Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques
- Autores
- Rodríguez Alvarez, Juan Maximiliano; Arroqui, Mauricio; Mangudo, Pablo; Toloza, Juan Manuel; Jatip, Daniel Esteban; Rodriguez, Juan Manuel; Teyseyre, Alfredo Raul; Sanz, Carlos; Zunino Suarez, Alejandro Octavio; Machado, Claudio; Mateos Diaz, Cristian Maximiliano
- Año de publicación
- 2019
- Idioma
- inglés
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- BCS (Body Condition Score) is a method to estimate body fat reserves and accumulated energy balance of cows, placing estimations (or BCS values) in a scale of 1 to 5. Periodically rating BCS of dairy cows is very important since BCS values are associated with milk production, reproduction, and health of cows. However, in practice, obtaining BCS values is a time-consuming and subjective task performed visually by expert scorers. There have been several efforts to automate BCS of dairy cows by using image analysis and machine learning techniques. In a previous work, an automatic system to estimate BCS values was proposed, which is based on Convolutional Neural Networks (CNNs). In this paper we significantly extend the techniques exploited by that system via using transfer learning and ensemble modeling techniques to further improve BCS estimation accuracy. The improved system has achieved good estimations results in comparison with the base system. Overall accuracy of BCS estimations within 0.25 units of difference from true values has increased 4% (up to 82%), while overall accuracy within 0.50 units has increased 3% (up to 97%).
Fil: Rodríguez Alvarez, Juan Maximiliano. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Centro de Investigación Veterinaria de Tandil. Universidad Nacional del Centro de la Provincia de Buenos Aires. Centro de Investigación Veterinaria de Tandil. Provincia de Buenos Aires. Gobernación. Comision de Investigaciones Científicas. Centro de Investigación Veterinaria de Tandil; Argentina
Fil: Arroqui, Mauricio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina
Fil: Mangudo, Pablo. No especifíca;
Fil: Toloza, Juan Manuel. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
Fil: Jatip, Daniel Esteban. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina
Fil: Rodriguez, Juan Manuel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina
Fil: Teyseyre, Alfredo Raul. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina
Fil: Sanz, Carlos. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina
Fil: Zunino Suarez, Alejandro Octavio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina
Fil: Machado, Claudio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Centro de Investigación Veterinaria de Tandil. Universidad Nacional del Centro de la Provincia de Buenos Aires. Centro de Investigación Veterinaria de Tandil. Provincia de Buenos Aires. Gobernación. Comision de Investigaciones Científicas. Centro de Investigación Veterinaria de Tandil; Argentina
Fil: Mateos Diaz, Cristian Maximiliano. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina - Materia
-
BODY CONDITION SCORE
CONVOLUTIONAL NEURAL NETWORKS
IMAGE ANALYSIS
MODEL ENSEMBLING
PRECISION LIVESTOCK
TRANSFER LEARNING - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/122863
Ver los metadatos del registro completo
id |
CONICETDig_f7f84b73a7328cf55e5c2e2ce1cad29d |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/122863 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniquesRodríguez Alvarez, Juan MaximilianoArroqui, MauricioMangudo, PabloToloza, Juan ManuelJatip, Daniel EstebanRodriguez, Juan ManuelTeyseyre, Alfredo RaulSanz, CarlosZunino Suarez, Alejandro OctavioMachado, ClaudioMateos Diaz, Cristian MaximilianoBODY CONDITION SCORECONVOLUTIONAL NEURAL NETWORKSIMAGE ANALYSISMODEL ENSEMBLINGPRECISION LIVESTOCKTRANSFER LEARNINGhttps://purl.org/becyt/ford/1.2https://purl.org/becyt/ford/1BCS (Body Condition Score) is a method to estimate body fat reserves and accumulated energy balance of cows, placing estimations (or BCS values) in a scale of 1 to 5. Periodically rating BCS of dairy cows is very important since BCS values are associated with milk production, reproduction, and health of cows. However, in practice, obtaining BCS values is a time-consuming and subjective task performed visually by expert scorers. There have been several efforts to automate BCS of dairy cows by using image analysis and machine learning techniques. In a previous work, an automatic system to estimate BCS values was proposed, which is based on Convolutional Neural Networks (CNNs). In this paper we significantly extend the techniques exploited by that system via using transfer learning and ensemble modeling techniques to further improve BCS estimation accuracy. The improved system has achieved good estimations results in comparison with the base system. Overall accuracy of BCS estimations within 0.25 units of difference from true values has increased 4% (up to 82%), while overall accuracy within 0.50 units has increased 3% (up to 97%).Fil: Rodríguez Alvarez, Juan Maximiliano. