با استفاده از فناوری هوش مصنوعی مراقب گاوهای خود باشید | خدمات وب آمازون

At خدمات وب آمازون (AWS)ما نه تنها مشتاق ارائه انواع راه حل های فنی جامع به مشتریان هستیم، بلکه مشتاق درک عمیق فرآیندهای تجاری مشتریان خود نیز هستیم. ما دیدگاه شخص ثالث و قضاوت عینی را اتخاذ می‌کنیم تا به مشتریان کمک کنیم تا ارزش‌های پیشنهادی خود را مرتب کنند، نکات دردناک را جمع‌آوری کنند، راه‌حل‌های مناسب را پیشنهاد کنند، و مقرون‌به‌صرفه‌ترین و قابل استفاده‌ترین نمونه‌های اولیه را ایجاد کنیم تا به آنها کمک کنیم به طور سیستماتیک به اهداف تجاری خود دست یابند.

این روش نامیده می شود به عقب کار می کند در AWS این به معنای کنار گذاشتن فناوری و راه حل ها، شروع از نتایج مورد انتظار مشتریان، تایید ارزش آنها و سپس استنتاج آنچه که باید انجام شود به ترتیب معکوس قبل از اجرای نهایی راه حل است. در مرحله اجرا، مفهوم را نیز دنبال می کنیم حداقل محصول مناسب و تلاش کنید تا به سرعت یک نمونه اولیه ایجاد کنید که بتواند در عرض چند هفته ارزش تولید کند و سپس روی آن تکرار شود.

امروز، اجازه دهید یک مطالعه موردی را مرور کنیم که در آن AWS و New Hope Dairy برای ساختن یک مزرعه هوشمند در فضای ابری همکاری کردند. از این پست وبلاگ، می توانید درک عمیقی در مورد آنچه AWS می تواند برای ساخت مزرعه هوشمند ارائه دهد و نحوه ساخت برنامه های مزرعه هوشمند بر روی ابر با کارشناسان AWS داشته باشید.

پس زمینه پروژه

شیر یک نوشیدنی مغذی است. با توجه به سلامت ملی، چین به طور فعال توسعه صنعت لبنیات را ترویج می کند. بر اساس داده های Euromonitor International، فروش محصولات لبنی در چین در سال 638.5 به 2020 میلیارد یوان رسید و انتظار می رود در سال 810 به 2025 میلیارد یوآن برسد. علاوه بر این، نرخ رشد سالانه ترکیبی در 14 سال گذشته نیز به 10 درصد رسیده است. توسعه سریع را نشان می دهد.

از سوی دیگر، تا سال 2022، بیشتر درآمد در صنعت لبنیات چین همچنان از شیر مایع حاصل می شود. شصت درصد شیر خام برای شیر مایع و ماست و 20 درصد دیگر شیرخشک است که مشتقات شیر ​​مایع است. فقط مقدار بسیار کمی برای محصولات بسیار فرآوری شده مانند پنیر و خامه استفاده می شود.

شیر مایع یک محصول کم فرآوری شده است و خروجی، کیفیت و هزینه آن ارتباط تنگاتنگی با شیر خام دارد. این بدان معناست که اگر صنعت لبنیات بخواهد ظرفیت خود را برای تمرکز بر تولید محصولات بسیار فرآوری شده، ایجاد محصولات جدید و انجام تحقیقات بیوتکنولوژی نوآورانه تر آزاد کند، ابتدا باید تولید و کیفیت شیر ​​خام را بهبود بخشد و تثبیت کند.

به عنوان یک پیشرو در صنعت لبنیات، لبنیات نیو هوپ به این فکر کرده است که چگونه بازدهی عملیات دامداری خود را بهبود بخشد و تولید و کیفیت شیر ​​خام را افزایش دهد. New Hope Dairy امیدوار است از دیدگاه شخص ثالث و تخصص فناوری AWS برای تسهیل نوآوری در صنعت لبنیات استفاده کند. تیم مشتریان AWS با پشتیبانی و ارتقای لیوتنگ هو، معاون و مدیر ارشد شرکت لبنیات نیو هوپ، شروع به سازماندهی عملیات و نقاط نوآوری بالقوه برای مزارع لبنی کرد.

