Behalten Sie Ihr Vieh mit KI-Technologie im Auge | Amazon Web Services

At Amazon Web Services (AWS)Es liegt uns nicht nur am Herzen, unseren Kunden eine Vielzahl umfassender technischer Lösungen anzubieten, sondern wir sind auch daran interessiert, die Geschäftsprozesse unserer Kunden tiefgreifend zu verstehen. Wir übernehmen die Perspektive eines Dritten und eine objektive Beurteilung, um Kunden dabei zu helfen, ihre Wertversprechen zu klären, Schwachstellen zu sammeln, geeignete Lösungen vorzuschlagen und die kostengünstigsten und benutzerfreundlichsten Prototypen zu erstellen, die ihnen dabei helfen, ihre Geschäftsziele systematisch zu erreichen.

Diese Methode wird aufgerufen rückwärts arbeiten bei AWS. Es bedeutet, Technologien und Lösungen beiseite zu legen, ausgehend von den erwarteten Ergebnissen der Kunden, deren Wert zu bestätigen und dann in umgekehrter Reihenfolge abzuleiten, was getan werden muss, bevor schließlich eine Lösung implementiert wird. Auch in der Umsetzungsphase verfolgen wir das Konzept von Minimum lebensfähiges Produkt und bemühen Sie sich, schnell einen Prototyp zu erstellen, der innerhalb weniger Wochen einen Wert generieren kann, und ihn dann zu iterieren.

Sehen wir uns heute eine Fallstudie an, in der AWS und New Hope Dairy zusammengearbeitet haben, um eine intelligente Farm in der Cloud aufzubauen. In diesem Blogbeitrag erhalten Sie ein tiefes Verständnis darüber, was AWS für den Aufbau einer Smart Farm bieten kann und wie Sie mit AWS-Experten Smart Farm-Anwendungen in der Cloud erstellen.

Hintergrund des Projekts

Milch ist ein nahrhaftes Getränk. Im Hinblick auf die nationale Gesundheit hat China die Entwicklung der Milchindustrie aktiv gefördert. Nach Angaben von Euromonitor International erreichte der Verkauf von Milchprodukten in China im Jahr 638.5 2020 Milliarden RMB und wird im Jahr 810 voraussichtlich 2025 Milliarden RMB erreichen. Darüber hinaus hat die durchschnittliche jährliche Wachstumsrate in den letzten 14 Jahren ebenfalls 10 Prozent erreicht. zeigt eine rasante Entwicklung.

Andererseits stammt der Großteil des Umsatzes der chinesischen Milchindustrie im Jahr 2022 immer noch aus Flüssigmilch. 20 Prozent der Rohmilch werden für Flüssigmilch und Joghurt verwendet, weitere XNUMX Prozent ist Milchpulver – ein Derivat der Flüssigmilch. Für stark verarbeitete Produkte wie Käse und Sahne wird nur eine sehr geringe Menge verwendet.

Flüssigmilch ist ein leicht verarbeitetes Produkt und ihre Produktion, Qualität und Kosten hängen eng mit denen von Rohmilch zusammen. Das bedeutet, dass die Milchindustrie zunächst die Produktion und Qualität der Rohmilch verbessern und stabilisieren muss, wenn sie Kapazitäten freisetzen möchte, um sich auf die Herstellung hochverarbeiteter Produkte, die Entwicklung neuer Produkte und die Durchführung innovativerer biotechnologischer Forschung zu konzentrieren.

Als führendes Unternehmen der Milchindustrie hat New Hope Dairy darüber nachgedacht, wie es die Effizienz seiner Ranchbetriebe verbessern und die Produktion und Qualität der Rohmilch steigern kann. New Hope Dairy hofft, die Perspektive Dritter und das technologische Know-how von AWS nutzen zu können, um Innovationen in der Milchindustrie zu fördern. Mit der Unterstützung und Förderung von Liutong Hu, VP und CIO von New Hope Dairy, begann das AWS-Kundenteam, Abläufe und potenzielle Innovationspunkte für die Milchviehbetriebe zu organisieren.

Herausforderungen in der Milchwirtschaft

AWS ist ein Experte auf dem Gebiet der Cloud-Technologie, aber um Innovationen in der Milchindustrie umzusetzen, ist professionelle Beratung durch Milchexperten erforderlich. Aus diesem Grund führten wir mehrere ausführliche Interviews mit Liangrong Song, dem stellvertretenden Direktor des Produktionstechnologiezentrums von New Hope Dairy, dem Ranch-Management-Team und Ernährungswissenschaftlern, um einige der Probleme und Herausforderungen zu verstehen, mit denen die Farm konfrontiert ist.

