Development and validation of an automated video tracking model for stabled horses

Dissertation - University of Veterinary Medicine Vienna - 2022

In this study, we aimed to develop an automated video tracking model in order to observebehavioral changes of horses in clinical context. This project has been operated on Loopy by usingdeep learning and image processing method. The full scope of this project has been completed byusing 34 horses in four phases. The process of image analysis started with the labelling of markerson video files of 11.52 min corresponding to 21,342 images. In first phase, the system has been calibrated by annotating 2500 frames from 8 videos of 8 different horses. In the second phase, we ran a prediction on the remaining of unlabeled videos. The third phase which was robustness of version (V2) was tested with the remaining unlabeledvideos. We ran mathematical calculation to see accuracy. In phase 4, validation has been done viaby running automatic annotation on 26 videos of different horses recorded during the daytime, which had not been annotated formerly. In conclusion, behavioral change in medical context has been successfully tracked by videoprocessing using deep learning. This research can lead to predicting the symptoms in advance infuture with right configuration.

Dissertation - Veterinärmedizinische Universität Wien - 2022

In dieser Studie haben wir uns zum Ziel gesetzt, ein automatisiertes Video-Tracking-Modellzu entwickeln, um Verhaltensänderungen von Pferden im klinischen Kontext zu beobachten. Dieses Projekt wurde auf Loopy unter Verwendung von Deep Learning und Bildverarbeitungsmethoden durchgeführt. Der gesamte Umfang dieses Projekts wurde anhand von 34 Pferden in vier Phasen abgeschlossen. Der Prozess der Bildanalyse begann mit der Beschriftungvon Markern auf Videodateien von 11,52 Minuten Dauer, die 21.342 Bildern entsprechen. In der ersten Phase wurde das System durch die Beschriftung von 2500 Bildern aus 8 Videos von 8 verschiedenen Pferden kalibriert. In der zweiten Phase haben wir eine Vorhersagefür die verbleibenden nicht beschrifteten Videos durchgeführt. Die dritte Phase, die Robustheit der Version (V2), wurde mit den verbleibenden unmarkierten Videos getestet. Wir führten mathematische Berechnungen durch, um die Genauigkeit zu ermitteln. In Phase 4 erfolgte die Validierung durch die automatische Beschriftung von 26 tagsüber aufgenommenen Videosverschiedener Pferde, die zuvor nicht beschriftet worden waren. Zusammenfassend lässt sich sagen, dass Verhaltensänderungen im medizinischen Kontexterfolgreich durch Videoverarbeitung mit Deep Learning verfolgt werden konnten. Diese Forschung kann dazu führen, dass die Symptome in Zukunft mit der richtigen Konfiguration im Vorausvorhergesagt werden können.

39 Blätter