Παρακολουθήστε τα βοοειδή σας χρησιμοποιώντας τεχνολογία AI | Υπηρεσίες Ιστού της Amazon

At Amazon Web Services (AWS), όχι μόνο είμαστε παθιασμένοι με την παροχή στους πελάτες μιας ποικιλίας ολοκληρωμένων τεχνικών λύσεων, αλλά επιθυμούμε επίσης να κατανοήσουμε σε βάθος τις επιχειρηματικές διαδικασίες των πελατών μας. Υιοθετούμε μια προοπτική τρίτων και αντικειμενική κρίση για να βοηθήσουμε τους πελάτες να λύσουν τις προτάσεις αξίας τους, να συλλέξουν πόντους πόνου, να προτείνουν κατάλληλες λύσεις και να δημιουργήσουν τα πιο οικονομικά και χρησιμοποιήσιμα πρωτότυπα για να τους βοηθήσουμε να επιτύχουν συστηματικά τους επιχειρηματικούς τους στόχους.

Αυτή η μέθοδος ονομάζεται δουλεύοντας ανάποδα στο AWS. Σημαίνει να αφήνουμε στην άκρη την τεχνολογία και τις λύσεις, ξεκινώντας από τα αναμενόμενα αποτελέσματα των πελατών, επιβεβαιώνοντας την αξία τους και στη συνέχεια συμπεραίνουμε τι πρέπει να γίνει με αντίστροφη σειρά προτού τελικά εφαρμοστεί μια λύση. Κατά τη φάση υλοποίησης, ακολουθούμε επίσης την έννοια του ελάχιστο βιώσιμο προϊόν και προσπαθήστε να δημιουργήσετε γρήγορα ένα πρωτότυπο που μπορεί να δημιουργήσει αξία μέσα σε λίγες εβδομάδες, και στη συνέχεια να το επαναλάβετε.

Σήμερα, ας εξετάσουμε μια μελέτη περίπτωσης όπου η AWS και η New Hope Dairy συνεργάστηκαν για την κατασκευή μιας έξυπνης φάρμας στο cloud. Από αυτήν την ανάρτηση ιστολογίου, μπορείτε να κατανοήσετε σε βάθος τι μπορεί να προσφέρει το AWS για την κατασκευή μιας έξυπνης φάρμας και πώς να δημιουργήσετε έξυπνες εφαρμογές αγροκτημάτων στο cloud με ειδικούς της AWS.

Ιστορικό έργου

Το γάλα είναι ένα θρεπτικό ρόφημα. Λαμβάνοντας υπόψη την εθνική υγεία, η Κίνα προωθεί ενεργά την ανάπτυξη της γαλακτοκομικής βιομηχανίας. Σύμφωνα με στοιχεία της Euromonitor International, οι πωλήσεις γαλακτοκομικών προϊόντων στην Κίνα έφθασαν τα 638.5 δισεκατομμύρια RMB το 2020 και αναμένεται να φτάσουν τα 810 δισεκατομμύρια RMB το 2025. Επιπλέον, ο σύνθετος ετήσιος ρυθμός ανάπτυξης τα τελευταία 14 χρόνια έφτασε επίσης το 10 τοις εκατό, παρουσιάζουν ραγδαία ανάπτυξη.

Από την άλλη πλευρά, από το 2022, το μεγαλύτερο μέρος των εσόδων στην κινεζική γαλακτοκομική βιομηχανία εξακολουθεί να προέρχεται από το υγρό γάλα. Το εξήντα τοις εκατό του νωπού γάλακτος χρησιμοποιείται για υγρό γάλα και γιαούρτι, και ένα άλλο 20 τοις εκατό είναι γάλα σε σκόνη - ένα παράγωγο υγρού γάλακτος. Μόνο μια πολύ μικρή ποσότητα χρησιμοποιείται για προϊόντα υψηλής επεξεργασίας όπως το τυρί και η κρέμα.

Το υγρό γάλα είναι ένα ελαφρώς επεξεργασμένο προϊόν και η παραγωγή, η ποιότητα και το κόστος του συνδέονται στενά με το νωπό γάλα. Αυτό σημαίνει ότι εάν η γαλακτοκομική βιομηχανία θέλει να απελευθερώσει την ικανότητα να επικεντρωθεί στην παραγωγή προϊόντων υψηλής επεξεργασίας, στη δημιουργία νέων προϊόντων και στη διεξαγωγή πιο καινοτόμων ερευνών βιοτεχνολογίας, πρέπει πρώτα να βελτιώσει και να σταθεροποιήσει την παραγωγή και την ποιότητα του νωπού γάλακτος.

Ως ηγέτης της γαλακτοκομικής βιομηχανίας, η New Hope Dairy σκέφτεται πώς να βελτιώσει την αποτελεσματικότητα των εργασιών του ράντσο και να αυξήσει την παραγωγή και την ποιότητα του νωπού γάλακτος. Η New Hope Dairy ελπίζει να χρησιμοποιήσει την προοπτική τρίτων και την τεχνολογική τεχνογνωσία της AWS για να διευκολύνει την καινοτομία στη βιομηχανία γαλακτοκομικών προϊόντων. Με την υποστήριξη και την προώθηση από τον Liutong Hu, Αντιπρόεδρο και CIO της New Hope Dairy, η ομάδα πελατών της AWS άρχισε να οργανώνει λειτουργίες και πιθανά σημεία καινοτομίας για τα γαλακτοκομικά αγροκτήματα.

Προκλήσεις γαλακτοκομικών εκμεταλλεύσεων

Η AWS είναι ειδικός στον τομέα της τεχνολογίας cloud, αλλά για την εφαρμογή της καινοτομίας στη βιομηχανία γαλακτοκομικών προϊόντων, είναι απαραίτητες επαγγελματικές συμβουλές από ειδικούς σε θέματα γαλακτοκομικών προϊόντων. Ως εκ τούτου, πραγματοποιήσαμε πολλές σε βάθος συνεντεύξεις με τον Liangrong Song, τον Αναπληρωτή Διευθυντή του Κέντρου Τεχνολογίας Παραγωγής της New Hope Dairy, την ομάδα διαχείρισης του ράντσο και διατροφολόγους για να κατανοήσουμε ορισμένα από τα ζητήματα και τις προκλήσεις που αντιμετωπίζει η φάρμα.

