Buffalo Identification in Mixed-Species Environments: A Comparative Deep Learning Approach Using ResNet50 and EfficientNetB3
Notice bibliographique
Résumé
Abstract:Background: Buffaloes are integral to agricultural economies, particularly in regions that depend on them for milk production, labor, and income. However, their accurate visual identification in mixed-species environments, especially when co-existing with animals like elephants and rhinos, remains a technological challenge. Methods: This study explores deep learning-based image classification for species-specific buffalo detection using two convolutional neural network architectures: ResNet50 and EfficientNetB3. A balanced image dataset comprising four classes (buffalo, elephant, rhino, zebra) was curated, with training (80%) and validation (20%) splits. The models were fine-tuned using transfer learning, with custom dense layers added atop frozen base layers. EfficientNetB3 used higher-resolution inputs (300x300) and extensive augmentation, while ResNet50 operated on 300x300 images. Performance was evaluated using confusion matrices and key metrics, including validation accuracy, precision, recall, and F1-score, primarily focusing on buffalo classification. Results:ResNet50 achieved a validation accuracy of 47%, and EfficientNetB3 achieved 42%. However, ResNet50 misclassified buffaloes heavily, resulting in a buffalo recall of only 0.07 and an F1-score of 0.11. In contrast, EfficientNetB3 correctly classified 72 out of 200 buffalo images, achieving a buffalo recall of 0.36 and an F1-score of 0.32. These numerical results highlight EfficientNetB3’s superior ability to identify buffaloes accurately in complex visual contexts. Conclusion: EfficientNetB3 is more effective than ResNet50 for buffalo-focused image recognition tasks, offering higher sensitivity and precision in buffalo classification. This study supports the development of AI-powered species-specific monitoring tools, aiding in health tracking, ecological studies, and smart agricultural systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».