Zunächst erfolgt die Bestandsaufnahme der Reservekühe

Die Milchkühe auf der Ranch werden in zwei Arten unterteilt: Milchkühe und Reservekühe. Milchkühe sind ausgewachsen und geben kontinuierlich Milch, während Reservekühe Kühe sind, die das Alter zur Milchproduktion noch nicht erreicht haben. Große und mittelgroße Betriebe stellen Reservekühen in der Regel eine größere offene Aktivitätsfläche zur Verfügung, um eine angenehmere Wachstumsumgebung zu schaffen.

Allerdings sind sowohl Milchkühe als auch Reservekühe Vermögenswerte des Betriebs und müssen monatlich inventarisiert werden. Milchkühe werden jeden Tag gemolken und da sie beim Melken relativ ruhig sind, ist die Bestandsverfolgung einfach. Allerdings befinden sich Reservekühe auf freiem Feld und laufen frei umher, was ihre Bestandsaufnahme umständlich macht. Bei jeder Inventur zählen mehrere Mitarbeiter immer wieder die Reservekühe aus verschiedenen Bereichen und schließlich werden die Zahlen überprüft. Dieser Vorgang nimmt für mehrere Arbeiter ein bis zwei Tage in Anspruch, und oft gibt es Probleme bei der Abstimmung der Zählungen oder Unsicherheiten darüber, ob jede Kuh gezählt wurde.

Wenn wir eine Möglichkeit haben, Reservekühe schnell und genau zu inventarisieren, können wir viel Zeit sparen.

Zweitens geht es darum, lahmes Vieh zu identifizieren

Derzeit verwenden die meisten Molkereiunternehmen eine Rasse mit dem Namen „ Holstein Milch zu produzieren. Holsteins sind die schwarz-weißen Kühe, mit denen die meisten von uns vertraut sind. Obwohl die meisten Molkereien die gleiche Rasse verwenden, gibt es immer noch Unterschiede in der Menge und Qualität der Milchproduktion zwischen verschiedenen Unternehmen und Farmen. Denn die Gesundheit der Milchkühe wirkt sich direkt auf die Milchproduktion aus.

Allerdings können Kühe im Gegensatz zu Menschen ihre Beschwerden nicht von selbst äußern, und es ist für Tierärzte nicht praktikabel, Tausende von Kühen regelmäßig einer körperlichen Untersuchung zu unterziehen. Daher müssen wir externe Indikatoren nutzen, um den Gesundheitszustand von Kühen schnell beurteilen zu können.

Zu den externen Indikatoren für die Gesundheit einer Kuh gehören: Körperkonditionsbewertung und Grad der Lahmheit. Der Körperkonditionswert hängt weitgehend vom Körperfettanteil der Kuh ab und ist ein langfristiger Indikator, während Lahmheit ein kurzfristiger Indikator ist, der durch Beinprobleme oder Fußinfektionen und andere Probleme verursacht wird, die sich auf die Stimmung, Gesundheit und Milchproduktion der Kuh auswirken. Darüber hinaus können ausgewachsene Holstein-Kühe über 500 kg wiegen, was zu erheblichen Schäden an den Füßen führen kann, wenn sie nicht stabil sind. Daher sollten Tierärzte beim Auftreten einer Lahmheit so schnell wie möglich eingreifen.

Laut einer Studie aus dem Jahr 2014 kann der Anteil stark lahmender Kühe in China bis zu 31 Prozent betragen. Obwohl sich die Situation seit der Studie möglicherweise verbessert hat, ist die Zahl der Tierärzte in den Betrieben äußerst begrenzt, was eine regelmäßige Überwachung der Kühe erschwert. Wenn eine Lahmheit festgestellt wird, ist die Situation oft schwerwiegend, die Behandlung zeitaufwändig und schwierig und die Milchproduktion ist bereits beeinträchtigt.

Wenn wir eine Möglichkeit haben, Lahmheit bei Kühen rechtzeitig zu erkennen und Tierärzte zu veranlassen, im Stadium einer leichten Lahmheit einzugreifen, werden sich die allgemeine Gesundheit und die Milchproduktion der Kühe verbessern und die Leistung des Betriebs verbessern.

