In precision livestock farming, individual identification and analysis of feeding behaviour have a great impact on optimising the productivity and improving health monitoring. The sensors usually used to measure several parameters from an individual dairy cow (RFID, Accelerometer, etc.) are invasive, uncomfortable and stressful for animals. To overcome these limits, we have developed a non-invasive system based entirely on image analysis. The top of the dairy cow's head image, captured in a dairy cow farm, was used as a Region of Interest (ROI) and different classifiers based on Convolutional Neural Network (CNN) model are used to monitor the feeding behaviour and perform individual identification of seventeen Holstein dairy cows. We use one CNN to detect the dairy cow presence in the feeder zone. A second CNN is used to determine the dairy cow position in front of the feeder, standing or feeding. A third CNN is used to check the availability of food in the feeder and if so recognise the food category. The last CNN is devoted to individual identification of the dairy cow. Furthermore, we also explore the contribution of a CNN coupled to Support Vector Machine (SVM) and the combination of multiple CNNs in the individual identification process. For the evaluation step, we have used a dataset composed of 7265 images of 17 Holstein dairy cows during feeding periods on a commercial farm. Results show that our method yields high scores in each step of our algorithm.

中文翻译：

---

基于卷积神经网络（CNN）的奶牛个体识别和采食行为监测的图像分析

在精准畜牧业中，个体识别和饲养行为分析对优化生产力和改善健康监测有很大影响。通常用于测量单个奶牛的多个参数的传感器（RFID、加速度计等）对动物来说是侵入性的、不舒服的和有压力的。为了克服这些限制，我们开发了一种完全基于图像分析的非侵入性系统。在奶牛场捕获的奶牛头部图像被用作感兴趣区域（ROI），并使用基于卷积神经网络（CNN）模型的不同分类器来监控喂养行为并执行个体识别十七头荷斯坦奶牛。我们使用一个 CNN 来检测饲养区中奶牛的存在。第二个 CNN 用于确定奶牛在喂食器前面的位置，站立或喂食。第三个 CNN 用于检查喂食器中食物的可用性，如果是，则识别食物类别。最后一个CNN致力于奶牛的个体识别。此外，我们还探索了与支持向量机 (SVM) 耦合的 CNN 以及多个 CNN 在个人识别过程中的组合的贡献。在评估步骤中，我们使用了一个由 17 头荷斯坦奶牛在商业农场饲养期间的 7265 张图像组成的数据集。结果表明，我们的方法在我们算法的每个步骤中都获得了高分。最后一个CNN致力于奶牛的个体识别。此外，我们还探索了与支持向量机 (SVM) 耦合的 CNN 以及多个 CNN 在个人识别过程中的组合的贡献。在评估步骤中，我们使用了一个由 17 头荷斯坦奶牛在商业农场饲养期间的 7265 张图像组成的数据集。结果表明，我们的方法在我们算法的每个步骤中都获得了高分。最后一个CNN致力于奶牛的个体识别。此外，我们还探索了与支持向量机 (SVM) 耦合的 CNN 以及多个 CNN 在个人识别过程中的组合的贡献。在评估步骤中，我们使用了一个由 17 头荷斯坦奶牛在商业农场饲养期间的 7265 张图像组成的数据集。结果表明，我们的方法在我们算法的每个步骤中都获得了高分。