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Centro de Investigación Veterinaria de Tandil. Universidad Nacional del Centro de la Provincia de Buenos Aires. Centro de Investigación Veterinaria de Tandil. Provincia de Buenos Aires. Gobernación. Comision de Investigaciones Científicas. Centro de Investigación Veterinaria de Tandil; ArgentinaFil: Arroqui, Mauricio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; ArgentinaFil: Mangudo, Pablo. No especifíca;Fil: Toloza, Juan Manuel. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; ArgentinaFil: Jatip, Daniel Esteban. Universidad Nacional del Centro de la Provincia de Buenos Aires; ArgentinaFil: Rodriguez, Juan Manuel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; ArgentinaFil: Teyseyre, Alfredo Raul. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; ArgentinaFil: Sanz, Carlos. Universidad Nacional del Centro de la Provincia de Buenos Aires; ArgentinaFil: Zunino Suarez, Alejandro Octavio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; ArgentinaFil: Machado, Claudio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Centro de Investigación Veterinaria de Tandil. Universidad Nacional del Centro de la Provincia de Buenos Aires. Centro de Investigación Veterinaria de Tandil. Provincia de Buenos Aires. Gobernación. Comision de Investigaciones Científicas. Centro de Investigación Veterinaria de Tandil; ArgentinaFil: Mateos Diaz, Cristian Maximiliano. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; ArgentinaMolecular Diversity Preservation International2019-02info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/122863Rodríguez Alvarez, Juan Maximiliano; Arroqui, Mauricio; Mangudo, Pablo; Toloza, Juan Manuel; Jatip, Daniel Esteban; et al.; Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques; Molecular Diversity Preservation International; Agronomy; 9; 2; 2-2019; 1-182073-4395CONICET DigitalCONICETenginfo:eu-repo/semantics/altIdentifier/url/https://www.mdpi.com/2073-4395/9/2/90info:eu-repo/semantics/altIdentifier/doi/10.3390/agronomy9020090info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:59:21Zoai:ri.conicet.gov.ar:11336/122863instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:59:22.136CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques |
title |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques |
spellingShingle |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques Rodríguez Alvarez, Juan Maximiliano BODY CONDITION SCORE CONVOLUTIONAL NEURAL NETWORKS IMAGE ANALYSIS MODEL ENSEMBLING PRECISION LIVESTOCK TRANSFER LEARNING |
title_short |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques |
title_full |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques |
title_fullStr |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques |
title_full_unstemmed |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques |
title_sort |
Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques |
dc.creator.none.fl_str_mv |
Rodríguez Alvarez, Juan Maximiliano Arroqui, Mauricio Mangudo, Pablo Toloza, Juan Manuel Jatip, Daniel Esteban Rodriguez, Juan Manuel Teyseyre, Alfredo Raul Sanz, Carlos Zunino Suarez, Alejandro Octavio Machado, Claudio Mateos Diaz, Cristian Maximiliano |
author |
Rodríguez Alvarez, Juan Maximiliano |
author_facet |
Rodríguez Alvarez, Juan Maximiliano Arroqui, Mauricio Mangudo, Pablo Toloza, Juan Manuel Jatip, Daniel Esteban Rodriguez, Juan Manuel Teyseyre, Alfredo Raul Sanz, Carlos Zunino Suarez, Alejandro Octavio Machado, Claudio Mateos Diaz, Cristian Maximiliano |
author_role |
author |
author2 |
Arroqui, Mauricio Mangudo, Pablo Toloza, Juan Manuel Jatip, Daniel Esteban Rodriguez, Juan Manuel Teyseyre, Alfredo Raul Sanz, Carlos Zunino Suarez, Alejandro Octavio Machado, Claudio Mateos Diaz, Cristian Maximiliano |
author2_role |
author author author author author author author author author author |
dc.subject.none.fl_str_mv |
BODY CONDITION SCORE CONVOLUTIONAL NEURAL NETWORKS IMAGE ANALYSIS MODEL ENSEMBLING PRECISION LIVESTOCK TRANSFER LEARNING |
topic |
BODY CONDITION SCORE CONVOLUTIONAL NEURAL NETWORKS IMAGE ANALYSIS MODEL ENSEMBLING PRECISION LIVESTOCK TRANSFER LEARNING |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/1.2 https://purl.org/becyt/ford/1 |
dc.description.none.fl_txt_mv |
