3: End-to-End-Modell mit nur RGB-Daten: Dieses Modell nutzte ein neuronales Netzwerk, um direkt aus den RGB-Videodaten die Atemfrequenz vorherzusagen.
M4: End-to-End-Modell RGB und Tiefendaten als 4-Kanal-Input: Ähnlich wie M3, aber zusätzlich wurden die Tiefeninformationen als zusätzlicher Eingabekanal verwendet.
Ergebnisse
Die Ergebnisse zeigten, dass M1 und M4 die Atemfrequenz mit ähnlich hoher Genauigkeit erfassen konnten. Die Abweichung zwischen der vorhergesagten Atemfrequenz und der tatsächlichen Atemfrequenz, gemessen mit einem Referenzsensor, betrug weniger als 3 Atemzüge pro Minute.
Die Verwendung von Tiefeninformationen allein (M2) erwies sich als nicht geeignet für eine genaue Erfassung der Atemfrequenz. Die Kombination von RGB- und Tiefeninformationen in M4 führte zu einer Verbesserung gegenüber der Verwendung von reinen RGB-Daten (M3).