چالش های دامداری

AWS یک متخصص در زمینه فناوری ابری است، اما برای پیاده سازی نوآوری در صنعت لبنیات، مشاوره حرفه ای از کارشناسان موضوع لبنیات ضروری است. بنابراین، چندین مصاحبه عمیق با لیانگرونگ سانگ، معاون مرکز فناوری تولید لبنیات نیو هوپ، تیم مدیریت دامداری و متخصصان تغذیه انجام دادیم تا برخی از مسائل و چالش های پیش روی مزرعه را درک کنیم.

اول تهیه موجودی گاوهای ذخیره است

گاوهای شیری در مزرعه به دو نوع تقسیم می شوند: گاوهای شیری و گاوهای ذخیره. گاوهای شیری بالغ هستند و به طور مداوم شیر تولید می کنند، در حالی که گاوهای ذخیره گاوهایی هستند که هنوز به سن تولید شیر نرسیده اند. مزارع بزرگ و متوسط ​​معمولاً برای گاوهای ذخیره یک منطقه فعالیت باز بزرگتر فراهم می کنند تا محیط رشد راحت تری ایجاد کنند.

با این حال، هم گاوهای شیری و هم گاوهای ذخیره از دارایی های مزرعه هستند و نیاز به موجودی ماهیانه دارند. گاوهای شیری هر روز دوشیده می شوند و از آنجایی که در طول شیردوشی نسبتاً ساکن هستند، ردیابی موجودی آسان است. با این حال، گاوهای ذخیره در یک فضای باز هستند و آزادانه پرسه می زنند، که باعث می شود موجودی آنها ناخوشایند باشد. با هر بار تهیه موجودی، چند کارگر به طور مکرر گاوهای ذخیره را از مناطق مختلف شمارش می کنند و در نهایت اعداد بررسی می شوند. این فرآیند برای چندین کارگر یک تا دو روز طول می کشد و اغلب مشکلاتی در تراز کردن شمارش یا عدم قطعیت در مورد شمارش هر گاو وجود دارد.

اگر راهی برای ذخیره سریع و دقیق گاوها داشته باشیم، می توان زمان قابل توجهی را ذخیره کرد.

دوم شناسایی گاو لنگ است

در حال حاضر اکثر شرکت های لبنی از نژادی به نام استفاده می کنند هولشتاین برای تولید شیر هلشتاین ها گاوهای سیاه و سفیدی هستند که اکثر ما با آنها آشنا هستیم. علیرغم اینکه اکثر شرکت های لبنی از یک نژاد استفاده می کنند، هنوز تفاوت هایی در کمیت و کیفیت تولید شیر در بین شرکت ها و مزارع مختلف وجود دارد. زیرا سلامت گاوهای شیری مستقیماً بر تولید شیر تأثیر می گذارد.

با این حال، گاوها نمی توانند مانند انسان ها به تنهایی احساس ناراحتی کنند، و برای دامپزشکان عملی نیست که هزاران گاو را به طور منظم معاینه فیزیکی کنند. بنابراین، ما باید از شاخص های خارجی برای قضاوت سریع وضعیت سلامت گاوها استفاده کنیم.

شاخص های بیرونی سلامت گاو عبارتند از نمره وضعیت بدن و درجه لنگش. امتیاز وضعیت بدن تا حد زیادی به درصد چربی بدن گاو مربوط می شود و یک شاخص بلند مدت است، در حالی که لنگش یک شاخص کوتاه مدت است که ناشی از مشکلات پا یا عفونت پا و سایر مسائلی است که بر خلق و خو، سلامت و تولید شیر گاو تأثیر می گذارد. علاوه بر این، گاوهای هلشتاین بالغ می توانند بیش از 500 کیلوگرم وزن داشته باشند که در صورت عدم ثبات می تواند آسیب قابل توجهی به پاهای آنها وارد کند. بنابراین در صورت بروز لنگش، دامپزشکان باید در اسرع وقت وارد عمل شوند.

بر اساس یک مطالعه در سال 2014، نسبت گاوهای به شدت لنگ در چین می تواند به 31 درصد برسد. اگرچه ممکن است وضعیت پس از مطالعه بهبود یافته باشد، تعداد دامپزشکان در مزارع بسیار محدود است و نظارت منظم گاوها را دشوار می‌کند. هنگامی که لنگش تشخیص داده می شود، وضعیت اغلب شدید است و درمان زمان بر و دشوار است و تولید شیر از قبل تحت تأثیر قرار گرفته است.

