Earticle

터널과 같은 GNSS(Global Navigation Satellite System) 음영 환경에서는 위성 신호가 차단되 어 기존 측위 기법의 적용이 제한된다. 이를 보완하기 위해 카메라 기반의 측위 기술이 활용되 지만 터널 내부는 반복적인 텍스처와 진출입시 조명의 변화라는 한계가 명확하여 여전히 정밀 한 위치 추정을 어렵게 한다. 본 연구는 이러한 GNSS 음영 환경의 측위 불확실성을 보완하기 위해 향후 측위 알고리즘의 횡방향 오차를 검증하는 핵심 지표로 활용될 수 있는 차로 수준 인지 경량 딥러닝 프레임워크를 제안한다. 연구 과정은 크게 데이터 구축과 모델 설계로 구분 된다. 먼저, Lucas-Kanade 광학 흐름 기반의 반자동 라벨링 기법을 적용하여 터널 주행 데이터 셋을 효율적으로 구축하였다. 이어 MobileNetV3-small 기반의 End-to-End 분류 모델을 적용하여 제한된 연산 자원에서도 운용 가능한 경량 구조를 확보하였다. 실험 결과 터널 환경에서 약 97.8%의 차로 식별 정확도를 달성하였으며, 횡방향 발산 오류를 감지하고 통제할 수 있는 강건 한 보조 수단으로서의 활용 가능성을 시사한다.

In GNSS-denied environments, such as tunnels, the obstruction of satellite signals significantly limits the applicability of conventional positioning techniques. In addition, camera-based position illumination changes at the tunnel entrances and exits continue to hinder precise localization. This paper proposes a lane-level recognition lightweight deep learning framework to compensate for positioning uncertainty in GNSS-denied environments, which can be utilized as a key metric to verify the lateral error of future positioning algorithms. The research methodology was categorized into data construction and model design. First, a tunnel-driving dataset was efficiently established using a semi-automatic labeling technique based on Lucas–Kanade optical flow.Subsequently, an end-to-end classification model based on MobileNetV3-Small was implemented to ensure a lightweight architecture capable of operating within limited computational resources. Experimental results demonstrated a lane identification accuracy of approximately 97.8% in tunnel environments, suggesting its potential as a robust auxiliary mechanism to detect and control lateral divergence errors.

게임 콘텐츠가 점점 복잡해짐에 따라 기존의 수동 테스트 및 스크립트 기반 테스트 방법 은 비용과 테스트 범위 측면에서 한계를 보이고 있다. 본 연구에서는 픽셀 수준의 시각 정 보만을 사용하여 게임의 그래픽 사용자 인터페이스(GUI)와 상호작용하는 딥 강화학습(DRL) 기반 자동 게임 테스트 에이전트를 제안한다. 제안된 에이전트는 ResNet18 기반 시각 인식 모듈과 Proximal Policy Optimization(PPO) 알고리즘을 결합하여, 게임에 대한 어떠한 선 해 정보 없이도 게임 내 장애물을 만났을 때 점프, 웅크리기, 벽 오르기와 같은 회피 방법 을 효과적으로 선택할 수 있다. 실험 결과, 제안된 에이전트는 다양한 장애물 구성 환경에 서 무작위 기준 모델 대비 더 높은 과제 성공률과 안정적인 학습 성능을 보였으며, 이를 통해 블랙박스 게임 환경에서 DRL 기반 자동 테스트의 실현 가능성을 입증하였다.

As game content becomes more complex, conventional manual and script-based testing methods face limitations in cost and coverage. This study presents a Deep Reinforcement Learning (DRL)–based automated game testing agent that interacts with a game’s graphical user interface (GUI) using only pixel-level visual inputs. By combining a ResNet18-based visual perception module with the Proximal Policy Optimization (PPO) algorithm, the agent handles in-game obstacles such as jumping, crouching, and wall-climbing without access to internal game code. Experimental results show that the proposed agent outperforms a random baseline in task success rate and learning stability across diverse obstacle configurations, demonstrating the feasibility of DRL-based automated testing in black-box game environments.