Το πρώτο είναι η απογραφή των εφεδρικών αγελάδων

Οι αγελάδες γαλακτοπαραγωγής στο ράντσο χωρίζονται σε δύο τύπους: αγελάδες γαλακτοπαραγωγής και εφεδρικές αγελάδες. Οι αγελάδες γαλακτοπαραγωγής είναι ώριμες και παράγουν συνεχώς γάλα, ενώ οι εφεδρικές αγελάδες είναι οι αγελάδες που δεν έχουν ακόμη συμπληρώσει την ηλικία για να παράγουν γάλα. Οι μεγάλες και μεσαίου μεγέθους φάρμες συνήθως παρέχουν στις εφεδρικές αγελάδες μια μεγαλύτερη ανοιχτή περιοχή δραστηριότητας για να δημιουργήσουν ένα πιο άνετο περιβάλλον καλλιέργειας.

Ωστόσο, τόσο οι αγελάδες γαλακτοπαραγωγής όσο και οι εφεδρικές αγελάδες αποτελούν περιουσιακά στοιχεία της φάρμας και πρέπει να απογράφονται σε μηνιαία βάση. Οι αγελάδες γαλακτοπαραγωγής αρμέγονται κάθε μέρα και επειδή είναι σχετικά ακίνητες κατά το άρμεγμα, η παρακολούθηση του αποθέματος είναι εύκολη. Ωστόσο, οι εφεδρικές αγελάδες βρίσκονται σε ανοιχτό χώρο και περιφέρονται ελεύθερα, γεγονός που καθιστά άβολη την απογραφή τους. Κάθε φορά που γίνεται η απογραφή, αρκετοί εργάτες μετρούν επανειλημμένα τις εφεδρικές αγελάδες από διαφορετικές περιοχές και, τέλος, ελέγχονται οι αριθμοί. Αυτή η διαδικασία διαρκεί μία έως δύο ημέρες για αρκετούς εργάτες και συχνά υπάρχουν προβλήματα με την ευθυγράμμιση των μετρήσεων ή αβεβαιότητες σχετικά με το αν έχει καταμετρηθεί κάθε αγελάδα.

Μπορεί να εξοικονομηθεί σημαντικός χρόνος εάν έχουμε έναν τρόπο να κάνουμε απογραφή αγελάδων γρήγορα και με ακρίβεια.

Το δεύτερο είναι ο εντοπισμός των κουτσών βοοειδών

Επί του παρόντος, οι περισσότερες γαλακτοκομικές εταιρείες χρησιμοποιούν μια φυλή που ονομάζεται Holstein για την παραγωγή γάλακτος. Οι Χολστάιν είναι οι ασπρόμαυρες αγελάδες που οι περισσότεροι από εμάς γνωρίζουμε. Παρά τις περισσότερες γαλακτοκομικές εταιρείες που χρησιμοποιούν την ίδια φυλή, εξακολουθούν να υπάρχουν διαφορές στην ποσότητα και την ποιότητα της παραγωγής γάλακτος μεταξύ διαφορετικών εταιρειών και ράντσο. Αυτό συμβαίνει επειδή η υγεία των αγελάδων γαλακτοπαραγωγής επηρεάζει άμεσα την παραγωγή γάλακτος.

Ωστόσο, οι αγελάδες δεν μπορούν να εκφράσουν τη δυσφορία μόνες τους όπως οι άνθρωποι, και δεν είναι πρακτικό για τους κτηνίατρους να κάνουν τακτικά σωματικές εξετάσεις σε χιλιάδες αγελάδες. Επομένως, πρέπει να χρησιμοποιήσουμε εξωτερικούς δείκτες για να κρίνουμε γρήγορα την κατάσταση της υγείας των αγελάδων.

Οι εξωτερικοί δείκτες της υγείας μιας αγελάδας περιλαμβάνουν βαθμολογία κατάστασης σώματος και βαθμός χωλότητας. Η βαθμολογία της κατάστασης του σώματος σχετίζεται σε μεγάλο βαθμό με το ποσοστό σωματικού λίπους της αγελάδας και είναι ένας μακροπρόθεσμος δείκτης, ενώ η χωλότητα είναι ένας βραχυπρόθεσμος δείκτης που προκαλείται από προβλήματα στα πόδια ή μολύνσεις στα πόδια και άλλα θέματα που επηρεάζουν τη διάθεση, την υγεία και την παραγωγή γάλακτος της αγελάδας. Επιπλέον, οι ενήλικες αγελάδες Holstein μπορεί να ζυγίζουν πάνω από 500 κιλά, γεγονός που μπορεί να προκαλέσει σημαντική βλάβη στα πόδια τους εάν δεν είναι σταθερά. Επομένως, όταν εμφανίζεται χωλότητα, οι κτηνίατροι θα πρέπει να επέμβουν το συντομότερο δυνατό.

Σύμφωνα με μια μελέτη του 2014, το ποσοστό των σοβαρά κουτσών αγελάδων στην Κίνα μπορεί να φτάσει το 31%. Αν και η κατάσταση μπορεί να έχει βελτιωθεί μετά τη μελέτη, ο αριθμός των κτηνιάτρων στις φάρμες είναι εξαιρετικά περιορισμένος, γεγονός που καθιστά δύσκολη την τακτική παρακολούθηση των αγελάδων. Όταν ανιχνεύεται χωλότητα, η κατάσταση είναι συχνά σοβαρή και η θεραπεία είναι χρονοβόρα και δύσκολη και η παραγωγή γάλακτος έχει ήδη επηρεαστεί.

Εάν έχουμε έναν τρόπο να ανιχνεύσουμε έγκαιρα τη χωλότητα στις αγελάδες και να παροτρύνουμε τους κτηνιάτρους να παρέμβουν στο στάδιο της ήπιας χωλότητας, η συνολική υγεία και η παραγωγή γάλακτος των αγελάδων θα αυξηθεί και η απόδοση της φάρμας θα βελτιωθεί.

