Catálogo de publicaciones - tesis
Título de Acceso Abierto
Estimación de la condición corporal en vacas a partir de imágenes de profundidad utilizando Redes Neuronales Convolucionales
Juan Maximiliano Rodríguez Álvarez Cristian Mateos Claudio Machado Mauricio Arroqui
acceptedVersion.
Resumen/Descripción – provisto por el repositorio digital
El Aprendizaje Profundo es un tipo particular de aprendizaje automático de gran poder y flexibilidad, que aprende a representar el mundo como una jerarquía anidada de conceptos, donde cada concepto se define en relación a conceptos más simples, y las representaciones más abstractas se calculan en base a otras menos abstractas. Las redes neuronales son la base de los modelos de aprendizaje profundo, donde el concepto de profundidad viene dado por el número de capas sucesivas que componen la red, lo que les permite lograr una mayor capacidad de aprendizaje y en general un mayor rendimiento y precisión. En la práctica es posible encontrar una diversidad de configuraciones o arquitecturas de modelos que han sido desarrolladas para tareas específicas, como las denominadas Redes Neuronales Convolucionales (CNN, por sus siglas en inglés). Las CNN son utilizadas y han demostrado ser muy efectivas en diversas aplicaciones de visión computacional, como los problemas de detección de objetos y clasificación de imágenes. A diferencia del modelo tradicional de reconocimiento de patrones en imágenes, donde se requieren diseñar a mano modelos o algoritmos particulares para extraer características que luego son utilizadas para el entrenamiento de un clasificador, en una CNN estas etapas se integran en conjunto durante el entrenamiento del modelo. Las primeras capas (bloques de capas convolucionales y pooling) se encargan de extraer características y las últimas (en general capas completamente conectadas) se encargan de combinarlas para completar la clasificación de la imagen. Bajo este esquema, la red aprende a extraer patrones o características de la imagen basándose en la precisión alcanzada por la red, y no de manera previa e independiente al resultado de la clasificación. Si bien las CNN, y otro tipo de redes dentro del área del aprendizaje profundo, han sido aplicadas recientemente en trabajos relacionados al sector agropecuario, estas técnicas no han sido utilizadas aún para resolver el problema eje de esta tesis: la medición de la condición corporal en vacas a partir del análisis de imágenes. El puntaje de condición corporal (BCS, del inglés Body Condition Score) es un indicador que estima la grasa corporal almacenada y el balance energético acumulado de las vacas. Este indicador influye en la producción de leche, reproducción y salud de vacas destinadas a la producción láctea o la producción de carne. Diferentes estudios han definido valores objetivos ideales de BCS en las distintas etapas del ciclo de lactancia, por lo que realizar un monitoreo constante de este indicador es de gran importancia para maximizar la producción de leche y la vida de los animales. En la práctica esta tarea es realizada de manera visual por evaluadores expertos, complementandose en algunos casos con palpaciones en la zona de las costillas, el lomo y la base de la cola, por lo que puede consumir mucho tiempo. Adicionalmente la naturaleza manual del indicador le suma cierto valor subjetivo, que la hace dependiente de la persona que realiza la medición. Es por ello que en la bibliografía se encuentran trabajos de distintos autores que contribuyen a la automatización de la estimación del BCS aplicando técnicas de análisis de imágenes y aprendizaje de máquina tradicionales. Los mismos, sin embargo, poseen desventajas que derivan en la necesidad de investigación y desarrollo de nuevas alternativas. Particularmente, no existe un sistema que reúna en conjunto las siguientes características, a saber: preciso, automático, en tiempo real, bajo costo, y use imágenes de vacas como única fuente de información. En este contexto, este trabajo propone el estudio y adaptación de un método basado en Redes Neuronales Convolucionales, que no han sido exploradas aún por los trabajos relacionados, y que permitirían mejorar globalmente el proceso de estimación del BCS. Se pretende que el sistema que sea capaz de detectar la presencia de vacas a la pasada en cuadros de vídeos, y predecir su condición corporal a partir de la clasificación de las imágenes recopiladas, satisfaciendo además las características mencionadas anteriormente. Los experimentos realizados sobre el sistema desarrollado permitieron validar la adopción de esta técnica, alcanzando buenos resultados predictivos en comparación con los otros trabajos del área. Por un lado es capaz de identificar con alto grado de acierto los animales al paso: 97,2 % de recuperaciones correctas de imágenes con vacas y 100 % de descartes correctos de imágenes sin vacas. Por otro lado la accuracy general de las clasificaciones/predicciones del BCS realizadas sobre las imágenes recolectadas mostraron valores superadores: 82 % y 97 % considerando como positivas predicciones dentro los rangos de error humano de 0,25 y 0,50 puntos respectivamente.Palabras clave – provistas por el repositorio digital
Grandes animales; Bovinos; Aprendizaje automático; Aprendizaje profundo; Redes neuronales convolucionales; CNN; Condición corporal; BCS; Análisis de imágenes; Ganadería; Ciencias de la computación
Disponibilidad
| Institución detectada | Año de publicación | Navegá | Descargá | Solicitá |
|---|---|---|---|---|
| No requiere | 2018 | Repositorio Institucional de Acceso Abierto (UNICEN) (SNRD) |
|
Información
Tipo de recurso:
tesis
Idiomas de la publicación
- español castellano
País de edición
Argentina
Fecha de publicación
2018-12
Información sobre licencias CC