The phenotypic characteristics of plants, including their length and width, are key indicators for evaluating growth status. In this study, we propose a robust framework for radish phenotype evaluation based on an improved SOLOv2 instance segmentation algorithm and a dataset of 1100 annotated images. The enhanced model enables precise segmentation of radish components, facilitating accurate measurement of leaf and root size. Furthermore, we integrate a Channel–Spatial Attention Module (CSAM) into the feature extraction stage to optimize the backbone, and incorporate soft attention mechanisms into the Feature Pyramid Network (FPN) to enhance its representation capability. Experimental evaluations show that the improved SOLOv2 model achieves an average segmentation accuracy of 94.3%. The proposed system significantly reduces the labor and time required by traditional measurement methods.

고인쇄물의 인쇄 방식 판별이 주로 서지학 전문가의 직관과 정성적 판단에 의존해 왔으나, 본 연구는 글자의 자형 구조에 기반한 객관적인 수치적 기준을 제시하고자, 글자 구조 유사도 기반의 비교 기법을 제안하고, 이를 고서 18권의 영상 데이터에 적용하여 실증 분석을 수행했다. 제안된 유사도 측정 방법은 활자의 마모, 인출 압력 차이에 따른 글자 획 외곽의 변화에 영향을 받지 않도록 글자의 골격을 추출 및 정합하여 글자의 구조적 특징에 대한 유사도를 계산하는 절차로 구성된다. 분석에는 고려 말부터 조선 후기까지 제작된 금속활자본 9권과 목판본 9권에서 수집된 약 13,900개 의 글자 영상에 대한 글자 구조 유사도를 측정해 인쇄 방식별 특징을 통계적으로 비교⋅분석했다. 금속활자본의 평균 최대 글자 구조 유사도는 0.888로 높았고, 분산 또한 작아 자형의 일관성이 확인 된 반면, 목판본 및 번각본은 평균 유사도 0.648 이하, 사분위 범위도 두 배 이상 커 자형의 불균일성 이 뚜렷하게 나타났다. 이러한 차이를 기반으로, 평균 최대 글자 구조 유사도가 0.75 이상인 경우 금속활자본으로 판별할 수 있는 실험적 기준을 제시하였다. 본 연구는 금속활자본과 목판본의 정량 적 판별 기준을 수립함으로써, 인쇄본 분류에 있어 서지학적 신뢰성을 제고할 수 있는 기반 자료로 활용될 수 있다.

The classification of early printed books has traditionally depended on bibliographic experts’ intuition and qualitative judgment. This study introduces a quantitative and objective approach based on the structural similarity of character shapes. A novel similarity measurement method was developed, which extracts and aligns the skeletal structure of characters, thereby reducing the impact of external variations such as type wear and printing pressure. The method was applied to image data from 18 early Korean books, nine printed with metal type and nine with woodblock, produced between the late Goryeo and late Joseon periods. In total, approximately 13,900 character images were analyzed. Results s how that t he averag e maximum structure similarity o f characters i n metal-type p rints was 0.888 with low variance, demonstrating high internal consistency. By contrast, woodblock and re-engraved prints yielded average similarity values below 0.648 and exhibited more than twice the interquartile range, indicating pronounced irregularity. Based on these findings, an empirical threshold of 0.75 for average maximum similarity is proposed as a criterion for identifying metal-type prints. This study provides a foundational dataset that enhances the objectivity and reliability of bibliographic classification and lays the groundwork for developing automated systems for heritage print classification.

본 연구는 유화 작품의 보존 상태를 모니터링하기 위하여 특징점 검출 알고리즘을 적용하여 작 품의 손상 여부를 살펴보고자 하였다. 미술품 보존 상태 모니터링은 주로 전문가의 육안 검사와 주기 적인 사진 촬영에 의존하고 있어, 시간과 비용이 많이 소요되며 객관적인 모니터링에 한계가 있다. 이 러한 문제를 해결하기 위해 본 연구에서는 SIFT, ORB, AKAZE, BRISK 등 다양한 특징점 검출 알 고리즘을 활용하였으며, 6가지 손상 유형(균열, 황변, 구김, 박리와 박락, 퇴색과 감변, 평면성 상실)이 포함된 유화 데이터셋에 대한 손상 검출 성능을 분석하였다. 검출률, 처리 시간, 새로운 특징점 검출 률, 메모리 사용량을 기준으로 평가한 결과, ORB 알고리즘이 가장 높은 검출률과 빠른 처리 속도를 보여 실시간 모니터링에 적합함을 확인하였다. 이를 통해 다량의 미술품을 보관하고 있는 미술관, 박 물관에서 미술품의 모니터링에 따른 알고리즘의 선택적 적용이 미술품 보존 관리에서의 손상 검출 효 율성을 향상시킬 수 있음을 확인하였다. 이러한 연구 결과는 미술관과 박물관에서 실제 작품 보존 관 리 시스템을 구축할 때 효과적인 알고리즘 선택의 기준을 제시할 수 있을 것으로 기대된다.