Τέλος, υπάρχει βελτιστοποίηση κόστους τροφοδοσίας

Στον κλάδο της κτηνοτροφίας, οι ζωοτροφές είναι το μεγαλύτερο μεταβλητό κόστος. Για να διασφαλιστεί η ποιότητα και το απόθεμα των ζωοτροφών, οι εκμεταλλεύσεις χρειάζεται συχνά να αγοράζουν συστατικά ζωοτροφών από εγχώριους και υπερπόντιους προμηθευτές και να τα παραδίδουν σε εργοστάσια σκευασμάτων ζωοτροφών για επεξεργασία. Υπάρχουν πολλοί τύποι σύγχρονων συστατικών ζωοτροφών, όπως αλεύρι σόγιας, καλαμπόκι, μηδική, χόρτο βρώμης και ούτω καθεξής, πράγμα που σημαίνει ότι υπάρχουν πολλές μεταβλητές στο παιχνίδι. Κάθε τύπος συστατικού ζωοτροφής έχει τον δικό του κύκλο τιμών και τις δικές του διακυμάνσεις τιμών. Κατά τη διάρκεια σημαντικών διακυμάνσεων, το συνολικό κόστος των ζωοτροφών μπορεί να κυμαίνεται περισσότερο από 15 τοις εκατό, προκαλώντας σημαντικό αντίκτυπο.

Το κόστος των ζωοτροφών ποικίλλει, αλλά οι τιμές των γαλακτοκομικών προϊόντων είναι σχετικά σταθερές μακροπρόθεσμα. Κατά συνέπεια, υπό κατά τα άλλα αμετάβλητες συνθήκες, το συνολικό κέρδος μπορεί να παρουσιάζει σημαντικές διακυμάνσεις, καθαρά λόγω των αλλαγών στο κόστος των ζωοτροφών.

Για να αποφευχθεί αυτή η διακύμανση, είναι απαραίτητο να εξετάσετε το ενδεχόμενο αποθήκευσης περισσότερων συστατικών όταν οι τιμές είναι χαμηλές. Αλλά η αποθήκευση πρέπει επίσης να εξετάσει εάν η τιμή είναι πραγματικά χαμηλή και ποια ποσότητα ζωοτροφών πρέπει να αγοραστεί σύμφωνα με το τρέχον ποσοστό κατανάλωσης.

Εάν έχουμε έναν τρόπο να προβλέψουμε με ακρίβεια την κατανάλωση ζωοτροφών και να τη συνδυάσουμε με τη συνολική τάση των τιμών για να προτείνουμε τον καλύτερο χρόνο και ποσότητα ζωοτροφής για αγορά, μπορούμε να μειώσουμε το κόστος και να αυξήσουμε την αποδοτικότητα στο αγρόκτημα.

Είναι προφανές ότι αυτά τα ζητήματα σχετίζονται άμεσα με τον στόχο βελτίωσης του πελάτη αποτελεσματικότητα της εκμετάλλευσης, και οι μέθοδοι είναι αντίστοιχα απελευθερώνοντας εργασία, αύξηση της παραγωγής και μείωση του κόστους. Μέσα από συζητήσεις για τη δυσκολία και την αξία της επίλυσης κάθε θέματος, επιλέξαμε αύξηση της παραγωγής ως αφετηρία και έδωσε προτεραιότητα στην επίλυση του προβλήματος των κουτσών αγελάδων.

Έρευνα

Πριν συζητηθεί η τεχνολογία, έπρεπε να διεξαχθεί έρευνα. Η έρευνα διεξήχθη από κοινού από την ομάδα πελατών της AWS, η AWS Generative AI Innovation Center, που διαχειριζόταν τα μοντέλα αλγορίθμων μηχανικής μάθησης και AWS AI Shanghai Laablet, το οποίο παρέχει συμβουλές αλγορίθμων σχετικά με την πιο πρόσφατη έρευνα για την όραση υπολογιστή και την ομάδα ειδικών στη γεωργία από τη New Hope Dairy. Η έρευνα χωρίστηκε σε διάφορα μέρη:

• Κατανόηση της παραδοσιακής μεθόδου αναγνώρισης κουτσών αγελάδων με βάση το χαρτί και ανάπτυξη μιας βασικής κατανόησης του τι είναι οι κουτσές αγελάδες.
• Επιβεβαίωση υφιστάμενων λύσεων, συμπεριλαμβανομένων εκείνων που χρησιμοποιούνται σε αγροκτήματα και στη βιομηχανία.
• Διεξαγωγή έρευνας περιβάλλοντος αγροκτήματος για την κατανόηση της φυσικής κατάστασης και των περιορισμών.

Μέσω της μελέτης υλικών και της παρατήρησης βίντεο επί τόπου, οι ομάδες απέκτησαν μια βασική κατανόηση των κουτσών αγελάδων. Οι αναγνώστες μπορούν επίσης να πάρουν μια βασική ιδέα για τη στάση των κουτσών αγελάδων μέσα από την παρακάτω κινούμενη εικόνα.

Σε αντίθεση με μια σχετικά υγιή αγελάδα.

Οι κουτσές αγελάδες έχουν ορατές διαφορές στη στάση και στο βάδισμα σε σύγκριση με τις υγιείς αγελάδες.

Όσον αφορά τις υπάρχουσες λύσεις, τα περισσότερα ράντζα βασίζονται σε οπτική επιθεώρηση από κτηνιάτρους και διατροφολόγους για την αναγνώριση κουτσών αγελάδων. Στη βιομηχανία, υπάρχουν λύσεις που χρησιμοποιούν φορητά βηματόμετρα και επιταχυνσιόμετρα για αναγνώριση, καθώς και λύσεις που χρησιμοποιούν χωριστές γέφυρες ζύγισης για αναγνώριση, αλλά και τα δύο είναι σχετικά ακριβά. Για την εξαιρετικά ανταγωνιστική βιομηχανία γαλακτοκομικών προϊόντων, πρέπει να ελαχιστοποιήσουμε το κόστος αναγνώρισης και το κόστος και την εξάρτηση από μη γενικό υλικό.

