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

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.

• 第一著者: Cabrera Lapo, Bryan German (author)
• フォーマット: bachelorThesis
• 出版事項: 2022
• 主題: DETECCION DE OBJETO; RECONOCIMIENTO DE BOVINO; PYTHON; OLO V4
• オンライン･アクセス: http://repositorio.utmachala.edu.ec/handle/48000/18747