This study aimed to examine the condition of oil paintings by applying feature point detection algorithms to monitor their preservation status and assess potential damages. Over time, artworks are subject to natural deterioration and damage from environmental factors. Current conservation methods mainly rely on expert visual inspections and periodic photography, which are time-consuming, costly, and lack objectivity. To address these challenges, this study evaluates the performance of feature detection algorithms (SIFT, ORB, AKAZE, and BRISK) on a dataset of oil paintings with six types of damage: cracks, yellowing, wrinkles, delamination and flaking, fading, and loss of flatness. The algorithms were assessed based on detection rate, processing time, new feature detection rate, and memory usage. ORB demonstrated the highest detection rate and fastest processing speed, making it ideal for real-time monitoring. The results suggest that selective application of these algorithms in art galleries and museums could enhance the efficiency of damage detection, offering useful criteria for selecting effective algorithms in realworld art conservation management systems.

Computer vision has rapidly evolved into a critical field that has garnered significant attention due to its applications in face recognition, human body analysis, automatic driving, indoor positioning, and other domains. The accuracy and speed of object detection have become a primary focus in computer vision research. Among the notable architectures, YOLO stands out, as it delivers remarkable speed that is 300 times faster than Fast-RCNN while maintaining comparable accuracy. In this paper, we proposed the topic of spatial recognition using the YOLO architecture. Specifically, we propose a solution that utilizes indoor video footage to identify objects in space, extract their spatial information, and store them in a database for matching and identifying spaces. We also introduce a new fingerprint input method that leverages monocular vision and YOLO algorithm to assist users in determining their location and space. Our study provides valuable insights and directions for future spatial recognition research.

도심지역의 교통 상태는 효과적인 교통 운영과 교통 제어를 수행하는 데 필수 요소이다. 하지만 교통 상태를 얻기 위해서 수많은 도로 구간에 교통 센서를 설치하는 것은 막대한 비용 이 든다. 이를 해결하기 위해서 시장침투율이 높은 센서인 차량 블랙박스 카메라를 이용하여 교통 상태를 추정하는 것이 효과적이다. 하지만 기존의 방법론은 객체 추적 알고리즘이나 광 학 흐름과 같이 계산 복잡도가 높고, 연속된 프레임이 있어야 연산을 수행할 수 있다는 단점이 존재한다. 이에 본 연구에서는 심층학습 모델로 차량과 차선을 탐지하고, 차선 사이의 공간을 관심 영역으로 설정하여 해당 영역의 교통밀도를 추정하는 방법을 제안하였다. 이 방법론은 객체 탐지 모델만을 이용해서 연산량이 적고, 연속된 프레임이 아닌 샘플링된 프레임에 대해 교통 상태를 추정할 수 있다는 장점이 있기에, 보유하고 있는 컴퓨팅 자원에 맞는 교통 상태 추정이 가능하다. 또, 도심지역에서 운행하는 서로 다른 특성의 2개의 버스 노선에서 수집한 블랙박스 영상을 검증한 결과, 교통밀도 추정 정확도가 90% 이상인 것을 확인하였다.

Traffic states in urban areas are essential to implement effective traffic operation and traffic control. However, installing traffic sensors on numerous road sections is extremely expensive. Accordingly, estimating the traffic state using a vehicle-mounted camera, which shows a high penetration rate, is a more effective solution. However, the previously proposed methodology using object tracking or optical flow has a high computational cost and requires consecutive frames to obtain traffic states. Accordingly, we propose a method to detect vehicles and lanes by object detection networks and set the region between lanes as a region of interest to estimate the traffic density of the corresponding area. The proposed method only uses less computationally expensive object detection models and can estimate traffic states from sampled frames rather than consecutive frames. In addition, the traffic density estimation accuracy was over 90% on the black box videos collected from two buses having different characteristics.

