Observando tu ganado usando tecnología de inteligencia artificial

Observa tu ganado utilizando tecnología de Inteligencia Artificial

En Amazon Web Services (AWS), no solo estamos apasionados por proporcionar a los clientes una variedad de soluciones técnicas integrales, sino que también nos interesa comprender profundamente los procesos comerciales de nuestros clientes. Adoptamos una perspectiva y un juicio objetivo de terceros para ayudar a los clientes a ordenar sus propuestas de valor, recopilar puntos de dolor, proponer soluciones adecuadas y crear prototipos más rentables y utilizables para ayudarles a lograr sistemáticamente sus objetivos comerciales.

Este método se llama trabajar hacia atrás en AWS. Significa dejar de lado la tecnología y las soluciones, partir de los resultados esperados por los clientes, confirmar su valor y luego deducir lo que se debe hacer en orden inverso antes de implementar una solución. Durante la fase de implementación, también seguimos el concepto de producto mínimo viable y nos esforzamos por formar rápidamente un prototipo que pueda generar valor en pocas semanas, para luego iterar sobre él.

Hoy, vamos a revisar un caso de estudio en el que AWS y New Hope Dairy colaboraron para construir una granja inteligente en la nube. A través de esta publicación de blog, podrás comprender en profundidad lo que AWS puede proporcionar para construir una granja inteligente y cómo construir aplicaciones para granjas inteligentes en la nube con expertos de AWS.

Antecedentes del proyecto

La leche es una bebida nutritiva. Teniendo en cuenta la salud nacional, China ha estado promoviendo activamente el desarrollo de la industria láctea. Según datos de Euromonitor International, las ventas de productos lácteos en China alcanzaron los 638.5 mil millones de RMB en 2020 y se espera que lleguen a los 810 mil millones de RMB en 2025. Además, la tasa de crecimiento anual compuesta en los últimos 14 años también ha alcanzado el 10 por ciento, mostrando un desarrollo rápido.

• La actualización de Super Resolución de Video NVIDIA RTX mejora la calidad del video, preserva los detalles y se expande a las GPU de la serie GeForce RTX 20′.
• Los dispositivos portátiles rastrean mejor el Parkinson que la observación humana, según un estudio
• ¿Deberían las escuelas depender del gobierno para la protección cibernética?

Por otro lado, hasta 2022, la mayor parte de los ingresos en la industria láctea china todavía proviene de la leche líquida. El sesenta por ciento de la leche cruda se utiliza para leche líquida y yogur, y otro veinte por ciento para leche en polvo, un derivado de la leche líquida. Solo una cantidad muy pequeña se utiliza para productos altamente procesados como el queso y la crema.

La leche líquida es un producto ligeramente procesado y su producción, calidad y costo están estrechamente relacionados con la leche cruda. Esto significa que si la industria láctea quiere liberar capacidad para centrarse en la producción de productos altamente procesados, crear nuevos productos y realizar más investigaciones innovadoras en biotecnología, primero debe mejorar y estabilizar la producción y calidad de la leche cruda.

Como líder en la industria láctea, New Hope Dairy ha estado pensando en cómo mejorar la eficiencia de sus operaciones de rancho e incrementar la producción y calidad de la leche cruda. New Hope Dairy espera utilizar la perspectiva de terceros y la experiencia tecnológica de AWS para facilitar la innovación en la industria láctea. Con el apoyo y la promoción de Liutong Hu, Vicepresidente y Director de Informática de New Hope Dairy, el equipo de clientes de AWS comenzó a organizar las operaciones y los puntos de innovación potenciales para las granjas lecheras.

Desafíos de las granjas lecheras

AWS es un experto en el campo de la tecnología en la nube, pero para implementar la innovación en la industria láctea, se necesita el asesoramiento profesional de expertos en la materia láctea. Por lo tanto, realizamos varias entrevistas en profundidad con Liangrong Song, Subdirector del Centro de Tecnología de Producción de New Hope Dairy, el equipo de gestión del rancho y los nutricionistas para comprender algunos de los problemas y desafíos que enfrenta la granja.

