La medici贸n precisa de la rumia del ganado le permite aprender r谩pidamente sobre la salud animal

Imagen referencial – Mundo Agropecuario
Los cient铆ficos chinos est谩n creando un sistema digital inteligente para evaluar la calidad del bolo de las聽vacas, que se basa en la videovigilancia.

驴Cu谩l es la relevancia del trabajo, un equipo de investigadores de varias organizaciones cient铆ficas de la Rep煤blica Popular China (Academia de Ciencias Agr铆colas y Forestales de Beijing, Centro Nacional de Investigaci贸n de Ingenier铆a de Tecnolog铆a de la Informaci贸n en Agricultura, Universidad de Ciencia y Tecnolog铆a de Henan, Beijing Universidad Agr铆cola) explica en su art铆culo publicado en la revista Sustainability 2023 en el portal MDPI聽: 鈥淓l proceso de regurgitar los alimentos no digeridos desde el es贸fago hacia la boca, masticarlos nuevamente y luego tragarlos se conoce como rumia o rumiaci贸n.聽La rumia se encuentra principalmente en algunos herb铆voros de la clase artiod谩ctilo, como el ganado vacuno y los camellos.

El comportamiento聽rumiante聽de las聽vacas lecheras聽est谩 estrechamente relacionado con su productividad y caracter铆sticas reproductivas.聽Por ejemplo, los estudios han encontrado una correlaci贸n positiva entre el tiempo de聽masticaci贸n聽y la producci贸n de leche (coeficiente de correlaci贸n = 0,30).聽Tambi茅n se observ贸 que en las vacas con enfermedad de las聽pezu帽as, el tiempo de masticaci贸n se redujo significativamente: la rumia en las vacas cojas (18,41 卤 3,34 min) se redujo significativamente en comparaci贸n con la de las vacas sanas (28,57 卤 3,06 min).

Por lo tanto, monitorear el comportamiento de masticaci贸n individual de las vacas lecheras puede proporcionar informaci贸n oportuna sobre su estado de salud, facilitando la detecci贸n temprana de enfermedades que afectan la producci贸n y reproducci贸n de leche.

Las caracter铆sticas visuales del comportamiento de rumia incluyen una secuencia de regurgitaci贸n, masticaci贸n y degluci贸n que tarda aproximadamente 70 segundos en completarse, con 50 a 60 segundos por evento de rumia.

Por tanto, la frecuencia de la masticaci贸n es el indicador m谩s destacado del comportamiento de rumia, y una disminuci贸n en la frecuencia de la masticaci贸n indica procesos anormales.

Con el desarrollo de la聽ganader铆a聽moderna de precisi贸n, han surgido dispositivos inteligentes de seguimiento de la rumia.聽As铆, un dispositivo port谩til para monitorear el comportamiento de masticaci贸n de una vaca, basado en la percepci贸n de informaci贸n de varias fuentes, y un sistema para monitorear las caracter铆sticas del comportamiento de la vaca pueden identificar datos sobre el estado del animal mediante an谩lisis algor铆tmico.

La mayor铆a de los sistemas inteligentes de monitoreo del comportamiento de masticaci贸n existentes utilizan dispositivos port谩tiles que monitorean la aceleraci贸n de la masticaci贸n, las se帽ales de audio y la informaci贸n del comportamiento de la聽vaca.聽Esta tecnolog铆a es muy precisa en tiempo real, pero los dispositivos port谩tiles causan ansiedad a las vacas e incurren en costos de equipo.

La popularizaci贸n y aplicaci贸n de las c谩maras de vigilancia en la聽producci贸n lechera聽ha sentado las bases para el an谩lisis del comportamiento individual de las vacas utilizando tecnolog铆a de an谩lisis de video a trav茅s de c谩maras y la determinaci贸n del estado de los animales a partir de im谩genes utilizando m茅todos como el aprendizaje profundo, el an谩lisis de nubes de puntos y el an谩lisis de video.聽Estos dispositivos de recopilaci贸n de im谩genes proporcionan datos m谩s completos y detallados que los dispositivos de recopilaci贸n de informaci贸n independientes, como aceler贸metros, sensores de temperatura y sensores de sonido port谩tiles.聽Adem谩s, ofrecen ventajas como la tecnolog铆a sin contacto, la rentabilidad y el bajo estr茅s.

Desde la perspectiva del monitoreo del comportamiento de los聽rumiantes, con la creciente adopci贸n de la tecnolog铆a de visi贸n artificial en la agricultura, los m茅todos basados ??en im谩genes de video para monitorear el comportamiento de masticaci贸n de las vacas se est谩n convirtiendo en una nueva tendencia para el desarrollo futuro.

Sin embargo, la investigaci贸n sobre el seguimiento de la rumia basada en tecnolog铆a de visi贸n por ordenador todav铆a enfrenta los siguientes desaf铆os:

(1) Detectar con precisi贸n el 谩rea de la boca de la vaca.聽El 谩rea de la boca de la vaca es peque帽a y desigual, y los m茅todos de detecci贸n del 谩rea de objetos existentes est谩n dise帽ados principalmente para objetos con caracter铆sticas m谩s claras, lo que dificulta la detecci贸n efectiva del 谩rea de la boca de la vaca.

(2) Aunque el m茅todo para monitorear el comportamiento de rumia basado en an谩lisis de video produce buenos resultados, tiene una alta sensibilidad a la luz y no es adecuado para entornos con grandes cambios de luz y sombra.