현재의 의류 쇼핑몰이나 검색 플랫폼은 키워드 중심의 검색 위주이다. 또한 의류의 정보를 사람이 일일이 입력하여 상품의 이름과 설명을 직접 작성해야 하는 시스템이다. 이러한 현재의 의류 검색 시스템을 자동화하고 키워드 중심이 아닌 문장 단위 검색이 가능한 플랫폼이 요구되는 실정이다. 본 연구에서 온라인 쇼핑몰의 의류 상품 설명 자동화와 문장 검색을 구현함으로써 인력 자원과 반복 작업을 최소화하고자 한다. 이를 위해 딥러닝으로 구현된 이미지 캡셔닝 모델과 자연어 처리를 이용하여 사용자가 문장 단위로 질의하면 캡션이 가장 유사한 의류 3벌을 추천해주는 웹 서비스를 구현한다. CNN과 캡션 생성을 위한 RNN이 연속적으로 나타나는 모델인 Neuraltalk2을 활용하였고, 한국어 형태소 분석 기법을 이용하여 벡터 유사도를 활용하여 학습하였으며 이를 기반으로 추론 결과를 웹으로 서비스할 수 있도록 개발하였다. 개발된 서비스는 다양한 데이터를 추가한다면 사용자의 문장으로 표현 가능한 미묘한 느낌까지 추천이 가능한 기술로 확장이 가능하다.

Current clothing shopping malls and search platforms are keyword-oriented search. In addition, it is a system in which people had to input the information on clothing one by one and write the name and description of the product themselves. There is a need for a platform that can automate such a current clothing search system and search for sentence units rather than keyword-oriented. In this study, we intend to minimize manpower resources and repetitive work by implementing automation of clothing product description and sentence search in online shopping malls. To this end, we implement a web service that recommends three clothes with the most similar captions when a user queries in sentence units using an image capping model implemented by deep learning and natural language processing. Neuraltalk2, a model in which CNN and RNNs appear continuously for caption generation, are used, and vector similarity is used to learn using Korean morpheme analysis techniques, and based on this, inference results are developed to be serviced on the web. The developed service can be expanded to a technology that can recommend even subtle feelings that can be expressed in user sentences if various data are added.

디지털 X-선 영상에서는 산란 및 중첩에 의하여 왜곡된 정보가 반영되어 나타나며, 특히 저대조도 물질의 경우 구분력 이 매우 낮은 단점이 있다. 이를 극복하기 위하여 방사선 영상의 깊이 기반 대조도 복원 알고리즘을 정립 및 효과적으로 구현하였다. 본 연구에서는 제안하는 알고리즘의 성능 및 유용성을 검증하기 위하여 시뮬레이션 및 실험을 수행하였으 며, 제안한 알고리즘을 적용한 영상은 영상의 window 조절 없이도 전체 dynamic range에서 구분력이 높은 영상을 제공함은 물론 내부물질의 선예도를 상당히 유지한다는 점에서 성능을 확인하였다. 따라서, 제안된 알고리즘은 디지털 방사선 영상에서 매우 효과적으로 사용될 것으로 예상되며, 단층촬영영상과 같은 다양한 방사선 영상 장비에서 큰 효과 를 나타낼 것으로 기대된다.

In this work, we performed a feasibility study for application of a projection-based depth recovery scheme to digital radiography for substantial improvement of its image visibility. We established a basic projection-based depth recovery model for radiography and implemented an effective proposed algorithm. We performed both systematic simulation and experiment to demonstrate its viability for radiography. According to our results, the image characteristics of the depth recovery images are quite different from those of conventional radiography in that most of the subtle structures in the examined object are significantly discernable even with no display window adjustment, preserving superior image features and edge sharpening. Consequently, the proposed scheme seems very promising for improving image visibility in digital radiography and is expected to be applicable to present x-ray imaging technology.

