CattleFace-RGBT|动物识别数据集|健康监测数据集

arXiv2024-06-06 更新2024-06-21 收录

动物识别

健康监测

下载链接：

https://github.com/UARKAICV/CattleFace-RGBT-benchmark

下载链接

链接失效反馈

资源简介：

CattleFace-RGBT是首个包含RGB和热图像的牛面部地标数据集，由阿肯色大学的AICV Lab和动物科学系创建。该数据集包含2,300对RGB和热图像，总计4,600张图像，每张图像标注了13个关键点，如眼睛、耳朵、鼻孔和嘴巴等。数据集通过AI辅助的半自动标注方法创建，旨在通过面部关键点准确评估牛的生理状态，如体温和呼吸迹象，以优化农场管理中的动物福利。此数据集的应用领域主要集中在智能农业和动物健康监测，特别是用于检测牛的发热情况。

提供机构：

AICV Lab, 阿肯色大学, 费耶特维尔, 美国

创建时间：

2024-06-06

AI搜集汇总

数据集介绍

构建方式

CattleFace-RGBT数据集通过在农场环境中采集RGB和热成像视频，结合AI辅助标注工具，构建了一个包含2,300对RGB-T图像的基准数据集。首先，研究人员在农场中使用热成像和RGB摄像头记录了每头牛的面部视频，随后通过手动和AI辅助的方式对图像进行标注。为了提高标注效率，研究团队采用了半自动化的标注流程，先对RGB图像进行手动标注，然后利用深度学习模型对热成像图像进行预测和校正，最终形成了包含13个关键点的面部标注数据集。

使用方法

CattleFace-RGBT数据集适用于多种计算机视觉任务，特别是面部关键点检测和动物健康监测。研究人员可以使用该数据集训练和评估模型，以检测牛的面部关键点，并结合热成像数据分析其体温变化。数据集的标注信息以JSON格式提供，便于研究人员进行数据加载和处理。此外，数据集的开源代码和模型基准测试结果可在GitHub上获取，为未来的研究提供了参考和比较的基准。

背景与挑战

背景概述

随着人工智能技术在动物行为与福利研究中的应用日益广泛，准确评估牲畜的健康状态成为优化农场管理的关键。CattleFace-RGBT数据集由阿肯色大学AICV实验室与动物科学系合作创建，旨在通过RGB和热成像技术捕捉牛的面部关键点，以实现对牛健康状态的自动化评估。该数据集包含2,300对RGB-T图像，总计4,600张图片，标注了13个面部关键点，涵盖眼睛、耳朵、鼻子和嘴巴等部位。这是首个针对牛面部关键点的RGB-T数据集，旨在为智能农场管理提供基础，推动牲畜福利研究的发展。

当前挑战

CattleFace-RGBT数据集的构建面临多重挑战。首先，直接在热成像数据上训练模型效果不佳，需通过RGB域的知识迁移来优化热成像数据的标注。其次，RGB与热成像图像由于视角不同，难以实现自动对齐，导致关键点标注的复杂性增加。此外，数据集的创建过程耗时且繁琐，尽管采用AI辅助标注工具，但仍需大量人工校正以确保标注的准确性。这些挑战不仅影响了数据集的构建效率，也对后续模型的训练和评估提出了更高的要求。

常用场景

经典使用场景

CattleFace-RGBT数据集的经典使用场景主要集中在牲畜福利评估和健康监测领域。通过结合RGB和热成像图像，该数据集能够精确地定位牛面部关键点，如眼睛、耳朵、鼻子和嘴巴等部位。这种多模态数据的使用使得研究人员能够同时分析牛的面部表情和体温变化，从而更全面地评估其健康状况。例如，通过检测牛的眼睛是否湿润或鼻子是否流涕，结合体温数据，可以有效识别牛是否患有疾病，如发烧等。

解决学术问题

CattleFace-RGBT数据集解决了牲畜健康监测中的多个学术研究问题。首先，它填补了现有数据集中缺乏热成像数据的空白，使得研究人员能够通过体温变化来识别疾病。其次，该数据集通过提供精确的面部关键点标注，解决了传统人工观察方法的主观性和低效性问题。此外，通过引入AI辅助标注工具，该数据集显著减少了数据标注的时间和成本，为牲畜福利研究提供了高质量的数据支持。

实际应用

在实际应用中，CattleFace-RGBT数据集可广泛应用于智能农业和牲畜管理领域。例如，农场管理者可以利用该数据集开发自动化系统，实时监测牛的健康状况，及时发现疾病迹象并采取相应措施。此外，该数据集还可用于开发智能喂食系统，根据牛的健康状态调整饲料配比，优化饲养效率。通过这些应用，不仅可以提高牲畜的福利水平，还能显著提升农场的经济效益。

数据集最近研究