使用深度学习以MIR预测奶牛怀孕状态

image.png

意义：
准确识别妊娠状态对于盈利的乳制品企业来说是必不可少的。

目的：本研究旨在使用深度学习（机器学习的一个分支）从常规收集的牛奶 MIR 光谱数据中确定妊娠状态。

数据：
牛奶光谱数据来自 National Milk Records（英国奇本纳姆），该记录每月持续收集大量数据。

方法：
遵循两种方法：使用遗传算法进行特征选择和网络设计（模型 1），以及使用预训练的 DenseNet 模型进行迁移学习（模型 2）。

结果：
模型 1 中的特征选择表明，MIR 数据中的波点数可以从 1,060 个波点减少到 196 个波点。经过训练的模型在 162 个 epoch 后收敛，验证准确率和损失分别为 0.89 和 0.18。尽管准确度足够高，但损失（仅预测 2 个标签）被认为太高，表明该模型不够稳健，无法应用于工业。模型 2 分 2 个阶段进行训练，每个阶段 100 个时期，光谱数据转换为灰度图像，准确率和损失分别为 0.97 和 0.08。对推理数据的检查显示预测灵敏度为 0.89，特异性为 0.86，预测准确度为 0.88。

结论：
牛奶 MIR 数据包含与妊娠状态和奶牛潜在代谢变化相关的特征，这些特征可以通过深度学习来识别。来自受过训练的模型的预测方程可用于提醒农民无法怀孕以及验证受孕日期。

参考：“Predicting pregnancy status from mid-infrared spectroscopy in dairy cow milk using deep learning”. https://doi.org/10.3168/jds.2020-18367 2021.