드론은 삶의 많은 측면에서 광범위하게 사용되고 있다. 엄청난 기술 발전에도 불구하고, 비, 아지랑이, 안개 와 같은 특정한 대기 탁도는 드론의 우수한 성능에 심각한 문제를 제기한다. 주어진 이미지에서 안개를 제거하는 아이디어에 초점을 맞춰, 우리는 주어진 안개 이미지에 대한 추가, 물리적 또는 사전 정보가 필요하지 않은 새로운 단일 이미지 기반 이미지 디포깅 네트워크를 제안한다. 본 연구에서는 GAN(Generative Adversarial Network)기반 기술을 사용하여 입력 안개 이미지에서 안개를 제거한다. 제안된 방법은 PSNR, SSIM, 대비 측정 및 평균 시각적 점수 (MVS)측면에서 최신 기술을 능가한다. 합성 및 실제 테스트 이미지 모두에 대해 수행된 광범위한 실험은 제안된 기술의 효과를 검증한다.

Drones are extensively being used in many facets of life. Despite tremendous technological advancements, certain atmospheric turbidities such as rain, haze, and fog pose serious challenges to good performance of drones. Focusing on the idea of removing fog from a given image, we proposed a novel single-image-based image defogging network, that do not require any additional, physical, or prior information regarding the given foggy image. In this study, we used Generative Adversarial Network(GAN)-based technique to remove fog from an input foggy image. The proposed method outperforms the state-of-the-art in terms of PSNR, SSIM, Contrast Measurement, and Mean Visual Score(MVS). The extensive experiments performed on both synthetic and real-world testing images validate the effectiveness of the proposed technique.

Face is the important part of the human body structure that uniquely identifies a person. Therefore, it is used to trace identity as the possibilities for a face to deviate or being duplicated is low. Thus, using the face characteristics as biometric, the face recognition system can be implemented. So in this paper we are proposing an automatic welcome monitoring system for family functions to enhance and upgrade the guest welcome system into more efficient and effective manner. By means of technology, this idea will resolve the flaws existed in the current system while bringing guest welcoming to a whole new level by automating most of the tasks. The technology working behind will be the face recognition system. From the footage captured by the camera, our system will detect the face and recognize the guest who is coming to function hall. Captured image of the guest coming to function get compared against the data we are having in our database. If match found, the system will display their image and welcome message on screen present in function. In short this upgraded version of guest welcoming system not only saves time, but also provides huge convenience to the person as many processes are automated.

CNN Convolutional Neural Networks)은 영상 분류, 인식 및 검색 작업에 대한 유망한 결과를 보여주었다. 이 러한 관점에서, 스포츠 비디오 분류는 CNN이 덜 탐구된 능동적이고 도전적인 영역으로 남아 있다. 이에 우리는 새 로운 데이터 세트를 생성하여 스포츠 비디오 분류에 대한 CNN의 경험적 평가를 광범위하게 제공한다. 본 논문에서 는 MobileNetV2 (MbNetV2)네트워크를 이용한 CNN 기반 방법과 스포츠 비디오 분류를 위한 롤링 예측 평균 방법을 제안한다. 제안된 방법은 미세조정된 MbNetV2를 사용하여 비디오의 각 프레임을 분류하고 그 예측을 목록 에 저장한다. 롤링 예측 평균에서 마지막 "K" 예측의 평균이 계산되고 프레임에서 가장 높은 확률 레이블이 할당된 다. 우리는 제안한 방법이 스포츠 데이터 세트에서 97.9%의 최고 정확도를 달성한다는 것을 실험적으로 증명한다.

Convolutional Neural Networks(CNNs) have shown encouraging results for image classification, recognition, and retrieval tasks. In this perspective, the sport videos classification remains an active and challenging area where CNNs are less explored. Encouraged by this, we extensively provide an empirical evaluation of CNNs on sport videos classification by creating a new dataset. In this paper, we propose a CNN based method that uses MobileNetV2(MbNetV2) network and a rolling prediction average method for sport videos classification. The proposed method uses fine-tuned MbNetV2 to classify each frame in the video and stores its prediction in a list. In rolling predition average the mean of last "K" predictions is calculated and assigned the highest probability label to the frame. We experimentally prove that our proposed method achieves the best accuracy of 97.9% on our sport dataset.

This paper proposes a method to reduce the pose error and to solve the dead reckoning issue which occurs when the mobile robot with continuous-tracks travels in the unstructured environments. When the continuous-track type mobile platform travels on terrain such as sand, gravel, stairs and etc., slippage occurs and thus the driving state of the mobile robot cannot be recognized normally. To compensate for this pose error, the proposed method utilizes optical flow estimation detected by camera. This method is tested through experiment. Finally, This method reduces the pose error detected on inertia measurement unit within some limit, while the pose error of without compensation increases without limit during robot move.