El primero es hacer inventario de las vacas de reserva

Las vacas lecheras en el rancho se dividen en dos tipos: vacas lecheras y vacas de reserva. Las vacas lecheras son maduras y producen leche de forma continua, mientras que las vacas de reserva son vacas que aún no han alcanzado la edad para producir leche. Las granjas grandes y de tamaño VoAGI suelen proporcionar a las vacas de reserva un área de actividad abierta más grande para crear un entorno de crecimiento más cómodo.

Sin embargo, tanto las vacas lecheras como las vacas de reserva son activos de la granja y es necesario hacer inventario de ellas mensualmente. Las vacas lecheras se ordeñan todos los días y, debido a que permanecen relativamente quietas durante el ordeño, es fácil hacer un seguimiento del inventario. Sin embargo, las vacas de reserva están en un espacio abierto y vagan libremente, lo que dificulta su inventario. Cada vez que se realiza el inventario, varios trabajadores cuentan las vacas de reserva repetidamente desde diferentes áreas y, finalmente, se verifican los números. Este proceso consume uno o dos días para varios trabajadores y a menudo surgen problemas para alinear las cuentas o incertidumbres sobre si se ha contado cada vaca.

Se puede ahorrar mucho tiempo si tenemos una forma de hacer inventario de las vacas de reserva de manera rápida y precisa.

El segundo es identificar ganado cojo

Actualmente, la mayoría de las compañías lácteas utilizan una raza llamada Holstein para producir leche. Los Holstein son las vacas blancas y negras con las que la mayoría de nosotros estamos familiarizados. Aunque la mayoría de las compañías lácteas utilizan la misma raza, aún existen diferencias en la cantidad y calidad de producción de leche entre diferentes compañías y ranchos. Esto se debe a que la salud de las vacas lecheras afecta directamente la producción de leche.

Sin embargo, las vacas no pueden expresar incomodidad por sí mismas como los humanos, y no es práctico que los veterinarios realicen exámenes físicos a miles de vacas de forma regular. Por lo tanto, tenemos que usar indicadores externos para juzgar rápidamente el estado de salud de las vacas.

Los indicadores externos de la salud de una vaca incluyen el puntaje de condición corporal y el grado de cojera. El puntaje de condición corporal está relacionado en gran medida con el porcentaje de grasa corporal de la vaca y es un indicador a largo plazo, mientras que la cojera es un indicador a corto plazo causado por problemas en las patas, infecciones en los pies y otros problemas que afectan el estado de ánimo, la salud y la producción de leche de la vaca. Además, las vacas Holstein adultas pueden pesar más de 500 kg, lo que puede causar daños significativos en sus patas si no son estables. Por lo tanto, cuando ocurre una cojera, los veterinarios deben intervenir lo antes posible.

Según un estudio de 2014, la proporción de vacas gravemente cojas en China puede ser tan alta como el 31 por ciento. Aunque la situación podría haber mejorado desde el estudio, la cantidad de veterinarios en las granjas es extremadamente limitada, lo que dificulta el monitoreo regular de las vacas. Cuando se detecta la cojera, la situación suele ser grave, el tratamiento lleva tiempo y es difícil, y la producción de leche ya se ve afectada.

Si tuviéramos una forma de detectar a tiempo la cojera en las vacas y hacer que los veterinarios intervengan en la etapa de cojera leve, la salud general y la producción de leche de las vacas mejorarían, y el rendimiento de la granja también mejoraría.

