• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
https://doi.org/10.11606/T.55.2023.tde-13052024-091728
Document
Author
Full name
Victor Hugo Andrade Soares
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2023
Supervisor
Committee
Ponti, Moacir Antonelli (President)
Batista Neto, João do Espírito Santo
Mari, João Fernando
Pedrini, Hélio
Title in English
Techniques for cattle detection, duplicate removal and counting in large pasture areas using multiple aerial images
Keywords in English
Cattle counting
Duplicate removal
Graph-based method
Livestock
Object detection
Precision farming
Unmanned aerial vehicles (UAVs)
Abstract in English
Among the production areas with largest impact on global economy, agriculture and livestock play a prominent role. Technologies have been developed in order to automate and increase the efficiency of these fields. The use of Unmanned Aerial Vehicles (UAVs) has been extensively investigated to improve the efficiency of agricultural production and in the monitoring of animals. One of the most important and challenging tasks in animal monitoring is cattle counting. Traditional manual counting methods are laborious and error-prone, while existing automated approaches struggle with duplicate animal detection. This work presents a method for detecting and counting cattle in aerial images acquired via UAVs. This method leverages Convolutional Neural Networks (CNNs) and employs a graph-based optimization technique to eliminate duplicate animal detection in overlapping images. Our results emphasize the importance of maximizing animal matching to mitigate duplicate counts. Additionally, we integrate multi-attributes, encompassing velocity, direction, state (lying down or standing), color, and distance, to enhance duplicate removal and counting precision. We conducted extensive experiments and training to seamlessly incorporate these attributes into our methodology. Furthermore, we provide a dataset comprising authentic images captured in extensive pasture areas, suitable for both training and testing/benchmarking cattle counting techniques. When evaluating detection and counting, our outcomes underscore the competitiveness of the proposed method while significantly reducing the computational cost of the overall counting process. When focusing solely on duplicate removal, our method surpasses state-of-the-art techniques, achieving an average percentage error of 2.34%. In summary, the proposed method marks a substantial stride towards more efficient cattle counting practices and enhanced livestock management in agriculture.
Title in Portuguese
Técnicas para detecção de gado, remoção de duplicatas e contagem em grandes áreas de pastagem usando múltiplas imagens aéreas
Keywords in Portuguese
Contagem de gado
Detecção de objetos
Fazenda de precisão
Método baseado em grafos
Pecuária
Remoção de duplicados
Veículos aéreos não tripulados
Abstract in Portuguese
Nas áreas de produção com maior impacto na economia global, a agricultura e a pecuária desempenham um papel proeminente. Tecnologias têm sido desenvolvidas com o intuito de automatizar e aumentar a eficiência desses setores. O uso de Veículos Aéreos Não Tripulados (VANTs) tem sido amplamente investigado para aprimorar a eficiência da produção agrícola e o monitoramento de animais. Uma das tarefas mais importantes e desafiadoras no monitoramento de animais é a contagem de gado. Métodos tradicionais de contagem manual são trabalhosos e propensos a erros, enquanto abordagens automatizadas existentes lutam com detecções duplicadas de animais. Este trabalho apresenta um método para detectar e contar bovinos em imagens aéreas obtidas por meio de VANTs. Este método é baseado em Redes Neurais Convolucionais (CNNs) para detecção, e utiliza uma técnica de otimização baseada em gráfos para eliminar detecções duplicadas de animais em imagens sobrepostas. Nossos resultados destacam a importância de maximizar a correspondência de animais para mitigar contagens duplicadas. Além disso, integramos múltiplos atributos dos gados, incluindo velocidade, direção, estado (deitado ou em pé), cor e distância, para aprimorar a remoção de duplicatas e a precisão da contagem. Realizamos extensos experimentos e treinamentos para incorporar esses atributos em nossa metodologia. Além disso, fornecemos um conjunto de dados com imagens capturadas em extensas áreas de pastagem, adequadas tanto para o treinamento quanto para testes e avaliação de técnicas de contagem de gado. Ao avaliar a detecção e a contagem, nossos resultados destacam a competitividade do método proposto, ao mesmo tempo em que reduzem significativamente o custo computacional do processo de contagem como um todo. Ao focar exclusivamente na remoção de duplicatas, nosso método supera as técnicas mais avançadas, atingindo um erro médio percentual de 2,34%. Em resumo, o método proposto representa um grande avanço em direção a práticas de contagem de gado mais eficientes e ao aprimoramento da gestão do gado na agricultura.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2024-05-13
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2024. All rights reserved.