Schließlich gibt es noch die Optimierung der Futterkosten

In der Viehwirtschaft ist Futter der größte variable Kostenfaktor. Um die Qualität und den Bestand an Futtermitteln sicherzustellen, müssen landwirtschaftliche Betriebe häufig Futterzutaten von in- und ausländischen Lieferanten kaufen und diese zur Verarbeitung an Futterformulierungsfabriken liefern. Es gibt viele Arten moderner Futterzutaten, darunter Sojabohnenmehl, Mais, Luzerne, Hafergras usw., was bedeutet, dass viele Variablen eine Rolle spielen. Jede Art von Futterzutat hat ihren eigenen Preiszyklus und ihre eigenen Preisschwankungen. Bei starken Schwankungen können die Gesamtfutterkosten um mehr als 15 Prozent schwanken, was erhebliche Auswirkungen hat.

Die Futterkosten schwanken, die Preise für Milchprodukte sind jedoch langfristig relativ stabil. Folglich kann der Gesamtgewinn unter ansonsten unveränderten Bedingungen allein aufgrund von Futterkostenänderungen erheblich schwanken.

Um diese Schwankungen zu vermeiden, muss bei niedrigen Preisen darüber nachgedacht werden, mehr Zutaten zu lagern. Bei der Besatzhaltung muss aber auch berücksichtigt werden, ob der Preis tatsächlich am Tiefpunkt liegt und welche Futtermengen entsprechend dem aktuellen Verbrauch zugekauft werden sollten.

Wenn wir eine Möglichkeit haben, den Futterverbrauch genau vorherzusagen und ihn mit der allgemeinen Preisentwicklung zu kombinieren, um den besten Zeitpunkt und die beste Futtermenge für den Futterkauf vorzuschlagen, können wir die Kosten senken und die Effizienz im Betrieb steigern.

Es ist offensichtlich, dass diese Probleme in direktem Zusammenhang mit dem Verbesserungsziel des Kunden stehen Betriebseffizienz des Bauernhofs, und die Methoden sind jeweils Arbeitskräfte freisetzen, Steigerung der Produktion und Kosten senken. Durch Diskussionen über die Schwierigkeit und den Wert der Lösung jedes Problems haben wir eine Auswahl getroffen Steigerung der Produktion als Ausgangspunkt und priorisierte die Lösung des Problems lahmender Kühe.

Forschung

Bevor über Technologie gesprochen wurde, musste eine Recherche durchgeführt werden. Die Untersuchung wurde gemeinsam vom AWS-Kundenteam durchgeführt AWS Generative AI Innovation Center, das die Modelle des maschinellen Lernalgorithmus verwaltete, und AWS AI Shanghai Label, das Algorithmenberatung zur neuesten Computer-Vision-Forschung und das Expertenteam für Landwirtschaft von New Hope Dairy bietet. Die Untersuchung gliederte sich in mehrere Teile:

• Verständnis der traditionellen papierbasierten Identifizierungsmethode lahmer Kühe und Entwicklung eines grundlegenden Verständnisses dafür, was lahme Kühe sind.
• Bestätigung bestehender Lösungen, einschließlich derjenigen, die in landwirtschaftlichen Betrieben und in der Industrie eingesetzt werden.
• Durchführung von Untersuchungen zur landwirtschaftlichen Umgebung, um die physische Situation und ihre Einschränkungen zu verstehen.

Durch das Studium der Materialien und die Beobachtung von Videos vor Ort erlangten die Teams ein grundlegendes Verständnis über lahme Kühe. Durch das animierte Bild unten können sich die Leser auch einen grundlegenden Überblick über die Haltung lahmer Kühe verschaffen.

Im Gegensatz zu einer relativ gesunden Kuh.

Lahme Kühe weisen im Vergleich zu gesunden Kühen sichtbare Unterschiede in Haltung und Gang auf.

Was bestehende Lösungen betrifft, verlassen sich die meisten Betriebe auf die visuelle Inspektion durch Tierärzte und Ernährungswissenschaftler, um lahme Kühe zu identifizieren. In der Branche gibt es Lösungen, die tragbare Schrittzähler und Beschleunigungsmesser zur Identifizierung verwenden, sowie Lösungen, die geteilte Wägebrücken zur Identifizierung verwenden, aber beide sind relativ teuer. Für die hart umkämpfte Milchindustrie müssen wir die Identifizierungskosten sowie die Kosten und die Abhängigkeit von nicht-generischer Hardware minimieren.

