Założenia algorytmu
Celem algorytmu jest automatyczna klasyfikacja podłoża na zdjęciach termowizyjnych na dwa typy: bezściółkowe (np. gładki beton) i ściółkowe (np. słoma), co ma kluczowe znaczenie dla analizy warunków życiowych zwierząt hodowlanych. Założono, że dokładne rozpoznanie typu podłoża umożliwi korelację z innymi danymi pomiarowymi, co pozwoli
zrozumieć wpływ środowiska na zdrowie i dobrostan zwierząt. Precyzja w klasyfikacji jest niezbędna, aby zapewnić wiarygodność wniosków z analizy danych.
Opis wytypowanego rozwiązania
Wytypowanym rozwiązaniem jest zastosowanie modelu YOLOv8, ze względu na jego zdolność do szybkiego i efektywnego rozpoznawania różnych obiektów w czasie rzeczywistym. Model ten został wybrany z uwagi na swoją wyjątkową skuteczność w detekcji i klasyfikacji obiektów na obrazach, co czyni go idealnie nadającym się do zadania rozpoznawania typu podłoża. Dzięki treningowi na odpowiednio przygotowanym i oznakowanym zbiorze danych, model YOLOv8 jest w stanie dokładnie klasyfikować podłoże, rozróżniając jego rodzaj nawet w złożonych scenariuszach wizyjnych.
Opis i podział zbioru danych wejściowych
Zbiór danych wejściowych składa się z obrazów termowizyjnych przedstawiających różne typy podłoża w kontekście hodowli zwierząt. Każdy obraz w zbiorze został precyzyjnie oznakowany, określając, czy przedstawia on podłoże bezściółkowe czy ściółkowe. W celu zapewnienia efektywnej nauki i walidacji modelu, zbiór danych został podzielony na trzy części: zestaw treningowy (70% danych), zestaw walidacyjny (20% danych) oraz zestaw
testowy (10% danych). Taki podział zapewnia zbalansowane warunki dla procesu uczenia modelu, umożliwiając jednocześnie dokładną weryfikację jego zdolności do generalizacji i klasyfikacji podłoża na nieznanych zdjęciach. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
