Can 3D point cloud data improve automated body condition score prediction in dairy cattle?
تُظهر هذه الدراسة أنه على الرغم من إمكانات سحب النقاط ثلاثية الأبعاد في تقديم تمثيل هندسي أغنى، إلا أنها لا تتفوق باستمرار على صور العمق من المنظر العلوي في التنبؤ بدرجات حالة جسم الماشية، بل إنها في الواقع أكثر حساسية للضوضاء وبنية النموذج.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تخمين مقدار "الحشوة" (الدهون) الموجودة على جسم بقرة حلوب. يطلق المزارعون على هذا ما يسمى درجة حالة الجسم (BCS). الأمر يشبه التحقق مما إذا كان شخص ما نحيفاً جداً، أو في وزن مثالي، أو يحمل وزناً زائداً قليلاً. وهذا أمر بالغ الأهمية لأن مستويات الطاقة لدى البقرة تؤثر على صحتها، وإنتاج الحليب، وقدرتها على إنجاب العجول.
تقليدياً، يجب على خبير بشري أن ينظر إلى البقرة ويخمن هذه الدرجة. وهذا الأمر بطيء، ومرهق، وقد يختلف شخصان في تقديرهما لنفس البقرة.
لحل هذه المشكلة، بنى العلماء "عيناً" روبوتية (كاميرا عمق) تلتقط صوراً ثلاثية الأبعاد للأبقار أثناء خروجها من غرفة الحلب. هذه الكاميرا لا تلتقط مجرد صورة عادية؛ بل تقيس بدقة مدى ارتفاع جسم البقرة عن الأرض، مما ينشئ خريطة رقمية لشكلها.
السؤال الكبير الذي طرحته هذه الورقة البحثية هو: أي طريقة للنظر إلى تلك الخريطة ثلاثية الأبعاد هي الأفضل ليقوم الكمبيوتر بتخمين وزن البقرة؟
- "الخريطة المسطحة" (صورة العمق): تحويل البيانات ثلاثية الأبعاد إلى صورة تدرج رمادي حيث تعني النقاط الأكثر سطوعاً الأماكن "الأعلى"، والنقاط الأكثر قتامة الأماكن "الأدنى". فكر في الأمر كخريطة طبوغرافية لسلسلة جبال، ولكنها مخصصة لظهر البقرة.
- "سحابة النقاط" (سحابة النقاط): الإبقاء على البيانات كسحابة خام من ملايين النقاط الفردية ثلاثية الأبعاد العائمة في الفضاء. فكر في الأمر كمنحوتة رقمية مصنوعة من ملايين الكرات الصغيرة جداً.
التجربة: سباق بين فريقين
قام الباحثون بإعداد سباق باستخدام 1,020 بقرة حقيقية. واختبروا أربع طرق مختلفة لتغذية "عقل الكمبيوتر" (الذكاء الاصطناعي) بهذه البيانات:
- السباق 1 (البيانات الخام): تغذية الكمبيوتر بالصورة كاملة (البقرة + الخلفية) دون قص أي شيء منها.
- السباق 2 (الجسم الكامل): تغذية الكمبيوتر بصورة تم فيها قص البقرة فقط، مع الإبقاء على الحيوان كاملاً.
- السباق 3 (التركيز على "المؤخرة"): تغذية الكمبيوتر بصورة تم فيها قص الجزء الخلفي من البقرة فقط (المؤخرة)، وهو المكان الأكثر أهمية لفحص الدهون.
- السباق 4 (النهج "اليدوي"): بدلاً من ترك الذكاء الاصطناعي ينظر إلى الصورة بأكملها، قام الباحثون بقياس مسافات وأحجام محددة يدوياً (مثل قياس المسافة بين عظمتي الورك) ثم غدوا هذه الأرقام للكمبيوتر.
النتائج: من الفائز؟
إليك ما حدث، مشروحاً ببساطة:
1. "الخريطة المسطحة" (صورة العمق) كانت الفائز المستمر.
عندما نظر الكمبيوتر إلى البقرة بأكملها (سواء كانت خام أو مقصوصة)، كانت طريقة "الخريطة المسطحة" أفضل بكثير في تخمين الدرجة مقارنة بـ "سحابة النقاط".
- تشبيه: تخيل أنك تحاول التعرف على وجه ما. من الأسهل النظر إلى صورة فوتوغرافية مسطحة وواضحة (صورة العمق) بدلاً من محاولة إعادة بناء الوجه عبر التحديق في سحابة من جزيئات الغبار العائمة (سحابة النقاط) وتخمين مكان الأنف والعينين. لقد أعطت "الخريطة المسطحة" الكمبيوتر صورة أوضح وأكثر استقراراً ليتعلم منها.
2. "سحابة النقاط" لم تلحق بالركب إلا عندما قمنا بالتقريب (Zoom).
عندما قام الباحثون بقص الجزء الخلفي من البقرة فقط (السباق 3)، أدت "سحابة النقاط" أخيراً أداءً يضاهي "الخريطة المسطحة".
- لماذا؟ "سحابة النقاط" حساسة جداً للضجيج (التشويش). إذا كان لديك سحابة من النقاط تمثل البقرة بأكملها، فإن العديد من تلك النقاط ستكون مجرد هواء فارغ أو أرضية، مما يربك الكمبيوتر. ولكن إذا قطعت الخلفية والأرجل الأمامية، تاركاً فقط الجزء "اللحمي" الخلفي، تصبح السحابة كثيفة جداً بالمعلومات المفيدة، ويمكن للكمبيوتر أخيراً رؤية الشكل بوضوح.
3. النهج "اليدوي" كان الأبطأ.
عندما حاول الباحثون قياس مسافات محددة يدوياً وتغذية هذه الأرقام للكمبيوتر (السباق 4)، كانت هذه الطريقة هي الأقل دقة.
- تشبيه: هذا يشبه محاولة وصف لوحة لصديق من خلال إعطائه قائمة من القياسات فقط ("البقعة الزرقاء تبعد بوصتين عن البقعة الحمراء"). من الأفضل بكثير أن تريه الصورة فقط. يتعلم الذكاء الاصطناعي بشكل أفضل من خلال رؤية الشكل الكامل بدلاً من مجرد بعض الأرقام.
الخلاصة الكبرى
خلصت الورقة البحثية إلى أنك لا تحتاج بالضرورة إلى "سحابة النقاط" المعقدة للحصول على نتيجة جيدة.
- البساطة تفوز: كانت الطريقة الأبسط "الخريطة المسطحة" (صورة العمق) أكثر موثوقية، وأقل ارتباكاً بضجيج الخلفية، وعملت بشكل أفضل في معظم المواقف.
- التحضير مهم: إذا كنت تريد استخدام "سحابة النقاط" المعقدة، فعليك أن تكون حذراً جداً في قص الخلفية والتركيز فقط على الجزء المهم من البقرة (المؤخرة)، وإلا سيرتبك الكمبيوتر.
- الذكاء الاصطناعي مهم: نوع "عقل الكمبيوتر" (الخوارزمية) كان لا يقل أهمية عن نوع البيانات. فبعض عقول الذكاء الاصطناعي كانت أفضل في التعامل مع "سحابة النقاط" من غيرها.
باختصار: لتعليم الكمبيوتر كيفية وزن بقرة من خلال النظر إليها، فإن صورة ثلاثية الأبعاد مسطحة وواضحة هي عادةً الأداة الأفضل. لست بحاجة إلى "سحابة النقاط" الفاخرة والمعقدة إلا إذا كنت تحدد بدقة الجزء الذي تريد النظر إليه من البقرة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.