Nach der Diskussion und Analyse der Informationen mit Ranch-Tierärzten und Ernährungswissenschaftlern beschlossen die Experten des AWS Generative AI Innovation Center, Computer Vision (CV) zur Identifizierung zu verwenden und sich dabei nur auf gewöhnliche Hardware zu verlassen: zivile Überwachungskameras, die keine zusätzliche Belastung darstellen Kühe und reduzieren Kosten und Nutzungsbarrieren.

Nachdem wir uns für diese Richtung entschieden hatten, besuchten wir einen mittelgroßen Bauernhof mit Tausenden von Kühen vor Ort, untersuchten die Ranchumgebung und bestimmten den Standort und den Winkel der Kamerapositionierung.

Ursprünglicher Vorschlag

Nun zur Lösung. Der Kern unserer CV-basierten Lösung besteht aus den folgenden Schritten:

• Kuhidentifizierung: Identifizieren Sie mehrere Kühe in einem einzigen Videobild und markieren Sie die Position jeder Kuh.
• Kuhverfolgung: Während der Videoaufzeichnung müssen wir die Kühe kontinuierlich verfolgen, während sich die Bilder ändern, und jeder Kuh eine eindeutige Nummer zuweisen.
• Haltungsmarkierung: Reduzieren Sie die Dimensionalität von Kuhbewegungen, indem Sie Kuhbilder in markierte Punkte umwandeln.
• Anomalieerkennung: Identifizieren Sie Anomalien in der Dynamik der markierten Punkte.
• Algorithmus für lahme Kuh: Normalisieren Sie die Anomalien, um eine Bewertung zu erhalten, mit der Sie den Grad der Lahmheit der Kuh bestimmen können.
• Schwellenwertermittlung: Erhalten Sie einen Schwellenwert basierend auf Experteneingaben.

Nach Einschätzung der Experten des AWS Generative AI Innovation Center handelt es sich bei den ersten Schritten um generische Anforderungen, die mithilfe von Open-Source-Modellen gelöst werden können, während die letzten Schritte den Einsatz mathematischer Methoden und das Eingreifen von Experten erfordern.

Schwierigkeiten bei der Lösung

Um Kosten und Leistung in Einklang zu bringen, haben wir uns für das yolov5l-Modell entschieden, ein mittelgroßes vorab trainiertes Modell zur Kuherkennung mit einer Eingabebreite von 640 Pixeln, das für diese Szene ein gutes Preis-Leistungs-Verhältnis bietet.

Während YOLOv5 für das Erkennen und Markieren von Kühen in einem einzelnen Bild verantwortlich ist, bestehen Videos in Wirklichkeit aus mehreren Bildern (Frames), die sich kontinuierlich ändern. YOLOv5 kann nicht erkennen, dass Kühe in verschiedenen Frames zum selben Individuum gehören. Um eine Kuh über mehrere Bilder hinweg zu verfolgen und zu lokalisieren, ist ein weiteres Modell namens SORT erforderlich.

SORT steht für Einfaches Online- und Echtzeit-Tracking, Wobei Online bedeutet, dass nur die aktuellen und vorherigen Frames zur Verfolgung berücksichtigt werden, ohne Berücksichtigung anderer Frames, und Echtzeit bedeutet, dass die Identität des Objekts sofort identifiziert werden kann.

Nach der Entwicklung von SORT implementierten und optimierten viele Ingenieure es, was zur Entwicklung von OC-SORT führte, das das Erscheinungsbild des Objekts berücksichtigt, DeepSORT (und seiner aktualisierten Version StrongSORT), das das menschliche Erscheinungsbild berücksichtigt, und ByteTrack, das verwendet ein zweistufiger Assoziationslinker zur Berücksichtigung der Erkennung geringer Konfidenz. Nach dem Test haben wir festgestellt, dass der Algorithmus zur Verfolgung des Erscheinungsbilds von DeepSORT für unsere Szene besser für Menschen als für Kühe geeignet ist und die Verfolgungsgenauigkeit von ByteTrack etwas schwächer ist. Aus diesem Grund haben wir uns letztendlich für OC-SORT als unseren Tracking-Algorithmus entschieden.

Als nächstes verwenden wir DeepLabCut (kurz DLC), um die Skelettpunkte der Kühe zu markieren. DLC ist ein markerloses Modell, was bedeutet, dass verschiedene Punkte, wie zum Beispiel der Kopf und die Gliedmaßen, zwar unterschiedliche Bedeutungen haben können, aber alle gleich sind Punkte für DLC, bei dem wir lediglich die Punkte markieren und das Modell trainieren müssen.