Αφού συζήτησαν και ανέλυσαν τις πληροφορίες με κτηνιάτρους και διατροφολόγους, οι εμπειρογνώμονες του AWS Generative AI Innovation Center αποφάσισαν να χρησιμοποιήσουν την όραση υπολογιστή (CV) για αναγνώριση, βασιζόμενοι μόνο σε συνηθισμένο υλικό: κάμερες παρακολούθησης πολιτών, οι οποίες δεν προσθέτουν επιπλέον βάρος στο αγελάδες και να μειώσει το κόστος και τους φραγμούς χρήσης.

Αφού αποφασίσαμε για αυτήν την κατεύθυνση, επισκεφτήκαμε μια φάρμα μεσαίου μεγέθους με χιλιάδες αγελάδες στο χώρο, ερευνήσαμε το περιβάλλον του ράντσο και προσδιορίσαμε τη θέση και τη γωνία τοποθέτησης της κάμερας.

Αρχική πρόταση

Τώρα, για τη λύση. Ο πυρήνας της λύσης που βασίζεται στο βιογραφικό μας αποτελείται από τα ακόλουθα βήματα:

• Αναγνώριση αγελάδας: Προσδιορίστε πολλές αγελάδες σε ένα μόνο καρέ βίντεο και σημειώστε τη θέση κάθε αγελάδας.
• Παρακολούθηση αγελάδων: Κατά την εγγραφή βίντεο, πρέπει να παρακολουθούμε συνεχώς τις αγελάδες καθώς αλλάζουν τα καρέ και να εκχωρούμε έναν μοναδικό αριθμό σε κάθε αγελάδα.
• Σήμανση στάσης σώματος: Μειώστε τη διάσταση των κινήσεων των αγελάδων μετατρέποντας τις εικόνες της αγελάδας σε σημειωμένα σημεία.
• Αναγνώριση ανωμαλίας: Προσδιορίστε ανωμαλίες στη δυναμική των σημειωμένων σημείων.
• Αλγόριθμος κουτσών αγελάδων: Κανονικοποιήστε τις ανωμαλίες για να λάβετε μια βαθμολογία για τον προσδιορισμό του βαθμού χωλότητας των αγελάδων.
• Προσδιορισμός ορίου: Αποκτήστε ένα όριο με βάση τις εισροές των ειδικών.

Σύμφωνα με την κρίση των ειδικών του AWS Generative AI Innovation Center, τα πρώτα βήματα είναι γενικές απαιτήσεις που μπορούν να επιλυθούν χρησιμοποιώντας μοντέλα ανοιχτού κώδικα, ενώ τα τελευταία βήματα απαιτούν τη χρήση μαθηματικών μεθόδων και την παρέμβαση ειδικών.

Δυσκολίες στη λύση

Για να εξισορροπήσουμε το κόστος και την απόδοση, επιλέξαμε το μοντέλο yolov5l, ένα προεκπαιδευμένο μοντέλο μεσαίου μεγέθους για την αναγνώριση αγελάδων, με πλάτος εισόδου 640 pixel, το οποίο παρέχει καλή αξία για αυτήν τη σκηνή.

Ενώ το YOLOv5 είναι υπεύθυνο για την αναγνώριση και την επισήμανση αγελάδων σε μία εικόνα, στην πραγματικότητα, τα βίντεο αποτελούνται από πολλαπλές εικόνες (πλαίσια) που αλλάζουν συνεχώς. Το YOLOv5 δεν μπορεί να αναγνωρίσει ότι οι αγελάδες σε διαφορετικά πλαίσια ανήκουν στο ίδιο άτομο. Για την παρακολούθηση και τον εντοπισμό μιας αγελάδας σε πολλές εικόνες, απαιτείται ένα άλλο μοντέλο που ονομάζεται SORT.

SORT σημαίνει απλή διαδικτυακή και παρακολούθηση σε πραγματικό χρόνο, Όπου διαδικτυακά (online) σημαίνει ότι θεωρεί μόνο το τρέχον και το προηγούμενο πλαίσιο για παρακολούθηση χωρίς να λαμβάνει υπόψη κανένα άλλο πλαίσιο, και πραγματικός χρόνος σημαίνει ότι μπορεί να αναγνωρίσει την ταυτότητα του αντικειμένου αμέσως.

Μετά την ανάπτυξη του SORT, πολλοί μηχανικοί το υλοποίησαν και το βελτιστοποίησαν, οδηγώντας στην ανάπτυξη του OC-SORT, που λαμβάνει υπόψη την εμφάνιση του αντικειμένου, του DeepSORT (και της αναβαθμισμένης του έκδοσης, StrongSORT), που περιλαμβάνει την ανθρώπινη εμφάνιση και του ByteTrack, που χρησιμοποιεί ένας σύνδεσμος συσχέτισης δύο σταδίων για την εξέταση της αναγνώρισης χαμηλής εμπιστοσύνης. Μετά από δοκιμή, διαπιστώσαμε ότι για τη σκηνή μας, ο αλγόριθμος παρακολούθησης εμφάνισης του DeepSORT είναι πιο κατάλληλος για ανθρώπους παρά για αγελάδες και η ακρίβεια παρακολούθησης του ByteTrack είναι ελαφρώς πιο αδύναμη. Ως αποτέλεσμα, επιλέξαμε τελικά το OC-SORT ως αλγόριθμο παρακολούθησης.

Στη συνέχεια, χρησιμοποιούμε το DeepLabCut (DLC για συντομία) για να επισημάνουμε τα σκελετικά σημεία των αγελάδων. Το DLC είναι ένα μοντέλο χωρίς δείκτες, που σημαίνει ότι αν και διαφορετικά σημεία, όπως το κεφάλι και τα άκρα, μπορεί να έχουν διαφορετική σημασία, όλα είναι απλά σημεία για DLC, το οποίο απαιτεί μόνο να επισημάνουμε τα σημεία και να εκπαιδεύσουμε το μοντέλο.