Por último, está la optimización del coste de alimentación

Dentro de la industria ganadera, la alimentación es el mayor costo variable. Para garantizar la calidad y el inventario de la alimentación, las granjas suelen necesitar comprar ingredientes de alimentación a proveedores nacionales y extranjeros, y entregarlos a las fábricas de formulación de alimentación para su procesamiento. Existen muchos tipos de ingredientes modernos para la alimentación, incluyendo la harina de soja, el maíz, la alfalfa, el pasto de avena, entre otros, lo que significa que hay muchas variables en juego. Cada tipo de ingrediente para la alimentación tiene su propio ciclo de precios y fluctuaciones de precio. Durante fluctuaciones significativas, el costo total de la alimentación puede fluctuar más del 15 por ciento, lo que causa un impacto importante.

Los costos de la alimentación fluctúan, pero los precios de los productos lácteos son relativamente estables a largo plazo. En consecuencia, bajo condiciones que no cambien, las ganancias totales pueden fluctuar significativamente debido solo a los cambios en el costo de la alimentación.

Para evitar esta fluctuación, es necesario considerar almacenar más ingredientes cuando los precios son bajos. Sin embargo, el almacenamiento también debe considerar si el precio está realmente en su punto más bajo y qué cantidad de alimentación debe comprarse de acuerdo con la tasa de consumo actual.

Si tuviéramos una forma de predecir con precisión el consumo de alimentación y combinarlo con la tendencia general de precios para sugerir el mejor momento y cantidad de alimentación a comprar, podríamos reducir los costos y aumentar la eficiencia en la granja.

Es evidente que estos problemas están directamente relacionados con el objetivo del cliente de mejorar la eficiencia operativa de la granja, y los métodos son respectivamente liberar mano de obra, aumentar la producción y reducir los costos. A través de discusiones sobre la dificultad y el valor de resolver cada problema, elegimos aumentar la producción como punto de partida y priorizamos resolver el problema de las vacas cojas.

Investigación

Antes de discutir la tecnología, fue necesario llevar a cabo una investigación. La investigación fue realizada conjuntamente por el equipo del cliente de AWS, el Centro de Innovación de IA Generativa de AWS, que gestionaba los modelos de algoritmos de aprendizaje automático, y AWS AI Shanghai Lablet, que proporciona consultoría de algoritmos sobre la última investigación de visión por computadora, y el equipo de expertos en ganadería de New Hope Dairy. La investigación se dividió en varias partes:

• Comprender el método tradicional basado en papel para identificar a las vacas cojas y desarrollar una comprensión básica de lo que son las vacas cojas.
• Confirmar las soluciones existentes, incluidas las utilizadas en las granjas y en la industria.
• Realizar una investigación del entorno de las granjas para comprender la situación física y sus limitaciones.

Mediante el estudio de materiales y la observación de videos en el lugar, los equipos adquirieron una comprensión básica de las vacas cojas. Los lectores también pueden tener una idea básica de la postura de las vacas cojas a través de la imagen animada a continuación.

En contraste con una vaca relativamente saludable.

Las vacas cojas tienen diferencias visibles en la postura y la marcha en comparación con las vacas saludables.

En cuanto a las soluciones existentes, la mayoría de las ganaderías dependen de la inspección visual de veterinarios y nutricionistas para identificar vacas cojas. En la industria, hay soluciones que utilizan podómetros y acelerómetros portables para la identificación, así como soluciones que utilizan básculas particionadas para la identificación, pero ambas son relativamente caras. Para la altamente competitiva industria de la leche, es necesario minimizar los costos de identificación y los costos y la dependencia de hardware no genérico.

Después de discutir y analizar la información con veterinarios de la ganadería y nutricionistas, los expertos del AWS Generative AI Innovation Center decidieron utilizar la visión por computadora (CV) para la identificación, confiando solo en hardware común: cámaras de vigilancia civiles, las cuales no agregan ninguna carga adicional a las vacas y reducen los costos y las barreras de uso.

Después de decidir esta dirección, visitamos una granja del tamaño de VoAGI con miles de vacas en el lugar, investigamos el entorno de la ganadería y determinamos la ubicación y el ángulo de colocación de las cámaras.