Dies führt zu einer neuen Frage: Wie viele Punkte sollten wir auf jeder Kuh markieren und wo sollten wir sie markieren? Die Antwort auf diese Frage wirkt sich auf den Arbeitsaufwand für die Bewertung, das Training und die anschließende Inferenzeffizienz aus. Um dieses Problem zu lösen, müssen wir zunächst verstehen, wie man lahme Kühe erkennt.

Basierend auf unseren Recherchen und den Eingaben unserer fachkundigen Kunden weisen lahme Kühe in Videos die folgenden Merkmale auf:

• Ein gewölbter Rücken: Der Nacken und der Rücken sind gebogen und bilden mit der Halswurzel ein Dreieck (gewölbter Rücken).
• Häufiges Nicken: Jeder Schritt kann dazu führen, dass die Kuh das Gleichgewicht verliert oder ausrutscht, was zu häufigen Tritten führt Nicken (Kopf wackelt).
• Instabiler Gang: Der Gang der Kuh verändert sich nach einigen Schritten mit leichten Pausen (Gangbildwechsel).

Im Hinblick auf die Krümmung von Hals und Rücken sowie das Nicken haben Experten des AWS Generative AI Innovation Center festgestellt, dass das Markieren von nur sieben Rückenpunkten (einer am Kopf, einer am Halsansatz und fünf am Rücken) bei Rindern möglich ist sorgen für eine gute Identifikation. Da wir nun über einen Identifikationsrahmen verfügen, sollten wir auch instabile Gangmuster erkennen können.

Als nächstes verwenden wir mathematische Ausdrücke, um die Identifikationsergebnisse darzustellen und Algorithmen zu bilden.

Die Identifizierung dieser Probleme durch den Menschen ist nicht schwierig, für die Computeridentifizierung sind jedoch präzise Algorithmen erforderlich. Wie kann ein Programm beispielsweise anhand einer Reihe von Kuhrücken-Koordinatenpunkten den Grad der Krümmung des Rückens einer Kuh ermitteln? Woher weiß es, ob eine Kuh nickt?

Im Hinblick auf die Rückenkrümmung betrachten wir zunächst den Rücken der Kuh als Winkel und ermitteln dann den Scheitelpunkt dieses Winkels, der es uns ermöglicht, den Winkel zu berechnen. Das Problem bei dieser Methode besteht darin, dass die Wirbelsäule möglicherweise eine bidirektionale Krümmung aufweist, wodurch der Scheitelpunkt des Winkels schwer zu identifizieren ist. Dies erfordert die Umstellung auf andere Algorithmen, um das Problem zu lösen.

Im Hinblick auf das Nicken haben wir zunächst überlegt, die Fréchet-Distanz zu verwenden, um festzustellen, ob die Kuh nickt, indem wir den Unterschied in der Kurve der Gesamthaltung der Kuh vergleichen. Das Problem besteht jedoch darin, dass die Skelettpunkte der Kuh möglicherweise verschoben sind, was zu einem erheblichen Abstand zwischen ähnlichen Kurven führt. Um dieses Problem zu lösen, müssen wir die Position des Kopfes relativ zum Erkennungsfeld ermitteln und normalisieren.

Nachdem wir die Position des Kopfes normalisiert hatten, stießen wir auf ein neues Problem. Im folgenden Bild zeigt die Grafik links die Veränderung der Position des Kuhkopfes. Wir können sehen, dass aufgrund von Problemen mit der Erkennungsgenauigkeit die Position des Kopfpunkts ständig leicht wackelt. Wir müssen diese kleinen Bewegungen entfernen und den relativ großen Bewegungstrend des Kopfes finden. Hier sind einige Kenntnisse der Signalverarbeitung erforderlich. Durch die Verwendung eines Savitzky-Golay-Filters können wir ein Signal glätten und seinen Gesamttrend ermitteln, wodurch wir Nicken leichter erkennen können, wie die orangefarbene Kurve in der Grafik rechts zeigt.

Darüber hinaus stellten wir nach Dutzenden von Stunden Videoerkennung fest, dass einige Kühe mit extrem starker Rückenkrümmung tatsächlich keinen Buckel hatten. Weitere Untersuchungen ergaben, dass dies daran lag, dass die meisten Kühe, die zum Trainieren des DLC-Modells verwendet wurden, größtenteils schwarz oder schwarz-weiß waren und es nicht viele Kühe gab, die überwiegend weiß oder annähernd reinweiß waren, was dazu führte, dass das Modell sie falsch erkannte Sie hatten große weiße Bereiche auf ihren Körpern, wie der rote Pfeil in der Abbildung unten zeigt. Dies kann durch weiteres Modelltraining korrigiert werden.

