Los científicos chinos están creando un sistema digital inteligente para evaluar la calidad del bolo de las vacas, que se basa en la videovigilancia.
¿Cuál es la relevancia del trabajo, un equipo de investigadores de varias organizaciones científicas de la República Popular China (Academia de Ciencias Agrícolas y Forestales de Beijing, Centro Nacional de Investigación de Ingeniería de Tecnología de la Información en Agricultura, Universidad de Ciencia y Tecnología de Henan, Beijing Universidad Agrícola) explica en su artículo publicado en la revista Sustainability 2023 en el portal MDPI : “El proceso de regurgitar los alimentos no digeridos desde el esófago hacia la boca, masticarlos nuevamente y luego tragarlos se conoce como rumia o rumiación. La rumia se encuentra principalmente en algunos herbívoros de la clase artiodáctilo, como el ganado vacuno y los camellos.
El comportamiento rumiante de las vacas lecheras está estrechamente relacionado con su productividad y características reproductivas. Por ejemplo, los estudios han encontrado una correlación positiva entre el tiempo de masticación y la producción de leche (coeficiente de correlación = 0,30). También se observó que en las vacas con enfermedad de las pezuñas, el tiempo de masticación se redujo significativamente: la rumia en las vacas cojas (18,41 ± 3,34 min) se redujo significativamente en comparación con la de las vacas sanas (28,57 ± 3,06 min).
Por lo tanto, monitorear el comportamiento de masticación individual de las vacas lecheras puede proporcionar información oportuna sobre su estado de salud, facilitando la detección temprana de enfermedades que afectan la producción y reproducción de leche.
Las características visuales del comportamiento de rumia incluyen una secuencia de regurgitación, masticación y deglución que tarda aproximadamente 70 segundos en completarse, con 50 a 60 segundos por evento de rumia.
Por tanto, la frecuencia de la masticación es el indicador más destacado del comportamiento de rumia, y una disminución en la frecuencia de la masticación indica procesos anormales.
Con el desarrollo de la ganadería moderna de precisión, han surgido dispositivos inteligentes de seguimiento de la rumia. Así, un dispositivo portátil para monitorear el comportamiento de masticación de una vaca, basado en la percepción de información de varias fuentes, y un sistema para monitorear las características del comportamiento de la vaca pueden identificar datos sobre el estado del animal mediante análisis algorítmico.
La mayoría de los sistemas inteligentes de monitoreo del comportamiento de masticación existentes utilizan dispositivos portátiles que monitorean la aceleración de la masticación, las señales de audio y la información del comportamiento de la vaca. Esta tecnología es muy precisa en tiempo real, pero los dispositivos portátiles causan ansiedad a las vacas e incurren en costos de equipo.
La popularización y aplicación de las cámaras de vigilancia en la producción lechera ha sentado las bases para el análisis del comportamiento individual de las vacas utilizando tecnología de análisis de video a través de cámaras y la determinación del estado de los animales a partir de imágenes utilizando métodos como el aprendizaje profundo, el análisis de nubes de puntos y el análisis de video. Estos dispositivos de recopilación de imágenes proporcionan datos más completos y detallados que los dispositivos de recopilación de información independientes, como acelerómetros, sensores de temperatura y sensores de sonido portátiles. Además, ofrecen ventajas como la tecnología sin contacto, la rentabilidad y el bajo estrés.
Desde la perspectiva del monitoreo del comportamiento de los rumiantes, con la creciente adopción de la tecnología de visión artificial en la agricultura, los métodos basados en imágenes de video para monitorear el comportamiento de masticación de las vacas se están convirtiendo en una nueva tendencia para el desarrollo futuro.
Sin embargo, la investigación sobre el seguimiento de la rumia basada en tecnología de visión por ordenador todavía enfrenta los siguientes desafíos:
(1) Detectar con precisión el área de la boca de la vaca. El área de la boca de la vaca es pequeña y desigual, y los métodos de detección del área de objetos existentes están diseñados principalmente para objetos con características más claras, lo que dificulta la detección efectiva del área de la boca de la vaca.
