論文の概要: Cross-Breed Pig Identification Using Auricular Vein Pattern Recognition: A Machine Learning Approach for Small-Scale Farming Applications

• arxiv url: http://arxiv.org/abs/2510.02197v1
• Date: Thu, 02 Oct 2025 16:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.223305
• Title: Cross-Breed Pig Identification Using Auricular Vein Pattern Recognition: A Machine Learning Approach for Small-Scale Farming Applications
• Title（参考訳）: 耳介静脈パターン認識を用いたクロスブリード豚の識別 : 小規模農業用機械学習アプローチ
• Authors: Emmanuel Nsengiyumvaa, Leonard Niyitegekaa, Eric Umuhoza,
• Abstract要約: 耳介静脈パターンの特異性を利用した非侵襲的生体認証手法を提案する。 静脈の可視性を高め、構造的特徴と空間的特徴を抽出し、生体的シグネチャを生成するコンピュータビジョンパイプラインが開発された。 サポートベクターマシン(SVM)は、雑種集団で98.12%の精度で豚を正確に識別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate livestock identification is a cornerstone of modern farming: it supports health monitoring, breeding programs, and productivity tracking. However, common pig identification methods, such as ear tags and microchips, are often unreliable, costly, target pure breeds, and thus impractical for small-scale farmers. To address this gap, we propose a noninvasive biometric identification approach that leverages uniqueness of the auricular vein patterns. To this end, we have collected 800 ear images from 20 mixed-breed pigs (Landrace cross Pietrain and Duroc cross Pietrain), captured using a standard smartphone and simple back lighting. A multistage computer vision pipeline was developed to enhance vein visibility, extract structural and spatial features, and generate biometric signatures. These features were then classified using machine learning models. Support Vector Machines (SVM) achieved the highest accuracy: correctly identifying pigs with 98.12% precision across mixed-breed populations. The entire process from image processing to classification was completed in an average of 8.3 seconds, demonstrating feasibility for real-time farm deployment. We believe that by replacing fragile physical identifiers with permanent biological markers, this system provides farmers with a cost-effective and stress-free method of animal identification. More broadly, the findings confirm the practicality of auricular vein biometrics for digitizing livestock management, reinforcing its potential to extend the benefits of precision farming to resource-constrained agricultural communities.
• Abstract（参考訳）: 正確な家畜の識別は現代の農業の基盤であり、健康モニタリング、繁殖プログラム、生産性の追跡をサポートする。 しかし、耳のタグやマイクロチップのような一般的な豚の識別方法は、しばしば信頼性が低く、コストがかかり、純粋な品種を標的としており、小規模農家にとって実用的ではない。 このギャップに対処するため, 耳介静脈パターンの特異性を利用した非侵襲的生体認証手法を提案する。 この目的のために、私たちは、標準的なスマートフォンとシンプルなバックライトを使って、20頭の雑種豚(Landrace cross PietrainとDuroc cross Pietrain)から800個の耳画像を収集しました。 多段階コンピュータビジョンパイプラインが開発され、静脈の可視性を高め、構造的特徴と空間的特徴を抽出し、生体的シグネチャを生成する。 これらの特徴はその後、機械学習モデルを使用して分類された。 サポートベクターマシン(SVM)は、雑種集団で98.12%の精度で豚を正確に識別する。 画像処理から分類までのプロセスは平均8.3秒で完了し、リアルタイムファーム展開の可能性を示した。 我々は、脆弱な物理的識別子を恒久的な生物学的マーカーに置き換えることで、農家に費用対効果とストレスフリーの動物識別方法を提供すると信じている。 より広範に、家畜管理のデジタル化のための耳介バイオメトリックス(Auricular vein biometrics)の実用性を確認し、精密農業のメリットを資源制約された農業社会に拡大する可能性を高めた。

関連論文リスト

• Self-supervised Learning on Camera Trap Footage Yields a Strong Universal Face Embedder [48.03572115000886]
  本研究では、未ラベルのカメラトラップ映像から堅牢なチンパンジー顔の埋め込みを学習するための、完全な自己教師型アプローチを提案する。 私たちは、自動的に採掘された顔作物にビジョントランスフォーマーを訓練し、IDラベルを不要にします。 この研究は、生物多様性モニタリングにおける自己教師型学習の可能性を強調し、スケーラブルで非侵襲的な集団研究の道を開く。
  論文  参考訳（メタデータ） (2025-07-14T17:59:59Z)
• Holstein-Friesian Re-Identification using Multiple Cameras and Self-Supervision on a Working Farm [2.9391768712283772]
  複数のカメラで撮影されたMultiCamCows2024は、ホルシュタイン・フリース種牛の生体認証のための大規模画像データセットである。 データセットは、90頭の牛の101,329枚の画像と、基盤となるCCTVの映像で構成されている。 本研究では,データセットから画像の識別精度を96%以上上回る性能を報告し,学習中の複数のカメラからのデータを組み合わせることで,自己教師付き識別が促進されることを示した。
  論文  参考訳（メタデータ） (2024-10-16T15:58:47Z)
• Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
  乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。 これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。 本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
  論文  参考訳（メタデータ） (2021-12-13T17:11:32Z)
• Livestock Monitoring with Transformer [4.298326853567677]
  我々は,集団飼育豚を対象としたエンドツーエンド行動監視システムを開発し,インスタンスレベルのセグメンテーション,トラッキング,行動認識,再識別タスクを同時実施する。 本稿では, トランスフォーマーアーキテクチャを用いて, グループ豚のインスタンスレベルの埋め込みを学習する, エンドツーエンド多目的家畜監視フレームワークであるStarformerについて紹介する。
  論文  参考訳（メタデータ） (2021-11-01T10:03:49Z)
• Visual Identification of Individual Holstein-Friesian Cattle via Deep Metric Learning [8.784100314325395]
  ホルシュタイン・フリーズ産の牛は、チューリングの反応拡散系から生じたものと類似した、個々の特性の白黒のコートパターンを視覚的に示す。 この研究は、畳み込みニューラルネットワークとディープメトリック学習技術を介して、個々のホルシュタイン・フリース人の視覚的検出と生体認証を自動化するために、これらの自然なマーキングを利用する。
  論文  参考訳（メタデータ） (2020-06-16T14:41:55Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。