Αυτό οδηγεί σε ένα νέο ερώτημα: πόσους πόντους πρέπει να σημειώσουμε σε κάθε αγελάδα και πού πρέπει να τους σημειώσουμε; Η απάντηση σε αυτή την ερώτηση επηρεάζει τον φόρτο εργασίας της σήμανσης, της εκπαίδευσης και της επακόλουθης αποτελεσματικότητας συμπερασμάτων. Για να λύσουμε αυτό το πρόβλημα, πρέπει πρώτα να καταλάβουμε πώς να αναγνωρίζουμε κουτσές αγελάδες.

Με βάση την έρευνά μας και τις εισηγήσεις των ειδικών πελατών μας, οι κουτσές αγελάδες σε βίντεο παρουσιάζουν τα ακόλουθα χαρακτηριστικά:

• Μια τοξωτή πλάτη: Ο λαιμός και η πλάτη είναι κυρτά, σχηματίζοντας ένα τρίγωνο με τη ρίζα του οστού του λαιμού (τοξωτή-πλάτη).
• Συχνό νεύμα: Κάθε βήμα μπορεί να κάνει την αγελάδα να χάσει την ισορροπία ή να γλιστρήσει, με αποτέλεσμα συχνή νεύση (κούνημα κεφαλιού).
• Ασταθής βάδιση: Το βάδισμα της αγελάδας αλλάζει μετά από μερικά βήματα, με μικρές παύσεις (αλλαγή σχεδίου βάδισης).

Όσον αφορά την καμπυλότητα του λαιμού και της πλάτης, καθώς και το νεύμα, οι ειδικοί από το AWS Generative AI Innovation Center έχουν καθορίσει ότι η επισήμανση μόνο επτά πίσω σημείων (ένα στο κεφάλι, ένα στη βάση του λαιμού και πέντε στην πλάτη) στα βοοειδή μπορεί να έχει ως αποτέλεσμα καλή αναγνώριση. Εφόσον τώρα έχουμε ένα πλαίσιο αναγνώρισης, θα πρέπει επίσης να μπορούμε να αναγνωρίζουμε ασταθή μοτίβα βάδισης.

Στη συνέχεια, χρησιμοποιούμε μαθηματικές εκφράσεις για να αναπαραστήσουμε τα αποτελέσματα αναγνώρισης και να σχηματίσουμε αλγόριθμους.

Η αναγνώριση αυτών των προβλημάτων από τον άνθρωπο δεν είναι δύσκολη, αλλά απαιτούνται ακριβείς αλγόριθμοι για την αναγνώριση από υπολογιστή. Για παράδειγμα, πώς γνωρίζει ένα πρόγραμμα τον βαθμό καμπυλότητας της ράχης μιας αγελάδας με δεδομένο ένα σύνολο σημείων συντεταγμένων ράχης αγελάδας; Πώς ξέρει αν μια αγελάδα κουνάει το κεφάλι;

Όσον αφορά την καμπυλότητα της πλάτης, εξετάζουμε πρώτα την αντιμετώπιση της πλάτης της αγελάδας ως γωνία και μετά βρίσκουμε την κορυφή αυτής της γωνίας, η οποία μας επιτρέπει να υπολογίσουμε τη γωνία. Το πρόβλημα με αυτή τη μέθοδο είναι ότι η σπονδυλική στήλη μπορεί να έχει αμφίδρομη καμπυλότητα, καθιστώντας δύσκολη την αναγνώριση της κορυφής της γωνίας. Αυτό απαιτεί μετάβαση σε άλλους αλγόριθμους για την επίλυση του προβλήματος.

Όσον αφορά το νεύμα, σκεφτήκαμε αρχικά να χρησιμοποιήσουμε την απόσταση Fréchet για να προσδιορίσουμε εάν η αγελάδα κουνάει το κεφάλι συγκρίνοντας τη διαφορά στην καμπύλη της συνολικής στάσης της αγελάδας. Ωστόσο, το πρόβλημα είναι ότι τα σκελετικά σημεία της αγελάδας μπορεί να μετατοπιστούν, προκαλώντας σημαντική απόσταση μεταξύ παρόμοιων καμπυλών. Για να λύσουμε αυτό το πρόβλημα, πρέπει να βγάλουμε τη θέση της κεφαλής σε σχέση με το πλαίσιο αναγνώρισης και να την κανονικοποιήσουμε.

Μετά την ομαλοποίηση της θέσης του κεφαλιού, αντιμετωπίσαμε νέο πρόβλημα. Στην εικόνα που ακολουθεί, το γράφημα στα αριστερά δείχνει την αλλαγή στη θέση του κεφαλιού της αγελάδας. Μπορούμε να δούμε ότι λόγω προβλημάτων ακρίβειας αναγνώρισης, η θέση του σημείου κεφαλής θα κουνιέται συνεχώς ελαφρά. Πρέπει να αφαιρέσουμε αυτές τις μικρές κινήσεις και να βρούμε τη σχετικά μεγάλη τάση κίνησης του κεφαλιού. Εδώ χρειάζεται κάποια γνώση της επεξεργασίας σήματος. Χρησιμοποιώντας ένα φίλτρο Savitzky-Golay, μπορούμε να εξομαλύνουμε ένα σήμα και να λάβουμε τη συνολική του τάση, καθιστώντας μας ευκολότερο να αναγνωρίσουμε το νεύμα, όπως φαίνεται από την πορτοκαλί καμπύλη στο γράφημα στα δεξιά.

