Desarrollo de un modelo de reconocimiento de ganado bovino usando deep learning

Cabrera Lapo, Bryan German

DSpace Principal
→
Trabajos de Titulación Facultad de Ingeniería Civil
→
Ingeniería de Sistemas
→
Trabajo de Titulación Ingeniería de sistemas
→
Ver ítem

Desarrollo de un modelo de reconocimiento de ganado bovino usando deep learning

Cabrera Lapo, Bryan German

URI: http://repositorio.utmachala.edu.ec/handle/48000/18746

Fecha: 2022

Resumen:

Ecuador is one of the countries where it has a great economic impact on the livestock sector, many of the owners have large amounts of paddocks, several of these have opted to use technology to increase their productivity and avoid the loss of their animals, due to the infrequent control of their animals, since this demands time and greater physical effort from their employees, leaving unnoticed the different activities that must be carried out day after day in the other paddocks. At present, the use of artificial intelligence in the area of cattle farming has become an advantageous opportunity, optimizing its material and human resources, so that its arduous hours of work have now been converted into minutes, thus obtaining very good results and increasing your earnings. This research focused on the identification of cattle regardless of their breed, class, color and size, by using machine learning and deep learning, which are more efficient in processing large amounts of data to perform a recognition model. objects, taking into account factors such as climate, time and image resolution. In the implementation of the neural network learning, Yolov4 was used, which uses an object detection algorithm called darknet, and this architecture provides an adjustable base to adapt it for personal use according to the learning needs. This project was oriented towards the creation of a model that allows cattle to be recognized without considering their race or color, through a single class called "bovine". For the collection of aerial photographs, a DJI air 2 model drone was used. achieving a total of 1630 images, as each photo session has been generated in different terrains, these have been divided into 4 data sets, allowing the development of 8 training sessions combining and uniting each dataset. The hardware used in the training was a 10th generation Intel Core i7 10750H six-core processor, 64 GB of DDR4 RAM, an NVIDIA RTX 2060 graphics card with 6 GB GDDR6 of video memory, along with the operating systems used Ubuntu 24.04 LTS and Windows. 10Enterprise 21H2. The tools used were the CUDA 10.1 and cuDNN 7.6.5 technologies for the Yolo v4 application, in addition to the Python programming language together with its OpenCV and Matplotlib libraries, the LabelImg labeling tool for label generation and Jupyter Notebook as a notebook. execution of code statements. The best model obtained from each training was selected for its evaluation in detection, two types of tests were carried out, one for training and validation, and another for performance. In the evaluation test, the values of precision, sensitivity, reference value and the average precision obtained from the results during training were obtained. In the performance test, a video taken from a drone from above was used and a manual evaluation of the detection results of each model was carried out. To obtain the most optimal model, an evaluation based on a Likert scale was used to apply a point rating according to the results obtained in the two tests applied. The results of the training model 1 were satisfactory since it was the one that had the best rating and presented the best results with different sources of test videos.

Descripción:

Ecuador es uno de los países donde tiene un gran impacto económico en el sector ganadero, muchos de los propietarios cuentan con extensas cantidades de potreros, varios de estos han optado el uso de la tecnología para incrementar su productividad y evitar la pérdida de sus animales, debido a la poca frecuencia del control a sus animales, ya que esto demanda tiempo y mayor esfuerzo físico de sus empleados, dejando desapercibido las diferentes actividades que se deben realizar día tras día en los demás potreros. En la actualidad el uso de la inteligencia artificial sobre el área de la ganadería bovina se ha vuelto una oportunidad ventajosa, optimizando sus recursos materiales y humanos, siendo así que sus arduas ahora horas de trabajo se han convertido en minutos obteniendo así muy buenos resultados y aumentando sus ganancias. Esta investigación se enfocó en la identificación de ganado independientemente de su raza, clase, color y tamaño, mediante la utilización del aprendizaje automático y el aprendizaje profundo, que son más eficientes en el procesamiento de grandes cantidades de datos para realizar un modelo de reconocimiento de objetos, teniendo en cuenta factores como el clima, el tiempo y la resolución de la imagen. En la implementación del aprendizaje de la red neuronal, se utilizó Yolov4, que utiliza un algoritmo de detección de objetos llamado darknet, y esta arquitectura proporciona una base ajustable para adaptarla para su uso de forma personal según las necesidades de aprendizaje. Este proyecto se orientó en la creación de un modelo que permita reconocer el ganado bovino sin considerar su raza o su color, mediante una sola clase denominada “bovino”, para la recopilación de las fotografías aéreas se usó un dron modelo air 2 marca DJI, logrando un total de 1630 imágenes, con forme se ha generado cada sesión de fotografías en diferentes terrenos, estas han sido divididas en 4 conjunto de datos, permitiendo el desarrollo de 8 entrenamientos combinando y uniendo cada dataset. El hardware utilizado en el entrenamiento fueron un procesador de décima generación Intel Core i7 10750H de seis núcleos, 64 GB de RAM DDR4, una gráfica NVIDIA RTX 2060 de 6 GB GDDR6 de memoria de video junto a los sistemas operativos usados Ubuntu 24.04 LTS y Windows 10 Enterprise 21H2. Las herramientas usadas fueron las tecnologías CUDA 10.1 y cuDNN 7.6.5 para la aplicación de Yolo v4, además del lenguaje de programación Python junto con sus librerías OpenCV y Matplotlib, la herramienta de etiquetado LabelImg para la generación de las etiquetas y Jupyter Notebook como cuaderno de ejecución de sentencias de código. Se seleccionó el mejor modelo obtenido de cada entrenamiento para su evaluación en la detección, se realizaron dos tipos de pruebas, una de entrenamiento y validación, y otra de rendimiento. En la prueba de evaluación se obtuvieron los valores de precisión, sensibilidad, valor de referencia y el promedio de precisión obtenidas de los resultados durante el entrenamiento. En la prueba de rendimiento se utilizó un video tomado desde un dron desde las alturas y se realizó una evaluación manual de los resultados de detección de cada modelo. Para la obtención del modelo más optimo se utilizó una evaluación basada en una escala de Likert para aplicar una calificación de puntos de acuerdo a los resultados obtenidos en las dos pruebas aplicadas. Los resultados del modelo del entrenamiento 1 fueron satisfactorios ya que fue el que mejor calificación tuvo y mejores resultados presentó con diferentes fuentes de videos de prueba.

Mostrar el registro completo del ítem