Propuesta inicial

Ahora, pasemos a la solución. El núcleo de nuestra solución basada en CV consta de los siguientes pasos:

• Identificación de vacas: Identificar múltiples vacas en una sola imagen de video y marcar la posición de cada vaca.
• Seguimiento de vacas: Mientras se graba el video, necesitamos seguir continuamente a las vacas a medida que cambian los fotogramas y asignar un número único a cada vaca.
• Marcaje de postura: Reducir la dimensionalidad de los movimientos de las vacas convirtiendo las imágenes de las vacas en puntos marcados.
• Identificación de anomalías: Identificar anomalías en la dinámica de los puntos marcados.
• Algoritmo de vacas cojas: Normalizar las anomalías para obtener una puntuación que determine el grado de cojera de la vaca.
• Determinación del umbral: Obtener un umbral basado en aportes de expertos.

Según el juicio de los expertos del AWS Generative AI Innovation Center, los primeros pasos son requisitos genéricos que se pueden resolver utilizando modelos de código abierto, mientras que los últimos pasos requieren el uso de métodos matemáticos e intervención de expertos.

Dificultades en la solución

Para equilibrar el costo y el rendimiento, elegimos el modelo yolov5l, un modelo pre-entrenado del tamaño de VoAGI para el reconocimiento de vacas, con un ancho de entrada de 640 píxeles, que proporciona un buen valor para esta escena.

Mientras YOLOv5 se encarga de reconocer y etiquetar vacas en una sola imagen, en realidad, los videos consisten en múltiples imágenes (fotogramas) que cambian continuamente. YOLOv5 no puede identificar que las vacas en diferentes fotogramas pertenecen al mismo individuo. Para rastrear y localizar a una vaca en varias imágenes, se necesita otro modelo llamado SORT.

SORT significa seguimiento simple en línea y en tiempo real, donde en línea significa que solo considera los fotogramas actuales y anteriores para rastrear sin considerar otros fotogramas, y en tiempo real significa que puede identificar inmediatamente la identidad del objeto.

Después del desarrollo de SORT, muchos ingenieros lo implementaron y optimizaron, lo que llevó al desarrollo de OC-SORT, que considera la apariencia del objeto, DeepSORT (y su versión mejorada, StrongSORT), que incluye apariencia humana, y ByteTrack, que utiliza un enlace de asociación de dos etapas para considerar el reconocimiento de baja confianza. Después de realizar pruebas, descubrimos que para nuestra escena, el algoritmo de seguimiento de apariencia de DeepSORT es más adecuado para humanos que para vacas, y la precisión de seguimiento de ByteTrack es ligeramente más débil. Como resultado, finalmente elegimos OC-SORT como nuestro algoritmo de seguimiento.

A continuación, utilizamos DeepLabCut (DLC para abreviar) para marcar los puntos esqueléticos de las vacas. DLC es un modelo sin marcadores, lo que significa que aunque diferentes puntos, como la cabeza y las extremidades, pueden tener diferentes significados, para DLC solo son puntos, lo que solo requiere que marquemos los puntos y entrenemos el modelo.

Esto plantea una nueva pregunta: ¿cuántos puntos debemos marcar en cada vaca y dónde debemos marcarlos? La respuesta a esta pregunta afecta la carga de trabajo de marcado, entrenamiento y eficiencia de inferencia subsiguiente. Para resolver este problema, primero debemos entender cómo identificar vacas cojas.

Según nuestras investigaciones y las opiniones de nuestros clientes expertos, las vacas cojas en los videos presentan las siguientes características:

• La espalda arqueada: El cuello y la espalda están curvados, formando un triángulo con la raíz del hueso del cuello (espalda arqueada).
• Movimiento frecuente de cabeza: Cada paso puede hacer que la vaca pierda el equilibrio o resbale, lo que resulta en un movimiento frecuente de cabeza (asentimiento).
• Marcha inestable: La marcha de la vaca cambia después de unos cuantos pasos, con pequeñas pausas (cambio en el patrón de marcha).