본 논문에서는 주차장 관리 시스템의 한 부분으로 차량 계수를 위한 감시 카메라 시스템의 컴퓨터 비전과 심층 학습 기반 기법을 제안하고자 한다. You Only Look Once 버전 2 (YOLOv2) 탐지기를 적용하고 YOLOv2 기반의 심층 컨볼루션 신경망(CNN)을 다른 아키텍처와 두 가지 모델로 구성하였다. 제안 된 아키텍처의 효과를 Udacity의 자체 운전 차량 데이터 세트를 사용 하여 설명하였다. 학습 및 테스트 결과, 자동차, 트럭 및 보행자 탐지 시 원래 구조(YOLOv2)의 경우 47.89%의 mAP를 나타내는 것에 비하여, 제안하는 모델의 경우 64.30 %의 mAP를 달성하 여 탐지 정확도가 향상되었음을 증명하였다.

This paper proposes a computer vision and deep learning-based technique for surveillance camera system for vehicle counting as one part of parking lot management system. We applied the You Only Look Once version 2 (YOLOv2) detector and come up with a deep convolutional neural network (CNN) based on YOLOv2 with a different architecture and two models. The effectiveness of the proposed architecture is illustrated using a publicly available Udacity’s self-driving-car datasets. After training and testing, our proposed architecture with new models is able to obtain 64.30% mean average precision which is a better performance compare to the original architecture (YOLOv2) that achieved only 47.89% mean average precision on the detection of car, truck, and pedestrian.

본 논문에서는 열차 선로 모니터링을 위한 열차의 위치 및 이동을 추정하는 비전 기반 기법을 제안한다. 퍼지 분류기를 이용하여 열차의 상태를 판별하며, 프레임 차와 배경 감산을 각각 열차의 움직임과 존재를 판결하기 위해서 사용하고, 퍼지 분류기의 언어 변수로 사용된다. 실험 결과에서 제안하는 기법은 열차의 위치와 움직임을 정확히 추정하는 것을 볼 수 있다. 그러므로 제안하는 기법은 군중 밀도를 추정하거나 안전 감시를 수행하는 열차 모니터링 시스템에 활용될 수 있을 것이다.

We propose a vision-based method that estimates train position and movement for railway monitoring in which we use a fuzzy classifier to determine train states. The proposed method employs frame difference and background subtraction for estimating train motion and presence, respectively. These features are used as the linguistic variables of the fuzzy classifier. Experimental results show that the proposed method can correctly estimate train position and movement. Therefore the method can be used for railway monitoring systems which estimate crowd density or protect safety.

본 논문에서는 열화상 스테레오 카메라를 사용하여 춤 동작 분석을 위한 인체 검출 방법을 제안한다. 이 방법은 무용수와 스튜디오 배경의 온도차이로 무용수 영역을 검출하고 배경 차연산과 노이즈필터를 통해 무용수의 실루엣을 추출함으로써, 실내에서만 국한된 춤의 분석 장소를 실외 환경으로 확장이 가능하다. 또한 스테레오 카메라 정합에 기반한 무용수의 3차원 공간 위치를 추정하여 춤 분석을 위한 무용수 움직임의 공간정보를 알 수 있다. 이는 무용수들이 춤사위에 내포된 감정을 잘 표현 할 수 있도록 의상 및 공간의 제약 없이 춤 분석이 가능한 방법을 마련할 수 있다. 향후 무용 콘텐츠의 하나인 모션 캡쳐 등의 모델링에 도움이 되며, 다양한 첨단 분야에서 휴먼 인식의 신뢰성을 높일 수 있을 것으로 기대된다.