Zusätzlich zur Lösung der oben genannten Probleme gab es weitere allgemeine Probleme, die gelöst werden mussten:

• Es gibt zwei Wege im Videobild und möglicherweise werden auch Kühe in der Ferne erkannt, was zu Problemen führt.
• Auch die Wege im Video weisen eine gewisse Krümmung auf und die Körperlänge der Kuh verkürzt sich, wenn sich die Kuh am Wegrand befindet, wodurch die Haltung leicht falsch erkannt werden kann.
• Aufgrund der Überlappung mehrerer Kühe oder der Verdeckung durch den Zaun kann es vorkommen, dass dieselbe Kuh als zwei Kühe identifiziert wird.
• Aufgrund der Tracking-Parameter und gelegentlichen Bildüberspringungen der Kamera ist es unmöglich, die Kühe korrekt zu verfolgen, was zu ID-Verwechslungsproblemen führt.

Kurzfristig können diese Probleme aufgrund der Abstimmung mit New Hope Dairy auf die Bereitstellung eines minimal lebensfähigen Produkts und die anschließende Iteration in der Regel durch Ausreißerbeurteilungsalgorithmen in Kombination mit Konfidenzfilterung gelöst werden, und wenn sie nicht gelöst werden können, werden sie gelöst ungültige Daten, die von uns zusätzliches Training und eine kontinuierliche Iteration unserer Algorithmen und Modelle erfordern.

Auf lange Sicht, AWS AI Shanghai Label lieferten zukünftige Experimentvorschläge zur Lösung der oben genannten Probleme auf der Grundlage ihrer objektzentrierten Forschung: Überbrückung der Lücke zum objektzentrierten Lernen in der realen Welt und Selbstüberwachte amodale Videoobjektsegmentierung. Neben der Ungültigmachung dieser Ausreißerdaten können die Probleme auch durch die Entwicklung präziserer Modelle auf Objektebene für Posenschätzung, amodale Segmentierung und überwachtes Tracking angegangen werden. Herkömmliche Vision-Pipelines für diese Aufgaben erfordern jedoch in der Regel eine umfassende Kennzeichnung. Beim objektzentrierten Lernen geht es darum, das Bindungsproblem von Pixeln an Objekte ohne zusätzliche Aufsicht anzugehen. Der Bindungsprozess liefert nicht nur Informationen über den Standort von Objekten, sondern führt auch zu robusten und anpassbaren Objektdarstellungen für nachgelagerte Aufgaben. Da sich die objektzentrierte Pipeline auf selbstüberwachte oder schwach überwachte Einstellungen konzentriert, können wir die Leistung verbessern, ohne die Kennzeichnungskosten für unsere Kunden wesentlich zu erhöhen.

Nachdem wir eine Reihe von Problemen gelöst und die vom Hoftierarzt und Ernährungsberater gegebenen Bewertungen kombiniert haben, haben wir einen umfassenden Lahmheitswert für Kühe erhalten, der uns dabei hilft, Kühe mit unterschiedlichem Grad der Lahmheit zu identifizieren, z. B. schwer, mittelschwer und leicht, und dies auch tun kann Identifizieren Sie mehrere Körperhaltungsmerkmale von Kühen und helfen Sie so bei der weiteren Analyse und Beurteilung.

Innerhalb weniger Wochen haben wir eine Komplettlösung zur Identifizierung lahmer Kühe entwickelt. Die Hardware-Kamera für diese Lösung kostete nur 300 RMB und das Amazon Sage Maker Die Batch-Inferenz dauerte bei Verwendung der g4dn.xlarge-Instanz etwa 50 Stunden für 2 Stunden Video, insgesamt also nur 300 RMB. Bei Produktionsbeginn betragen die monatlichen Erkennungskosten für eine mittelgroße Ranch mit mehreren tausend Kühen weniger als 10 RMB, wenn fünf Chargen Kühe pro Woche erkannt werden (unter der Annahme von etwa 10,000 Stunden), einschließlich der fortlaufend gespeicherten Videos und Daten.

