Authors

Abstract

This study explores the use of deep neural networks for detecting and quantifying the cattle population in Mongolia using drone imagery, addressing the limitations of traditional methods that are labor-intensive and time-consuming. A custom dataset of aerial images featuring grazing cattle in Mongolia was developed, focusing on winter and spring seasons, to train and validate a model based on state-of-the-art object detection algorithms. Specifically, the You Only Look Once (YOLOv8) architecture was employed to detect cattle across diverse environmental conditions. Model performance was evaluated using widely accepted metrics, including precision, recall, F1 score, and the mean average precision (mAP). The findings demonstrate the effectiveness of the proposed approach, with the YOLOv8 model achieving a mAP of 97.3% at an IoU threshold of 0.5, highlighting its potential for efficient cattle detection and monitoring in Mongolia's unique environmental contexts.

Abstract in English

Энэхүү судалгаа нь дроны зураг ашиглан Монгол дахь үхрийн тоо толгойг илрүүлэх, тоо хэмжээг тогтооход гүн мэдрэлийн сүлжээг ашигласан. Энэхүү ажил нь хөдөлмөр, цаг хугацаа их шаарддаг уламжлалт аргуудаас татгалзах боломжийг судалсан. Хамгийн сүүлийн үеийн объект илрүүлэх алгоритмд суурилсан загварыг сургаж, турших зорилгоор өвөл, хаврын улиралд анхаарлаа хандуулж, Монголын бэлчээрийн үхрийг харуулсан агаарын зургийн зорилтод өгөгдлийн багцыг боловсруулсан. Үүндээ YOLOv8 архитектурыг байгаль орчны янз бүрийн нөхцөлд үхэр илрүүлэхэд ашигласан. Загварын гүйцэтгэлийг нарийвчлал, санах ой, F1 оноо, дундаж нарийвчлал (mAP) зэрэг нийтээр хүлээн зөвшөөрөгдсөн хэмжигдэхүүнүүдийг ашиглан үнэлэв. Судалгааны үр дүн нь санал болгож буй аргын үр дүнг харуулж байгаа бөгөөд YOLOv8 загвар нь IoU-ийн босго 0.5-д 97.3%-ийн mAP-д хүрсэн нь Монгол орны байгаль орчны өвөрмөц нөхцөлд үхрийг үр дүнтэй илрүүлэх, хянах, тоолох боломжийг харуулсан.