اگر راهی برای تشخیص به موقع لنگش در گاوها داشته باشیم و دامپزشکان را برای مداخله در مرحله لنگش خفیف ترغیب کنیم، سلامت کلی و تولید شیر گاوها افزایش می یابد و عملکرد مزرعه بهبود می یابد.

در نهایت، بهینه سازی هزینه خوراک وجود دارد

در صنعت دام، خوراک بزرگترین هزینه متغیر است. برای اطمینان از کیفیت و موجودی خوراک، مزارع اغلب نیاز به خرید مواد تشکیل دهنده خوراک از تامین کنندگان داخلی و خارجی و تحویل آنها به کارخانه های فرمولاسیون خوراک برای فرآوری دارند. انواع مختلفی از مواد غذایی مدرن وجود دارد، از جمله کنجاله سویا، ذرت، یونجه، علف جو و غیره، که به این معنی است که متغیرهای زیادی در بازی وجود دارد. هر نوع ماده غذایی دارای چرخه قیمت و نوسانات قیمت خاص خود است. در طول نوسانات قابل توجه، هزینه کل خوراک می تواند بیش از 15 درصد در نوسان باشد و تأثیر قابل توجهی ایجاد کند.

هزینه های خوراک در نوسان است، اما قیمت محصولات لبنی در دراز مدت نسبتاً ثابت است. در نتیجه، تحت شرایط بدون تغییر، سود کلی می تواند به طور قابل توجهی به دلیل تغییرات هزینه خوراک نوسان داشته باشد.

برای جلوگیری از این نوسان، لازم است در هنگام پایین بودن قیمت، مواد بیشتری را ذخیره کنید. اما جوراب ساق بلند همچنین باید در نظر بگیرد که آیا قیمت واقعاً پایین است و چه مقدار خوراک باید با توجه به نرخ مصرف فعلی خریداری شود.

اگر راهی برای پیش‌بینی دقیق مصرف خوراک و ترکیب آن با روند کلی قیمت برای پیشنهاد بهترین زمان و مقدار خوراک برای خرید داشته باشیم، می‌توانیم هزینه‌ها را کاهش داده و بازده را در مزرعه افزایش دهیم.

بدیهی است که این مسائل ارتباط مستقیمی با هدف بهبود مشتری دارد بهره وری عملیاتی مزرعه، و روش ها به ترتیب می باشد آزاد کردن نیروی کار, افزایش تولید و کاهش هزینه ها. از طریق بحث در مورد دشواری و ارزش حل هر موضوع، ما انتخاب کردیم افزایش تولید به عنوان نقطه شروع و اولویت بندی حل مشکل گاوهای لنگ.

پژوهش

قبل از بحث در مورد فناوری، باید تحقیقاتی انجام می شد. این تحقیق به طور مشترک توسط تیم مشتری AWS انجام شد مرکز نوآوری هوش مصنوعی AWS، که مدل های الگوریتم یادگیری ماشین را مدیریت کرد و تبلت AWS AI شانگهای، که مشاوره الگوریتمی را در مورد آخرین تحقیقات بینایی رایانه و تیم متخصص کشاورزی از New Hope Dairy ارائه می دهد. تحقیق به چند بخش تقسیم شد:

• درک روش سنتی شناسایی گاوهای لنگ مبتنی بر کاغذ و ایجاد درک اساسی از چیستی گاوهای لنگ.
• تأیید راه حل های موجود، از جمله راه حل های مورد استفاده در مزارع و صنعت.
• انجام تحقیقات محیطی مزرعه برای درک وضعیت فیزیکی و محدودیت ها.

از طریق مطالعه مواد و مشاهده ویدئوهای در محل، تیم ها به درک اساسی از گاوهای لنگ دست یافتند. خوانندگان همچنین می توانند از طریق تصویر متحرک زیر، ایده اولیه ای از وضعیت گاوهای لنگ دریافت کنند.

در مقابل یک گاو نسبتا سالم.

گاوهای لنگ در مقایسه با گاوهای سالم تفاوت های قابل مشاهده ای در وضعیت بدنی و راه رفتن دارند.