In this paper, we propose a human detection for dance performance analysis using infrared thermal stereo camera. The propose method detects a dancer’s silhouette difference between temperature of dancer and temperature of background. The method can be extended to the analysis of dance performance in both out-door and in-door environments by detecting silhouette features of a dance performance. Then 3D spatial coordinate estimation of a dancer based on stereo matching determines spatial data of a dancer’s region movement. The method makes it possible to analyze emotions expressed by dance performance without any limitation of clothes and space. We are looking forward to expect further improvement of human recognition in the up-to-date Science

The objectives of this study were to evaluate convolutional neural network models and computer vision techniques for the classification of swine posture with high accuracy and to use the derived result in the investigation of the effect of dietary fiber level on the behavioral characteristics of the pregnant sow under low and high ambient temperatures during the last stage of gestation. A total of 27 crossbred sows (Yorkshire × Landrace; average body weight, 192.2 ± 4.8 kg) were assigned to three treatments in a randomized complete block design during the last stage of gestation (days 90 to 114). The sows in group 1 were fed a 3% fiber diet under neutral ambient temperature; the sows in group 2 were fed a diet with 3% fiber under high ambient temperature (HT); the sows in group 3 were fed a 6% fiber diet under HT. Eight popular deep learning-based feature extraction frameworks (DenseNet121, DenseNet201, InceptionResNetV2, InceptionV3, MobileNet, VGG16, VGG19, and Xception) used for automatic swine posture classification were selected and compared using the swine posture image dataset that was constructed under real swine farm conditions. The neural network models showed excellent performance on previously unseen data (ability to generalize). The DenseNet121 feature extractor achieved the best performance with 99.83% accuracy, and both DenseNet201 and MobileNet showed an accuracy of 99.77% for the classification of the image dataset. The behavior of sows classified by the DenseNet121 feature extractor showed that the HT in our study reduced (p < 0.05) the standing behavior of sows and also has a tendency to increase (p = 0.082) lying behavior. High dietary fiber treatment tended to increase (p = 0.064) lying and decrease (p < 0.05) the standing behavior of sows, but there was no change in sitting under HT conditions.

Pig farming, a vital industry, necessitates proactive measures for early disease detection and crush symptom monitoring to ensure optimum pig health and safety. This review explores advanced thermal sensing technologies and computer vision-based thermal imaging techniques employed for pig disease and piglet crush symptom monitoring on pig farms. Infrared thermography (IRT) is a non-invasive and efficient technology for measuring pig body temperature, providing advantages such as non-destructive, long-distance, and high-sensitivity measurements. Unlike traditional methods, IRT offers a quick and labor-saving approach to acquiring physiological data impacted by environmental temperature, crucial for understanding pig body physiology and metabolism. IRT aids in early disease detection, respiratory health monitoring, and evaluating vaccination effectiveness. Challenges include body surface emissivity variations affecting measurement accuracy. Thermal imaging and deep learning algorithms are used for pig behavior recognition, with the dorsal plane effective for stress detection. Remote health monitoring through thermal imaging, deep learning, and wearable devices facilitates non-invasive assessment of pig health, minimizing medication use. Integration of advanced sensors, thermal imaging, and deep learning shows potential for disease detection and improvement in pig farming, but challenges and ethical considerations must be addressed for successful implementation. This review summarizes the state-of-the-art technologies used in the pig farming industry, including computer vision algorithms such as object detection, image segmentation, and deep learning techniques. It also discusses the benefits and limitations of IRT technology, providing an overview of the current research field. This study provides valuable insights for researchers and farmers regarding IRT application in pig production, highlighting notable approaches and the latest research findings in this field.

Rumination in cattle is closely related to their health, which makes the automatic monitoring of rumination an important part of smart pasture operations. However, manual monitoring of cattle rumination is laborious and wearable sensors are often harmful to animals. Thus, we propose a computer vision-based method to automatically identify multi-object cattle rumination, and to calculate the rumination time and number of chews for each cow. The heads of the cattle in the video were initially tracked with a multi-object tracking algorithm, which combined the You Only Look Once (YOLO) algorithm with the kernelized correlation filter (KCF). Images of the head of each cow were saved at a fixed size, and numbered. Then, a rumination recognition algorithm was constructed with parameters obtained using the frame difference method, and rumination time and number of chews were calculated. The rumination recognition algorithm was used to analyze the head image of each cow to automatically detect multi-object cattle rumination. To verify the feasibility of this method, the algorithm was tested on multi-object cattle rumination videos, and the results were compared with the results produced by human observation. The experimental results showed that the average error in rumination time was 5.902% and the average error in the number of chews was 8.126%. The rumination identification and calculation of rumination information only need to be performed by computers automatically with no manual intervention. It could provide a new contactless rumination identification method for multi-cattle, which provided technical support for smart pasture.