Επιπλέον, μετά από δεκάδες ώρες αναγνώρισης βίντεο, διαπιστώσαμε ότι ορισμένες αγελάδες με εξαιρετικά υψηλή καμπυλότητα πλάτης στην πραγματικότητα δεν είχαν καμπυλωμένη πλάτη. Περαιτέρω έρευνα αποκάλυψε ότι αυτό συνέβη επειδή οι περισσότερες από τις αγελάδες που χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου DLC ήταν ως επί το πλείστον ασπρόμαυρες ή ασπρόμαυρες και δεν υπήρχαν πολλές αγελάδες που ήταν κυρίως λευκές ή σχεδόν καθαρές, με αποτέλεσμα το μοντέλο να τις αναγνώριζε εσφαλμένα όταν είχαν μεγάλες λευκές περιοχές στο σώμα τους, όπως φαίνεται από το κόκκινο βέλος στο παρακάτω σχήμα. Αυτό μπορεί να διορθωθεί μέσω περαιτέρω εκπαίδευσης μοντέλου.

Εκτός από την επίλυση των προηγούμενων προβλημάτων, υπήρχαν και άλλα γενικά προβλήματα που έπρεπε να επιλυθούν:

• Υπάρχουν δύο μονοπάτια στο πλαίσιο του βίντεο και οι αγελάδες σε απόσταση μπορεί επίσης να αναγνωριστούν, προκαλώντας προβλήματα.
• Τα μονοπάτια στο βίντεο έχουν επίσης μια ορισμένη καμπυλότητα και το μήκος του σώματος της αγελάδας γίνεται μικρότερο όταν η αγελάδα βρίσκεται στα πλάγια του μονοπατιού, καθιστώντας τη στάση εύκολο να αναγνωριστεί εσφαλμένα.
• Λόγω της επικάλυψης πολλών αγελάδων ή της απόφραξης από τον φράκτη, η ίδια αγελάδα μπορεί να αναγνωριστεί ως δύο αγελάδες.
• Λόγω των παραμέτρων παρακολούθησης και της περιστασιακής παράβλεψης καρέ της κάμερας, είναι αδύνατο να εντοπιστούν σωστά οι αγελάδες, με αποτέλεσμα προβλήματα σύγχυσης της ταυτότητας.

Βραχυπρόθεσμα, με βάση την ευθυγράμμιση με τη New Hope Dairy για την παράδοση ενός ελάχιστου βιώσιμου προϊόντος και μετά την επανάληψη αυτού, αυτά τα προβλήματα μπορούν συνήθως να λυθούν με αλγόριθμους κρίσης ακραίων φαινομένων σε συνδυασμό με φιλτράρισμα εμπιστοσύνης και εάν δεν μπορούν να επιλυθούν, θα γίνουν μη έγκυρα δεδομένα, τα οποία απαιτούν από εμάς να εκτελούμε πρόσθετη εκπαίδευση και να επαναλαμβάνουμε συνεχώς τους αλγόριθμους και τα μοντέλα μας.

Μακροπρόθεσμα, AWS AI Shanghai Laablet παρείχαν μελλοντικές προτάσεις πειραμάτων για την επίλυση των προηγούμενων προβλημάτων με βάση την αντικειμενοκεντρική έρευνά τους: Γεφύρωση του χάσματος στην αντικειμενοκεντρική μάθηση στον πραγματικό κόσμο και Αυτοεποπτευόμενη τμηματοποίηση αντικειμένων βίντεο Amodal. Εκτός από την ακύρωση αυτών των ακραίων δεδομένων, τα ζητήματα μπορούν επίσης να αντιμετωπιστούν με την ανάπτυξη πιο ακριβών μοντέλων σε επίπεδο αντικειμένου για εκτίμηση πόζας, τμηματοποίηση κατά τρόπο και εποπτευόμενη παρακολούθηση. Ωστόσο, οι παραδοσιακοί αγωγοί όρασης για αυτές τις εργασίες απαιτούν συνήθως εκτενή σήμανση. Η αντικειμενοκεντρική μάθηση εστιάζει στην αντιμετώπιση του προβλήματος δέσμευσης των pixel σε αντικείμενα χωρίς πρόσθετη επίβλεψη. Η διαδικασία δέσμευσης όχι μόνο παρέχει πληροφορίες για τη θέση των αντικειμένων, αλλά οδηγεί επίσης σε ισχυρές και προσαρμόσιμες αναπαραστάσεις αντικειμένων για εργασίες κατάντη. Επειδή η αντικειμενοκεντρική διοχέτευση εστιάζει σε ρυθμίσεις αυτοεποπτευόμενες ή ασθενώς εποπτευόμενες, μπορούμε να βελτιώσουμε την απόδοση χωρίς να αυξήσουμε σημαντικά το κόστος επισήμανσης για τους πελάτες μας.

Αφού λύσαμε μια σειρά προβλημάτων και συνδυάσαμε τις βαθμολογίες που έδωσε ο κτηνίατρος και ο διατροφολόγος της φάρμας, αποκτήσαμε μια ολοκληρωμένη βαθμολογία χωλότητας για τις αγελάδες, η οποία μας βοηθά να αναγνωρίσουμε αγελάδες με διαφορετικούς βαθμούς χωλότητας, όπως σοβαρή, μέτρια και ήπια, και μπορεί επίσης να να αναγνωρίσουν πολλαπλά χαρακτηριστικά της στάσης του σώματος των αγελάδων, βοηθώντας στην περαιτέρω ανάλυση και κρίση.

Μέσα σε εβδομάδες, αναπτύξαμε μια ολοκληρωμένη λύση για την αναγνώριση κουτσών αγελάδων. Η κάμερα υλικού για αυτή τη λύση κοστίζει μόνο 300 RMB και το Amazon Sage Maker Το συμπέρασμα παρτίδας, κατά τη χρήση της παρουσίας g4dn.xlarge, χρειάστηκε περίπου 50 ώρες για 2 ώρες βίντεο, συνολικά μόνο 300 RMB. Όταν εισέλθει στην παραγωγή, αν εντοπιστούν πέντε παρτίδες αγελάδων την εβδομάδα (υποθέτοντας περίπου 10 ώρες) και συμπεριλαμβανομένων των κυλιόμενων αποθηκευμένων βίντεο και δεδομένων, το μηνιαίο κόστος ανίχνευσης για ένα ράντσο μεσαίου μεγέθους με πολλές χιλιάδες αγελάδες είναι μικρότερο από 10,000 RMB.