(3) Monitorear el comportamiento de rumia de las聽vacas聽en escenarios de m煤ltiples objetos.聽Las condiciones de las granjas son desafiantes y las vacas generalmente viven en reba帽os, lo que requiere el monitoreo de varias vacas a la vez.聽Sin embargo, la mayor铆a de los m茅todos de seguimiento de la rumia existentes se centran en vacas solteras.

Para resolver estos problemas de extracci贸n inexacta de informaci贸n a peque帽a escala, existe un algoritmo de flujo 贸ptico para extraer la informaci贸n del flujo 贸ptico de la regi贸n de la boca de la vaca en fotogramas sucesivos a partir de los resultados de la detecci贸n de objetos.聽Posteriormente, se extrae la mitad inferior del flujo 贸ptico en la regi贸n de la boca de la vaca para calcular la perpendicularidad de cada p铆xel.聽Al extraer valores de magnitud de velocidad en direcci贸n vertical desde la mitad inferior de la regi贸n de la boca de la vaca, es posible reducir la interferencia causada por el movimiento de la cabeza de la vaca distinto del movimiento de la boca.

Entre septiembre de 2021 y febrero de 2023, se recopilaron datos de v铆deo que registraban el comportamiento de rumia de las vacas Holstein en dos lugares: la granja lechera Dadi Qunsheng en Yanqing y la granja Beijing Furnong, centro lechero Xingmu en Beijing.

En este estudio, se utiliz贸 por primera vez el algoritmo mejorado de detecci贸n de objetivos Faster R-CNN.聽Para hacer esto, el conjunto de datos est谩 etiquetado tanto con la regi贸n de la cabeza como con la regi贸n de la boca de la vaca.聽La red ResNet-50-FPN se utiliza para extraer caracter铆sticas de la boca de la vaca y se incluye el mecanismo de atenci贸n CBAM para mejorar a煤n m谩s la precisi贸n de detecci贸n del algoritmo.

Para satisfacer las necesidades de filmaci贸n de alta resoluci贸n, se colocaron c谩maras industriales con resoluci贸n HD1080 (tama帽o de c谩mara 105,0 脳 60,9 脳 41,4 mm) en un 谩ngulo de 45掳 a 90掳 con respecto al costado de la cabeza de la vaca y se colocaron a una distancia de aproximadamente 0,5 a 1 m de la vaca objetivo.聽La c谩mara se coloc贸 a una altura de 1,5 m del suelo, ya que esta altura corresponde a la altura de la boca de una vaca parada cuando mastica, lo que permite captar mejor los movimientos de masticaci贸n.

La raz贸n por la cual la distancia entre la c谩mara y la vaca objetivo es de 0,5 a 1 m es porque la precisi贸n del reconocimiento del 谩rea de la boca de la vaca ser谩 baja si la distancia es demasiado grande o cercana.聽Teniendo en cuenta la continuidad del v铆deo, la duraci贸n de cada v铆deo se establece en 1-2 minutos y el rango de fotogramas es de 1800 a 3600. Tanto la vista lateral como la vista frontal de la lente pueden capturar con precisi贸n la informaci贸n del movimiento de la boca del objetivo. vaca.

Posteriormente, los resultados de la detecci贸n de objetos se combinan con informaci贸n del flujo 贸ptico para eliminar detecciones falsas.聽Finalmente, se utiliza un enfoque de interpolaci贸n para desarrollar un algoritmo de marco adicional que ajusta el marco de detecci贸n de la regi贸n de la boca de la vaca.聽Este algoritmo de interpolaci贸n se utiliza para corregir el marco de detecci贸n de la regi贸n de la boca de la vaca, resolviendo el problema de las detecciones perdidas y mejorando la precisi贸n de la detecci贸n de la regi贸n de la boca.

Para reducir la interferencia de otros movimientos de la cabeza, se aplica el m茅todo de agrupamiento MeanShift para calcular los valores de magnitud de velocidad de cada p铆xel en la direcci贸n vertical dentro de la regi贸n de la boca del rumiante interceptada.聽Adem谩s, la diferencia cuadr谩tica media se calcula utilizando el concepto de rango intercuartil para eliminar valores at铆picos en la curva de flujo 贸ptico.

Finalmente, se aplica un filtro final correspondiente a la curva de flujo 贸ptico del movimiento de la boca de la vaca, capaz de identificar la rumia y calcular el tiempo de masticaci贸n.

La efectividad, confiabilidad y precisi贸n del m茅todo propuesto se evaluaron mediante experimentos utilizando nueve videos del comportamiento de masticaci贸n de las vacas en diferentes condiciones.

Los resultados experimentales muestran que el algoritmo mejorado Faster R-CNN logr贸 una precisi贸n del 84,70% en la detecci贸n de la regi贸n bucal de rumiantes, lo que representa una mejora de 11,80 puntos porcentuales.聽Adem谩s, el algoritmo GMFlowNet mejorado identifica con precisi贸n el comportamiento de los rumiantes de todas las vacas multiprop贸sito con una precisi贸n del 97,30 % al contar el n煤mero de ocurrencias de rumia.

Esta investigaci贸n es fundamental para el desarrollo de un sistema inteligente de seguimiento y evaluaci贸n de la rumia sin contacto para un grupo de vacas鈥.

Basado en un art铆culo de un grupo de autores (Ronghua Gao, Qihan Liu, Qifeng Li, Jiangtao Ji, Qiang Bai, Kaixuan Zhao, Liuyi Yang), publicado en el portal www.mdpi.com.聽La imagen del t铆tulo es de un grupo de autores acreditados.

Source: elproductor.com

Comparta el conocimiento 馃挌

Leave a Reply

Your email address will not be published.