En cuanto a la curvatura del cuello y la espalda, así como al movimiento de cabeza, los expertos del AWS Generative AI Innovation Center han determinado que marcar solo siete puntos en la espalda (uno en la cabeza, uno en la base del cuello y cinco en la espalda) en el ganado puede dar como resultado una buena identificación. Una vez que tenemos un marco de identificación, también deberíamos poder reconocer los patrones de marcha inestable.

A continuación, usamos expresiones matemáticas para representar los resultados de identificación y formar algoritmos.

La identificación de estos problemas no es difícil para los seres humanos, pero se requieren algoritmos precisos para su identificación por computadora. Por ejemplo, ¿cómo sabe un programa el grado de curvatura de la espalda de una vaca dado un conjunto de puntos de coordenadas de la espalda de la vaca? ¿Cómo sabe si una vaca está asintiendo?

En cuanto a la curvatura de la espalda, primero consideramos tratar la espalda de la vaca como un ángulo y luego encontramos el vértice de ese ángulo, lo que nos permite calcular el ángulo. El problema con este método es que la columna vertebral puede tener una curvatura bidireccional, lo que dificulta la identificación del vértice del ángulo. Esto requiere cambiar a otros algoritmos para resolver el problema.

En cuanto al movimiento de cabeza, primero consideramos utilizar la distancia de Fréchet para determinar si la vaca está asintiendo al comparar la diferencia en la curva de la postura general de la vaca. Sin embargo, el problema es que los puntos esqueléticos de la vaca pueden estar desplazados, lo que provoca una distancia significativa entre las curvas similares. Para resolver este problema, necesitamos eliminar la posición de la cabeza en relación a la caja de reconocimiento y normalizarla.

Después de normalizar la posición de la cabeza, nos encontramos con un nuevo problema. En la siguiente imagen, el gráfico de la izquierda muestra el cambio en la posición de la cabeza de la vaca. Podemos ver que debido a problemas de precisión en el reconocimiento, el punto de la cabeza se mueve constantemente ligeramente. Necesitamos eliminar estos pequeños movimientos y encontrar la tendencia de movimiento relativamente grande de la cabeza. Para esto, se necesita conocimiento de procesamiento de señales. Al utilizar un filtro de Savitzky-Golay, podemos suavizar una señal y obtener su tendencia general, lo que nos facilita identificar el movimiento de cabeza, como se muestra en la curva naranja del gráfico de la derecha.

Además, después de horas de reconocimiento de videos, descubrimos que algunas vacas con una curvatura extrema de espalda en realidad no tenían la espalda encorvada. Una investigación adicional reveló que esto se debía a que la mayoría de las vacas utilizadas para entrenar el modelo DLC eran principalmente negras o blancas y negras, y no había muchas vacas mayormente blancas o casi puramente blancas, lo que provocaba que el modelo las reconociera incorrectamente cuando tenían grandes áreas blancas en sus cuerpos, como se muestra por la flecha roja en la figura a continuación. Esto se puede corregir mediante un entrenamiento adicional del modelo.

Además de resolver los problemas anteriores, había otros problemas genéricos que necesitaban ser solucionados:

• Hay dos caminos en el fotograma de video, y las vacas a distancia también pueden ser reconocidas, lo que causa problemas.
• Los caminos en el video también tienen una cierta curvatura, y la longitud del cuerpo de la vaca se acorta cuando la vaca está en los lados del camino, lo que hace que la postura sea fácil de identificar de manera incorrecta.
• Debido a la superposición de varias vacas o la obstrucción de la cerca, la misma vaca puede ser identificada como dos vacas.
• Debido a los parámetros de seguimiento y la ocasional omisión de fotogramas de la cámara, es imposible seguir correctamente a las vacas, lo que resulta en problemas de confusión de identificación.