(2) Aunque el método para monitorear el comportamiento de rumia basado en análisis 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 vacas en escenarios de múltiples objetos. Las condiciones de las granjas son desafiantes y las vacas generalmente viven en rebaños, lo que requiere el monitoreo de varias vacas a la vez. Sin embargo, la mayoría de los métodos de seguimiento de la rumia existentes se centran en vacas solteras.
Para resolver estos problemas de extracción inexacta de información a pequeña escala, existe un algoritmo de flujo óptico para extraer la información del flujo óptico de la región de la boca de la vaca en fotogramas sucesivos a partir de los resultados de la detección de objetos. Posteriormente, se extrae la mitad inferior del flujo óptico en la región de la boca de la vaca para calcular la perpendicularidad de cada píxel. Al extraer valores de magnitud de velocidad en dirección vertical desde la mitad inferior de la región 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 vídeo 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 utilizó por primera vez el algoritmo mejorado de detección de objetivos Faster R-CNN. Para hacer esto, el conjunto de datos está etiquetado tanto con la región de la cabeza como con la región de la boca de la vaca. La red ResNet-50-FPN se utiliza para extraer características de la boca de la vaca y se incluye el mecanismo de atención CBAM para mejorar aún más la precisión de detección del algoritmo.
Para satisfacer las necesidades de filmación de alta resolución, se colocaron cámaras industriales con resolución HD1080 (tamaño de cámara 105,0 × 60,9 × 41,4 mm) en un ángulo de 45° a 90° 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. La cámara se colocó 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 masticación.
La razón por la cual la distancia entre la cámara y la vaca objetivo es de 0,5 a 1 m es porque la precisión del reconocimiento del área de la boca de la vaca será baja si la distancia es demasiado grande o cercana. Teniendo en cuenta la continuidad del vídeo, la duración de cada vídeo 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 precisión la información del movimiento de la boca del objetivo. vaca.
Posteriormente, los resultados de la detección de objetos se combinan con información del flujo óptico para eliminar detecciones falsas. Finalmente, se utiliza un enfoque de interpolación para desarrollar un algoritmo de marco adicional que ajusta el marco de detección de la región de la boca de la vaca. Este algoritmo de interpolación se utiliza para corregir el marco de detección de la región de la boca de la vaca, resolviendo el problema de las detecciones perdidas y mejorando la precisión de la detección de la región de la boca.
Para reducir la interferencia de otros movimientos de la cabeza, se aplica el método de agrupamiento MeanShift para calcular los valores de magnitud de velocidad de cada píxel en la dirección vertical dentro de la región de la boca del rumiante interceptada. Además, la diferencia cuadrática media se calcula utilizando el concepto de rango intercuartil para eliminar valores atípicos en la curva de flujo óptico.
Finalmente, se aplica un filtro final correspondiente a la curva de flujo óptico del movimiento de la boca de la vaca, capaz de identificar la rumia y calcular el tiempo de masticación.
La efectividad, confiabilidad y precisión del método propuesto se evaluaron mediante experimentos utilizando nueve videos del comportamiento de masticación de las vacas en diferentes condiciones.
Los resultados experimentales muestran que el algoritmo mejorado Faster R-CNN logró una precisión del 84,70% en la detección de la región bucal de rumiantes, lo que representa una mejora de 11,80 puntos porcentuales. Además, el algoritmo GMFlowNet mejorado identifica con precisión el comportamiento de los rumiantes de todas las vacas multipropósito con una precisión del 97,30 % al contar el número de ocurrencias de rumia.
Esta investigación es fundamental para el desarrollo de un sistema inteligente de seguimiento y evaluación de la rumia sin contacto para un grupo de vacas”.
Basado en un artículo 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. La imagen del título es de un grupo de autores acreditados.