Επί του παρόντος, η διαδικασία του μοντέλου μηχανικής εκμάθησης έχει ως εξής:

1. Εγγράφεται ακατέργαστο βίντεο.
2. Οι αγελάδες εντοπίζονται και αναγνωρίζονται.
3. Κάθε αγελάδα παρακολουθείται και εντοπίζονται βασικά σημεία.
4. Αναλύεται η κίνηση κάθε αγελάδας.
5. Καθορίζεται βαθμολογία χωλότητας.

Ανάπτυξη μοντέλου

Έχουμε περιγράψει τη λύση για τον εντοπισμό κουτσών αγελάδων με βάση τη μηχανική μάθηση στο παρελθόν. Τώρα, πρέπει να αναπτύξουμε αυτά τα μοντέλα στο SageMaker. Όπως φαίνεται στο παρακάτω σχήμα:

Επιχειρησιακή υλοποίηση

Φυσικά, αυτό που συζητήσαμε μέχρι τώρα είναι απλώς ο πυρήνας της τεχνικής μας λύσης. Για να ενσωματώσουμε ολόκληρη τη λύση στην επιχειρηματική διαδικασία, πρέπει επίσης να αντιμετωπίσουμε τα ακόλουθα ζητήματα:

• Σχόλια δεδομένων: Για παράδειγμα, πρέπει να παρέχουμε στους κτηνιάτρους μια διεπαφή για να φιλτράρουν και να προβάλλουν κουτσές αγελάδες που πρέπει να υποστούν επεξεργασία και να συλλέγουν δεδομένα κατά τη διάρκεια αυτής της διαδικασίας για να χρησιμοποιηθούν ως δεδομένα εκπαίδευσης.
• Αναγνώριση αγελάδας: Αφού ένας κτηνίατρος δει μια κουτσή αγελάδα, πρέπει επίσης να γνωρίζει την ταυτότητα της αγελάδας, όπως τον αριθμό και το στυλό της.
• Τοποθέτηση αγελάδας: Σε ένα στυλό με εκατοντάδες αγελάδες, εντοπίστε γρήγορα την αγελάδα στόχο.
• Εξόρυξη δεδομένων: Για παράδειγμα, μάθετε πώς ο βαθμός χωλότητας επηρεάζει τη διατροφή, τον μηρυκασμό, την ανάπαυση και την παραγωγή γάλακτος.
• Βάσει δεδομένων: Για παράδειγμα, προσδιορίστε τα γενετικά, φυσιολογικά και συμπεριφορικά χαρακτηριστικά των κουτσών αγελάδων για να επιτύχετε τη βέλτιστη αναπαραγωγή και αναπαραγωγή.

Μόνο με την αντιμετώπιση αυτών των ζητημάτων μπορεί η λύση να λύσει πραγματικά το επιχειρηματικό πρόβλημα και τα δεδομένα που συλλέγονται μπορούν να δημιουργήσουν μακροπρόθεσμη αξία. Μερικά από αυτά τα προβλήματα είναι ζητήματα ολοκλήρωσης συστήματος, ενώ άλλα είναι θέματα τεχνολογίας και επιχειρηματικής ολοκλήρωσης. Θα μοιραστούμε περισσότερες πληροφορίες σχετικά με αυτά τα ζητήματα σε μελλοντικά άρθρα.

Χαρακτηριστικά

Σε αυτό το άρθρο, εξηγήσαμε εν συντομία πώς η ομάδα λύσεων πελατών AWS καινοτομεί γρήγορα με βάση την επιχείρηση του πελάτη. Αυτός ο μηχανισμός έχει πολλά χαρακτηριστικά:

• Επιχειρησιακή καθοδήγηση: Δώστε προτεραιότητα στην κατανόηση του κλάδου και των επιχειρηματικών διαδικασιών του πελάτη επιτόπου και αυτοπροσώπως πριν συζητήσετε την τεχνολογία και, στη συνέχεια, εμβαθύνετε στα σημεία πόνου, τις προκλήσεις και τα προβλήματα του πελάτη για να εντοπίσετε σημαντικά ζητήματα που μπορούν να επιλυθούν με την τεχνολογία.
• Αμεσα διαθέσιμα: Παρέχετε ένα απλό αλλά πλήρες και χρησιμοποιήσιμο πρωτότυπο απευθείας στον πελάτη για δοκιμή, επικύρωση και ταχεία επανάληψη εντός εβδομάδων και όχι μηνών.
• Ελάχιστο κόστος: Ελαχιστοποιήστε ή ακόμα και εξαλείψτε το κόστος του πελάτη πριν επικυρωθεί πραγματικά η αξία, αποφεύγοντας τις ανησυχίες για το μέλλον. Αυτό ευθυγραμμίζεται με το AWS λιτότητα ηγετική αρχή.

Στο συνεργατικό μας έργο καινοτομίας με τη βιομηχανία γαλακτοκομικών προϊόντων, όχι μόνο ξεκινήσαμε από την επιχειρηματική σκοπιά να εντοπίζουμε συγκεκριμένα επιχειρηματικά προβλήματα με εμπειρογνώμονες των επιχειρήσεων, αλλά και πραγματοποιήσαμε επιτόπιες έρευνες στο αγρόκτημα και στο εργοστάσιο με τον πελάτη. Καθορίσαμε την τοποθέτηση της κάμερας επί τόπου, εγκαταστήσαμε και αναπτύξαμε τις κάμερες και αναπτύξαμε τη λύση ροής βίντεο. Οι ειδικοί από το AWS Generative AI Innovation Center ανέλυσαν τις απαιτήσεις του πελάτη και ανέπτυξαν έναν αλγόριθμο, ο οποίος στη συνέχεια σχεδιάστηκε από έναν αρχιτέκτονα λύσεων για ολόκληρο τον αλγόριθμο.