En el corto plazo, basado en la alineación con New Hope Dairy en la entrega de un producto mínimo viable y luego iterar sobre él, estos problemas generalmente pueden resolverse mediante algoritmos de juicio de valores atípicos combinados con filtrado de confianza, y si no se pueden resolver, se convertirán en datos inválidos, lo cual requiere que realicemos entrenamiento adicional y que iteremos continuamente nuestros algoritmos y modelos.

En el largo plazo, AWS AI Shanghai Lablet proporcionó sugerencias para experimentos futuros para resolver los problemas anteriores basados en su investigación centrada en objetos: Cerrando la brecha hacia el aprendizaje centrado en objetos del mundo real y Segmentación de objetos de video amodal auto-supervisada. Además de invalidar esos datos atípicos, los problemas también pueden abordarse mediante el desarrollo de modelos más precisos a nivel de objetos para la estimación de poses, segmentación amodal y seguimiento supervisado. Sin embargo, las tuberías de visión tradicionales para estas tareas generalmente requieren una extensa etiquetación. El aprendizaje centrado en objetos se enfoca en abordar el problema de vinculación de píxeles a objetos sin una supervisión adicional. El proceso de vinculación no solo proporciona información sobre la ubicación de los objetos, sino que también resulta en representaciones de objetos sólidas y adaptables para tareas posteriores. Debido a que la tubería centrada en objetos se enfoca en entornos auto-supervisados o débilmente supervisados, podemos mejorar el rendimiento sin aumentar significativamente los costos de etiquetado para nuestros clientes.

Después de resolver una serie de problemas y combinar las puntuaciones proporcionadas por el veterinario de la granja y el nutricionista, hemos obtenido una puntuación completa de cojera para las vacas, lo que nos ayuda a identificar vacas con diferentes grados de cojera, como grave, moderada y leve, y también podemos identificar múltiples atributos de postura corporal de las vacas, lo que ayuda a un análisis y juicio más profundos.

En cuestión de semanas, desarrollamos una solución de extremo a extremo para identificar vacas cojas. La cámara de hardware para esta solución solo costó 300 RMB, y la inferencia en lote de Amazon SageMaker, cuando se utiliza la instancia g4dn.xlarge, tomó aproximadamente 50 horas para 2 horas de video, sumando solo 300 RMB. Cuando entre en producción, si se detectan cinco lotes de vacas por semana (suponiendo alrededor de 10 horas), e incluyendo los videos y datos guardados en rodajas, el costo mensual de detección para un rancho del tamaño de VoAGI con varias miles de vacas es inferior a 10,000 RMB.

Actualmente, nuestro proceso de modelo de aprendizaje automático es el siguiente:

1. Se graba el video en bruto.
2. Se detectan e identifican las vacas.
3. Se realiza un seguimiento de cada vaca y se detectan los puntos clave.
4. Se analiza el movimiento de cada vaca.
5. Se determina una puntuación de cojera.

Implementación del modelo

Ya hemos descrito la solución para identificar vacas cojas basada en el aprendizaje automático. Ahora, necesitamos implementar estos modelos en SageMaker. Como se muestra en la siguiente figura:

• Primero utilizamos la Solución de Transmisión de Video sin servidor de AWS (Serverless Video Streaming Solution) para obtener el video en tiempo real y guardarlo en Amazon Simple Storage Service (Amazon S3).
• Luego, usamos Amazon EventBridge para programar tareas para el Procesamiento por Lotes de SageMaker. El cliente no necesita resultados en tiempo real, por lo que el procesamiento por lotes puede mejorar aún más la eficiencia de la instancia GPU y reducir el costo.
• Durante el procesamiento por lotes, SageMaker obtiene la imagen en contenedor Docker de Amazon Elastic Container Registry (Amazon ECR) y los datos de video de un depósito S3. Luego, comienza el proceso de inferencia y los resultados se guardan en un depósito S3.

