Public Computer Vision Dataset for Precision Livestock Farming|精准畜牧养殖数据集|计算机视觉数据集

该数据集是关于精准畜牧养殖的公共计算机视觉数据集的系统调查，涵盖了多个牲畜类别如牛、猪、家禽等的数据集，用于支持计算机视觉在畜牧业中的应用研究。

This dataset constitutes a systematic survey of publicly available computer vision datasets focused on precision livestock farming. It encompasses datasets across various livestock categories, including cattle, pigs, poultry, and others, aimed at supporting research into the application of computer vision in the livestock industry.

原始信息汇总

数据集概述

3. Datasets

本节提供了与畜牧业相关的公共计算机视觉数据集的全面研究。

3.1 Cattle Datasets

• FriesianCattle2015 (Andrew et al., 2016)
• FriesianCattle2017 (Andrew et al., 2017)
• AerialCattle2017 (Andrew et al. 2017)
• Aerial-livestock-dataset (Han et al., 2019)
• BeefCattleMuzzle (G. Li et al., 2022)
• OpenCows2020 (Andrew et al., 2021)
• Cows2021 (Gao et al., 2021)
• Holstein CowRecognition (Bhole et al., 2019)
• HolsteinThermalRGB (Bhole et al., 2022)
• RecBov51c Dataset (Weber et al., 2020)
• Cattle-counting (Soares et al., 2021)
• Cattle_Dataset (Z. Li et al., 2022)
• CowBehavior (Koskela et al., 2022)
• NWAFU_CattleDataset (Li et al., 2019)
• CowDatabase (Ruchay et al., 2020)
• CowDB (Ruchay et al., 2020)
• CowDatabase2 (Ruchay et al., 2022c)
• 300-Cattle-Source (Shojaeipour et al., 2021)
• CattleVideo (Qiao et al., 2021a)
• MultiviewC (Ma et al., 2021)
• Aerial Pasture (Shao et al., 2020)
• Cattle_Visual_Behaviors (CVB) (Zia et al., 2023)
• LShapeAnalyser Dataset (Zhang et al., 2023)
• PCD Dataset (Hou et al., 2023)
• CattleEyeView (Ong et al., 2023)
• Dairy Cow (Gong et al., 2022)
• Cows Frontal Face (Ahmed et al., 2024)

3.2 Swine Datasets

• PNPB dataset (Shirke et al., 2021a)
• PigBehavior (Alameer et al., 2020)
• PigFeeding-NNVBehavior (Alameer et al., 2020)
• PigAgonistcBehavior (Han et al., 2023)
• CountingPigs (Tian et al., 2019)
• PigPosture (Riekert et al., 2020)
• Pig_Detection (Riekert et al., 2021)
• Pig_Behaviors (Bergamini et al., 2021)
• Multi-camera-pig-tracking (Shirke et al., 2021b)
• Pig-multi-part-detection (Psota et al., 2019)
• Pig_detection&tracking (Psota et al., 2020)
• MartinWut (Wutke et al., 2021)
• PigPostureAcitvity (Bhujel et al., 2021)
• PigTrace (Tangirala et al., 2021)
• LShapeAnalyser Dataset (Zhang et al., 2023)
• DifferentStagesPig (Pan et al., 2023)
• Aggressive-Behavior-Recognition (Gao et al., 2023)

3.3 Poultry Datasets

• ChickenGender (Yao et al., 2020)
• Chicken_Poo (Aworinde et al., 2023)
• Poultry_Disease (Machuve et al., 2022)
• GalliformeSpectra (Himel GMS and Islam MM, 2023)
• Broiler Dataset (Elmessery et al., 2023)

3.4 Other Livestock Datasets

• SheepBreed (Abu Jwade et al., 2019)
• SheepBase (Xue et al., 2021)
• SheepActivity (Kelly et al., 2024)
• LEsheepWeight (He et al., 2023)
• GoatImage (Billah et al., 2022)
• Drone-goat-detection (Vayssade et al., 2019)
• CherryChevre (Vayssade et al., 2023)
• Buffalo-Pak (Rauf, HT and Lali, MIU, 2021)
• Horse-10 (Mathis et al., 2019)

AI搜集汇总

数据集介绍

构建方式

该数据集通过系统性的文献调研方法构建，涵盖了2015年以来公开发表的与计算机视觉在畜牧业中应用相关的研究论文。研究团队设定了明确的选择标准，包括数据集必须用于计算机视觉应用、公开可用且无需作者授权、以及应用于任何牲畜表型研究。通过系统性综述，团队识别、分类并详细讨论了这些数据集，涵盖了数据获取技术、应用场景和基线评估。

特点

该数据集的特点在于其全面性和多样性，涵盖了牛、猪、家禽等多种牲畜的计算机视觉数据集。每个数据集都详细标注了其应用场景，如检测、分类等，并提供了数据获取技术和基线评估信息。此外，数据集还按物种和应用领域进行了分类，便于研究者根据需求快速定位相关数据。

使用方法

研究者可以通过GitHub页面访问该数据集，并根据目录结构快速定位所需的牲畜类别和应用场景。每个数据集都附有详细的描述和链接，用户可以直接下载并使用。此外，数据集还提供了相关的文献引用，便于研究者深入了解数据集的背景和应用。用户还可以通过提交Pull Request或发送邮件的方式贡献新的数据集或文献，以丰富该资源库。

背景与挑战

背景概述

Public Computer Vision Dataset for Precision Livestock Farming（PLF）数据集由Anil Bhujel等人于2021年创建，旨在为精准畜牧业中的计算机视觉应用提供系统化的数据集支持。该数据集涵盖了牛、猪、家禽等多种牲畜的视觉数据，广泛应用于牲畜检测、分类及行为分析等领域。其核心研究问题在于如何通过计算机视觉技术提升畜牧业的管理效率与动物福利。该数据集的发布填补了现有文献中对牲畜视觉数据集系统性分类与比较的空白，为相关领域的研究者提供了宝贵的资源，推动了精准畜牧业的技术进步。

当前挑战

该数据集在构建与应用过程中面临多重挑战。首先，牲畜视觉数据的采集与标注缺乏统一标准，导致数据质量参差不齐，影响了模型的训练效果。其次，牲畜在不同环境下的行为与外观变化较大，增加了数据采集的复杂性，难以构建具有广泛代表性的数据集。此外，数据集中缺乏足够的元数据信息，限制了数据在具体应用场景中的解释性与可扩展性。这些挑战不仅影响了数据集的构建效率，也对后续的模型开发与应用提出了更高的要求。

常用场景

经典使用场景

在精准畜牧业中，计算机视觉技术的应用日益广泛，而该数据集为研究人员提供了一个全面的公共数据集集合，涵盖了牛、猪、家禽等多种牲畜的视觉数据。这些数据集广泛应用于牲畜检测、分类、行为分析等任务，为开发基于计算机视觉的自动化监测系统提供了基础。

解决学术问题

该数据集解决了精准畜牧业中计算机视觉研究面临的数据稀缺问题。通过提供多样化的牲畜视觉数据，研究人员能够更有效地进行模型训练和验证，从而推动牲畜行为识别、健康监测、种群管理等领域的学术研究。此外，数据集的公开性促进了学术界的合作与知识共享。

衍生相关工作

该数据集衍生了许多经典的研究工作，例如基于深度学习的牲畜行为识别、多视角牲畜检测、以及牲畜健康监测系统的开发。这些研究不仅推动了计算机视觉技术在精准畜牧业中的应用，还为相关领域的算法优化和模型创新提供了丰富的实验数据和参考案例。