| Student: | Jef Malfliet |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | Het identificeren van koeien is van groot belang, niet alleen binnen de context van het ClawCare project van ILVO, maar ook in de bredere wereld van de precision livestock farming. De huidige courante analoge manieren om een koe te identificeren, zoals oormerken en brandmerken, zijn moeilijk te combineren met de elektronische systemen die ondertussen schering en inslag zijn op moderne landbouwbedrijven. Elektronische identificatie oplossingen, zoals RFID-chips, kunnen daarin tegen wel eenvoudig communiceren met deze systemen maar brengen een grote initiële investeringskost met zich mee. Daarom wordt er steeds vaker gegrepen naar een identificatie oplossing die gebruik maakt van computervisie en neurale netwerken. In deze masterproef wordt er een proof of concept opgesteld dat koeien zal herkennen aan de hand van hun uniek vlekkenpatroon. Er wordt een pipeline opgesteld die uit de originele afbeeldingen het vlekkenpatroon van de koe isoleert en daarna gebruik maakt van twee verschillende manieren om de koeien te identificeren: het K-nearest neighbor algoritme en een convolutioneel neuraal netwerk. Beide oplossingen bekomen een accuraatheid van rond de 75%. |
|---|
| Abstract (Eng): | The ability to identify cows hold a lot of importance, not only in the context of the ClawCare project from ILVO, but also in the world of precision livestock farming. The current popular analogue methods to identify a cow, like earmarks or branding, are difficult to combine with electronic systems that are prevalent in every modern farm nowadays. Electronic solutions, like RFID-chips, on the other hand do communicate well with these systems but they come with a large initial investment cost. That is why there is a movement towards the use of identification solutions that make use of computer vision and neural networks. In this master thesis a proof of concept is constructed that will recognize cattle based on their unique spot pattern. A pipeline will be constructed that will isolate the spot pattern from the original images and then will use two different methods to identify cows: the K-nearest neighbor algorithm and a convolution neural network. Both solutions had an accuracy of around 75%. |
|---|