Με κάθε συμπέρασμα, μπορούσαμε να λάβουμε χιλιάδες βίντεο περπατήματος αγελάδων με αποσύνθεση και ετικέτα, το καθένα με το αρχικό αναγνωριστικό βίντεο, το αναγνωριστικό αγελάδας, τη βαθμολογία χωλότητας και διάφορες λεπτομερείς βαθμολογίες. Η πλήρης λογική υπολογισμού και τα ακατέργαστα δεδομένα βάδισης διατηρήθηκαν επίσης για επακόλουθη βελτιστοποίηση αλγορίθμων.

Τα δεδομένα χωλότητας δεν μπορούν μόνο να χρησιμοποιηθούν για έγκαιρη παρέμβαση από κτηνιάτρους, αλλά και να συνδυαστούν με δεδομένα μηχανών αρμέγματος για διασταυρούμενη ανάλυση, παρέχοντας μια πρόσθετη διάσταση επικύρωσης και απαντώντας σε ορισμένες πρόσθετες επιχειρηματικές ερωτήσεις, όπως: Ποια είναι τα φυσικά χαρακτηριστικά των αγελάδων με τα υψηλότερα απόδοση γάλακτος; Ποια είναι η επίδραση της χωλότητας στην παραγωγή γάλακτος στις αγελάδες; Ποια είναι η κύρια αιτία των κουτσών αγελάδων και πώς μπορεί να προληφθεί; Αυτές οι πληροφορίες θα παράσχουν νέες ιδέες για τις γεωργικές δραστηριότητες.

Η ιστορία της αναγνώρισης κουτσών αγελάδων τελειώνει εδώ, αλλά η ιστορία της καινοτομίας στη φάρμα μόλις ξεκίνησε. Σε επόμενα άρθρα, θα συνεχίσουμε να συζητάμε πώς συνεργαζόμαστε στενά με τους πελάτες για την επίλυση άλλων προβλημάτων.

---

Σχετικά με τους Συγγραφείς

Χάο Χουάνγκ είναι εφαρμοσμένος επιστήμονας στο AWS Generative AI Innovation Center. Ειδικεύεται στο Computer Vision (CV) και στο Visual-Language Model (VLM). Πρόσφατα, έχει αναπτύξει έντονο ενδιαφέρον για τις παραγωγικές τεχνολογίες AI και έχει ήδη συνεργαστεί με πελάτες για να εφαρμόσουν αυτές τις τεχνολογίες αιχμής στην επιχείρησή τους. Είναι επίσης κριτής για συνέδρια AI όπως το ICCV και το AAAI.

Peiyang He είναι ανώτερος επιστήμονας δεδομένων στο AWS Generative AI Innovation Center. Συνεργάζεται με πελάτες σε ένα ευρύ φάσμα βιομηχανιών για να λύσει τις πιο πιεστικές και καινοτόμες επιχειρηματικές τους ανάγκες αξιοποιώντας τις λύσεις GenAI/ML. Στον ελεύθερο χρόνο της, της αρέσει το σκι και τα ταξίδια.

Xuefeng Liu ηγείται μιας επιστημονικής ομάδας στο AWS Generative AI Innovation Center στις περιοχές της Ασίας-Ειρηνικού και της Μεγάλης Κίνας. Η ομάδα του συνεργάζεται με πελάτες AWS σε έργα γενετικής τεχνητής νοημοσύνης, με στόχο να επιταχύνει την υιοθέτηση της γενετικής τεχνητής νοημοσύνης από τους πελάτες.

Τιαντζούν Σιάο είναι ανώτερος εφαρμοσμένος επιστήμονας στο AWS AI Shanghai Lablet, συνεπικεφαλής των προσπαθειών υπολογιστικής όρασης. Επί του παρόντος, η κύρια εστίασή του έγκειται στους τομείς των πολυτροπικών μοντέλων θεμελίωσης και της αντικειμενοκεντρικής μάθησης. Διερευνά ενεργά τις δυνατότητές τους σε διάφορες εφαρμογές, όπως ανάλυση βίντεο, τρισδιάστατη όραση και αυτόνομη οδήγηση.

Ζανγκ Ντάι είναι ανώτερος αρχιτέκτονας λύσεων της AWS για τον τομέα China Geo Business Sector. Βοηθά εταιρείες διαφόρων μεγεθών να επιτύχουν τους επιχειρηματικούς τους στόχους παρέχοντας συμβουλευτικές υπηρεσίες σε επιχειρηματικές διαδικασίες, εμπειρία χρήστη και τεχνολογία cloud. Είναι ένας παραγωγικός συγγραφέας ιστολογίων και επίσης συγγραφέας δύο βιβλίων: The Modern Autodidact και Designing Experience.

Jianyu Zeng είναι ανώτερος διευθυντής λύσεων πελατών στην AWS, ευθύνη του οποίου είναι να υποστηρίζει πελάτες, όπως ο όμιλος New Hope, κατά τη μετάβασή τους στο cloud και να τους βοηθά να συνειδητοποιήσουν την επιχειρηματική τους αξία μέσω τεχνολογικών λύσεων που βασίζονται στο cloud. Με έντονο ενδιαφέρον για την τεχνητή νοημοσύνη, διερευνά συνεχώς τρόπους αξιοποίησης της τεχνητής νοημοσύνης για να οδηγήσει σε καινοτόμες αλλαγές στις επιχειρήσεις των πελατών μας.

Carol Tong Min είναι ανώτερος διευθυντής επιχειρηματικής ανάπτυξης, υπεύθυνος για τους βασικούς λογαριασμούς στο GCR GEO West, συμπεριλαμβανομένων δύο σημαντικών εταιρικών πελατών: του Jiannanchun Group και του New Hope Group. Έχει εμμονή με τον πελάτη και πάντα παθιάζεται να υποστηρίζει και να επιταχύνει το ταξίδι των πελατών στο cloud.

Νικ Τζιανγκ είναι ανώτερος ειδικός στις πωλήσεις στην ομάδα AIML SSO στην Κίνα. Επικεντρώνεται στη μεταφορά καινοτόμων λύσεων AIML και στη βοήθεια με τον πελάτη να δημιουργήσει τους φόρτους εργασίας που σχετίζονται με την AI εντός του AWS.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/