Implementación empresarial

Por supuesto, lo que hemos discutido hasta ahora es solo el núcleo de nuestra solución técnica. Para integrar toda la solución en el proceso empresarial, también debemos abordar los siguientes problemas:

• Comentarios sobre los datos: Por ejemplo, debemos proporcionar a los veterinarios una interfaz para filtrar y ver vacas cojas que necesitan ser procesadas y recopilar datos durante este proceso para utilizarlos como datos de entrenamiento.
• Identificación de las vacas: Después de que un veterinario vea una vaca coja, también necesita conocer la identidad de la vaca, como su número y corral.
• Posicionamiento de las vacas: En un corral con cientos de vacas, localizar rápidamente la vaca objetivo.
• Minería de datos: Por ejemplo, descubrir cómo el grado de cojera afecta a la alimentación, rumia, descanso y producción de leche.
• Basado en datos: Por ejemplo, identificar las características genéticas, fisiológicas y de comportamiento de las vacas cojas para lograr una cría y reproducción óptimas.

Solo abordando estos problemas, la solución puede resolver verdaderamente el problema empresarial y los datos recopilados pueden generar valor a largo plazo. Algunos de estos problemas son problemas de integración de sistemas, mientras que otros son problemas de integración de tecnología y negocio. Compartiremos más información sobre estos problemas en futuros artículos.

Resumen

En este artículo, explicamos brevemente cómo el equipo de Soluciones para Clientes de AWS innova rápidamente en función del negocio del cliente. Este mecanismo tiene varias características:

• Liderado por el negocio: Priorizar la comprensión de la industria y los procesos empresariales del cliente en el lugar y en persona antes de hablar de tecnología, y luego profundizar en los puntos de dolor, desafíos y problemas del cliente para identificar problemas importantes que se pueden resolver con tecnología.
• Disponible inmediatamente: Proporcionar un prototipo simple pero completo y utilizable directamente al cliente para su prueba, validación e iteración rápida en semanas, no meses.
• Costo mínimo: Minimizar o incluso eliminar los costos del cliente antes de que el valor se valide realmente, evitando preocupaciones sobre el futuro. Esto se alinea con el principio de liderazgo de frugalidad de AWS.

En nuestro proyecto de innovación colaborativa con la industria lechera, no solo comenzamos desde la perspectiva empresarial para identificar problemas empresariales específicos con expertos en el negocio, sino que también realizamos investigaciones en el lugar de la granja y la fábrica con el cliente. Determinamos la ubicación de las cámaras en el lugar, instalamos y desplegamos las cámaras y desplegamos la solución de transmisión de video. Expertos del Centro de Innovación de IA Generativa de AWS analizaron los requisitos del cliente y desarrollaron un algoritmo, el cual fue luego ingenierizado por un arquitecto de soluciones para todo el algoritmo.

Con cada inferencia, pudimos obtener miles de videos de caminata de vacas descompuestos y etiquetados, cada uno con el ID de video original, ID de vaca, puntuación de cojera y varias puntuaciones detalladas. La lógica de cálculo completa y los datos de la marcha en bruto también se conservaron para la optimización posterior del algoritmo.

Los datos de cojera no solo se pueden utilizar para una intervención temprana por parte de los veterinarios, sino que también se pueden combinar con los datos de las máquinas de ordeño para un análisis cruzado, proporcionando una dimensión de validación adicional y respondiendo algunas preguntas adicionales del negocio, como: ¿Cuáles son las características físicas de las vacas con mayor producción de leche? ¿Qué efecto tiene la cojera en la producción de leche en las vacas? ¿Cuál es la causa principal de las vacas cojas y cómo se puede prevenir? Esta información proporcionará nuevas ideas para las operaciones de la granja.

La historia de la identificación de vacas cojas termina aquí, pero la historia de la innovación en la granja acaba de comenzar. En próximos artículos, seguiremos discutiendo cómo trabajamos en estrecha colaboración con los clientes para resolver otros problemas.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!