Derzeit sieht unser Modellprozess für maschinelles Lernen wie folgt aus:

1. Rohvideo wird aufgezeichnet.
2. Kühe werden erkannt und identifiziert.
3. Jede Kuh wird verfolgt und wichtige Punkte werden erkannt.
4. Die Bewegung jeder Kuh wird analysiert.
5. Es wird ein Lahmheitswert ermittelt.

Modellbereitstellung

Wir haben die Lösung zur Identifizierung lahmer Kühe basierend auf maschinellem Lernen bereits beschrieben. Jetzt müssen wir diese Modelle auf SageMaker bereitstellen. Wie in der folgenden Abbildung dargestellt:

Geschäftsumsetzung

Natürlich ist das, was wir bisher besprochen haben, nur der Kern unserer technischen Lösung. Um die gesamte Lösung in den Geschäftsprozess zu integrieren, müssen wir uns außerdem mit den folgenden Problemen befassen:

• Datenrückmeldung: Beispielsweise müssen wir Tierärzten eine Schnittstelle zur Verfügung stellen, um lahme Kühe, die verarbeitet werden müssen, zu filtern und anzuzeigen und während dieses Prozesses Daten zu sammeln, die sie als Trainingsdaten verwenden können.
• Kuhidentifizierung: Nachdem ein Tierarzt eine lahme Kuh gesehen hat, muss er auch die Identität der Kuh kennen, beispielsweise ihre Nummer und ihren Stall.
• Kuhpositionierung: Finden Sie in einem Stall mit Hunderten von Kühen schnell die Zielkuh.
• Data-Mining: Finden Sie beispielsweise heraus, wie sich der Grad der Lahmheit auf die Nahrungsaufnahme, das Wiederkäuen, die Ruhe und die Milchproduktion auswirkt.
• Datengesteuert: Identifizieren Sie beispielsweise die genetischen, physiologischen und Verhaltensmerkmale lahmer Kühe, um eine optimale Zucht und Reproduktion zu erreichen.

Nur wenn diese Probleme angegangen werden, kann die Lösung das Geschäftsproblem wirklich lösen und die gesammelten Daten können einen langfristigen Wert generieren. Bei einigen dieser Probleme handelt es sich um Probleme der Systemintegration, bei anderen um Technologie- und Geschäftsintegrationsprobleme. Weitere Informationen zu diesen Themen werden wir in zukünftigen Artikeln veröffentlichen.

Zusammenfassung

In diesem Artikel haben wir kurz erklärt, wie das AWS Customer Solutions-Team basierend auf dem Geschäft des Kunden schnell Innovationen hervorbringt. Dieser Mechanismus weist mehrere Merkmale auf:

• Unternehmensgeführt: Priorisieren Sie das Verständnis der Branche und der Geschäftsprozesse des Kunden vor Ort und persönlich, bevor Sie über Technologie sprechen, und gehen Sie dann auf die Schwachstellen, Herausforderungen und Probleme des Kunden ein, um wichtige Probleme zu identifizieren, die mit Technologie gelöst werden können.
• Sofort verfügbar: Stellen Sie dem Kunden innerhalb von Wochen, nicht Monaten, einen einfachen, aber vollständigen und verwendbaren Prototyp zum Testen, Validieren und schnellen Iteration direkt zur Verfügung.
• Minimale Kosten: Minimieren oder eliminieren Sie die Kosten für den Kunden, bevor der Wert wirklich bestätigt ist, und vermeiden Sie Sorgen über die Zukunft. Dies stimmt mit der AWS überein Sparsamkeit Führungsprinzip.

In unserem gemeinsamen Innovationsprojekt mit der Milchindustrie haben wir nicht nur aus der Geschäftsperspektive begonnen, um mit Wirtschaftsexperten spezifische Geschäftsprobleme zu identifizieren, sondern auch Untersuchungen vor Ort auf dem Bauernhof und in der Fabrik mit dem Kunden durchgeführt. Wir haben die Kameraposition vor Ort festgelegt, die Kameras installiert und bereitgestellt und die Video-Streaming-Lösung bereitgestellt. Experten des AWS Generative AI Innovation Center analysierten die Anforderungen des Kunden und entwickelten einen Algorithmus, der dann von einem Lösungsarchitekten für den gesamten Algorithmus entwickelt wurde.

Mit jeder Schlussfolgerung konnten wir Tausende zerlegter und markierter Kuhlaufvideos erhalten, jedes mit der ursprünglichen Video-ID, Kuh-ID, Lahmheitsbewertung und verschiedenen detaillierten Bewertungen. Auch die komplette Berechnungslogik und die Rohgangdaten wurden für die spätere Algorithmusoptimierung beibehalten.