BCS (Body Condition Score) is a method to estimate body fat reserves and accumulated energy balance of cows, placing estimations (or BCS values) in a scale of 1 to 5. Periodically rating BCS of dairy cows is very important since BCS values are associated with milk production, reproduction, and health of cows. However, in practice, obtaining BCS values is a time-consuming and subjective task performed visually by expert scorers. There have been several efforts to automate BCS of dairy cows by using image analysis and machine learning techniques. In a previous work, an automatic system to estimate BCS values was proposed, which is based on Convolutional Neural Networks (CNNs). In this paper we significantly extend the techniques exploited by that system via using transfer learning and ensemble modeling techniques to further improve BCS estimation accuracy. The improved system has achieved good estimations results in comparison with the base system. Overall accuracy of BCS estimations within 0.25 units of difference from true values has increased 4% (up to 82%), while overall accuracy within 0.50 units has increased 3% (up to 97%). Fil: Rodríguez Alvarez, Juan Maximiliano. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Centro de Investigación Veterinaria de Tandil. Universidad Nacional del Centro de la Provincia de Buenos Aires. Centro de Investigación Veterinaria de Tandil. Provincia de Buenos Aires. Gobernación. Comision de Investigaciones Científicas. Centro de Investigación Veterinaria de Tandil; Argentina Fil: Arroqui, Mauricio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina Fil: Mangudo, Pablo. No especifíca; Fil: Toloza, Juan Manuel. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina Fil: Jatip, Daniel Esteban. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina Fil: Rodriguez, Juan Manuel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina Fil: Teyseyre, Alfredo Raul. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina Fil: Sanz, Carlos. Universidad Nacional del Centro de la Provincia de Buenos Aires; Argentina Fil: Zunino Suarez, Alejandro Octavio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina Fil: Machado, Claudio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Centro de Investigación Veterinaria de Tandil. Universidad Nacional del Centro de la Provincia de Buenos Aires. Centro de Investigación Veterinaria de Tandil. Provincia de Buenos Aires. Gobernación. Comision de Investigaciones Científicas. Centro de Investigación Veterinaria de Tandil; Argentina Fil: Mateos Diaz, Cristian Maximiliano. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina |
description |
BCS (Body Condition Score) is a method to estimate body fat reserves and accumulated energy balance of cows, placing estimations (or BCS values) in a scale of 1 to 5. Periodically rating BCS of dairy cows is very important since BCS values are associated with milk production, reproduction, and health of cows. However, in practice, obtaining BCS values is a time-consuming and subjective task performed visually by expert scorers. There have been several efforts to automate BCS of dairy cows by using image analysis and machine learning techniques. In a previous work, an automatic system to estimate BCS values was proposed, which is based on Convolutional Neural Networks (CNNs). In this paper we significantly extend the techniques exploited by that system via using transfer learning and ensemble modeling techniques to further improve BCS estimation accuracy. The improved system has achieved good estimations results in comparison with the base system. Overall accuracy of BCS estimations within 0.25 units of difference from true values has increased 4% (up to 82%), while overall accuracy within 0.50 units has increased 3% (up to 97%). |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-02 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/122863 Rodríguez Alvarez, Juan Maximiliano; Arroqui, Mauricio; Mangudo, Pablo; Toloza, Juan Manuel; Jatip, Daniel Esteban; et al.; Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques; Molecular Diversity Preservation International; Agronomy; 9; 2; 2-2019; 1-18 2073-4395 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/122863 |
identifier_str_mv |
Rodríguez Alvarez, Juan Maximiliano; Arroqui, Mauricio; Mangudo, Pablo; Toloza, Juan Manuel; Jatip, Daniel Esteban; et al.; Estimating body condition score in dairy cows from depth images using convolutional neural networks, transfer learning and model ensembling techniques; Molecular Diversity Preservation International; Agronomy; 9; 2; 2-2019; 1-18 2073-4395 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://www.mdpi.com/2073-4395/9/2/90 info:eu-repo/semantics/altIdentifier/doi/10.3390/agronomy9020090 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf application/pdf application/pdf application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Molecular Diversity Preservation International |
publisher.none.fl_str_mv |
Molecular Diversity Preservation International |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844613761927741440 |
score |
13.070432 |