Lahmheitsdaten können nicht nur zur frühzeitigen Intervention durch Tierärzte verwendet werden, sondern auch mit Melkmaschinendaten für eine Kreuzanalyse kombiniert werden, was eine zusätzliche Validierungsdimension bietet und einige zusätzliche Geschäftsfragen beantwortet, wie zum Beispiel: Welche körperlichen Merkmale haben Kühe am höchsten? Milchleistung? Welchen Einfluss hat Lahmheit auf die Milchproduktion bei Kühen? Was ist die Hauptursache für lahmende Kühe und wie kann man dem vorbeugen? Diese Informationen werden neue Ideen für den landwirtschaftlichen Betrieb liefern.

Die Geschichte der Identifizierung lahmer Kühe endet hier, aber die Geschichte der landwirtschaftlichen Innovationen hat gerade erst begonnen. In den folgenden Artikeln werden wir weiterhin diskutieren, wie wir eng mit Kunden zusammenarbeiten, um andere Probleme zu lösen.

---

Über die Autoren

Hao Huang ist angewandter Wissenschaftler am AWS Generative AI Innovation Center. Er ist spezialisiert auf Computer Vision (CV) und Visual-Language Model (VLM). In jüngster Zeit hat er ein starkes Interesse an generativen KI-Technologien entwickelt und bereits mit Kunden zusammengearbeitet, um diese Spitzentechnologien in ihrem Unternehmen anzuwenden. Er ist außerdem Gutachter für KI-Konferenzen wie ICCV und AAAI.

Peiyang Er ist leitender Datenwissenschaftler am AWS Generative AI Innovation Center. Sie arbeitet mit Kunden aus den unterschiedlichsten Branchen zusammen, um deren dringendste und innovativste Geschäftsanforderungen mithilfe von GenAI/ML-Lösungen zu lösen. In ihrer Freizeit fährt sie gerne Ski und reist gerne.

Xuefeng Liu leitet ein Wissenschaftsteam im AWS Generative AI Innovation Center in den Regionen Asien-Pazifik und Großchina. Sein Team arbeitet mit AWS-Kunden an generativen KI-Projekten zusammen, mit dem Ziel, die Akzeptanz generativer KI bei den Kunden zu beschleunigen.

Tianjun Xiao ist leitender angewandter Wissenschaftler am AWS AI Shanghai Lablet und leitet die Computer-Vision-Bemühungen mit. Derzeit liegt sein Hauptschwerpunkt in den Bereichen multimodale Grundlagenmodelle und objektzentriertes Lernen. Er untersucht aktiv ihr Potenzial in verschiedenen Anwendungen, darunter Videoanalyse, 3D-Vision und autonomes Fahren.

Zhang Dai ist ein leitender AWS-Lösungsarchitekt für den China Geo Business Sector. Er hilft Unternehmen unterschiedlicher Größe, ihre Geschäftsziele zu erreichen, indem er Beratung zu Geschäftsprozessen, Benutzererfahrung und Cloud-Technologie anbietet. Er ist ein produktiver Blog-Autor und Autor von zwei Büchern: „The Modern Autodidact“ und „Designing Experience“.

Jianyu Zeng ist Senior Customer Solutions Manager bei AWS, dessen Aufgabe es ist, Kunden wie die New Hope Group bei ihrem Cloud-Umstieg zu unterstützen und sie bei der Realisierung von Geschäftswert durch cloudbasierte Technologielösungen zu unterstützen. Mit einem starken Interesse an künstlicher Intelligenz sucht er ständig nach Möglichkeiten, KI zu nutzen, um innovative Veränderungen in den Unternehmen unserer Kunden voranzutreiben.

Carol Tong Min ist Senior Business Development Manager und verantwortlich für Großkunden bei GCR GEO West, darunter zwei wichtige Unternehmenskunden: Jiannanchun Group und New Hope Group. Sie ist kundenorientiert und engagiert sich stets dafür, die Cloud-Reise ihrer Kunden zu unterstützen und zu beschleunigen.

Nick Jiang ist leitender Vertriebsspezialist beim AIML SSO-Team in China. Sein Schwerpunkt liegt auf der Übertragung innovativer AIML-Lösungen und der Unterstützung der Kunden beim Aufbau der KI-bezogenen Workloads innerhalb von AWS.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/