با توجه به راه حل های موجود، بیشتر دامداری ها به بازرسی چشمی توسط دامپزشکان و متخصصان تغذیه برای شناسایی گاوهای لنگ متکی هستند. در صنعت، راه‌حل‌هایی وجود دارد که از گام‌سنج‌های پوشیدنی و شتاب‌سنج‌ها برای شناسایی و همچنین راه‌حل‌هایی استفاده می‌کنند که از باسکول‌های پارتیشن بندی شده برای شناسایی استفاده می‌کنند، اما هر دو نسبتاً گران هستند. برای صنعت لبنیات بسیار رقابتی، ما باید هزینه های شناسایی و هزینه ها و وابستگی به سخت افزار غیر ژنریک را به حداقل برسانیم.

پس از بحث و تجزیه و تحلیل اطلاعات با دامپزشکان و متخصصان تغذیه، کارشناسان مرکز نوآوری هوش مصنوعی AWS تصمیم گرفتند از بینایی کامپیوتری (CV) برای شناسایی استفاده کنند و تنها بر سخت افزار معمولی تکیه کنند: دوربین های نظارت غیرنظامی، که هیچ بار اضافی بر روی دستگاه اضافه نمی کند. گاوها و کاهش هزینه ها و موانع استفاده.

پس از تصمیم گیری در این جهت، از یک مزرعه متوسط ​​با هزاران گاو در محل بازدید کردیم، محیط مزرعه را بررسی کردیم و مکان و زاویه قرارگیری دوربین را تعیین کردیم.

پیشنهاد اولیه

حالا برای راه حل هسته راه حل مبتنی بر CV ما شامل مراحل زیر است:

• شناسایی گاو: چندین گاو را در یک فریم ویدیو شناسایی کنید و موقعیت هر گاو را علامت بزنید.
• ردیابی گاو: در حین ضبط ویدیو، باید به طور مداوم گاوها را با تغییر فریم ها ردیابی کنیم و به هر گاو یک شماره منحصر به فرد اختصاص دهیم.
• علامت گذاری وضعیت بدن: با تبدیل تصاویر گاو به نقاط مشخص شده، ابعاد حرکات گاو را کاهش دهید.
• شناسایی ناهنجاری: ناهنجاری ها را در پویایی نقاط علامت گذاری شده شناسایی کنید.
• الگوریتم گاو لنگ: برای تعیین درجه لنگش گاو، ناهنجاری ها را عادی کنید.
• تعیین آستانه: یک آستانه بر اساس ورودی های متخصص به دست آورید.

طبق قضاوت کارشناسان مرکز نوآوری هوش مصنوعی AWS، چند مرحله اول نیازمندی‌های عمومی هستند که می‌توان با استفاده از مدل‌های منبع باز حل کرد، در حالی که مراحل آخر ما را ملزم به استفاده از روش‌های ریاضی و مداخله متخصص می‌کند.

مشکلات در راه حل

برای متعادل کردن هزینه و عملکرد، مدل yolov5l را انتخاب کردیم، مدلی با اندازه متوسط ​​از پیش آموزش دیده برای تشخیص گاو، با عرض ورودی 640 پیکسل، که ارزش خوبی را برای این صحنه فراهم می کند.

در حالی که YOLOv5 مسئول شناسایی و برچسب گذاری گاوها در یک تصویر واحد است، در واقعیت، ویدیوها از چندین تصویر (فریم) تشکیل شده اند که به طور مداوم تغییر می کنند. YOLOv5 نمی تواند تشخیص دهد که گاوها در قاب های مختلف متعلق به یک فرد هستند. برای ردیابی و مکان یابی یک گاو در چندین تصویر، مدل دیگری به نام SORT مورد نیاز است.

SORT مخفف ردیابی ساده آنلاین و بیدرنگ، که در آن آنلاین یعنی فقط فریم های فعلی و قبلی را برای ردیابی بدون در نظر گرفتن هیچ فریم دیگری در نظر می گیرد و زمان واقعی به این معنی که می تواند بلافاصله هویت شی را شناسایی کند.

پس از توسعه SORT، بسیاری از مهندسان آن را پیاده سازی و بهینه سازی کردند که منجر به توسعه OC-SORT شد که ظاهر جسم را در نظر می گیرد، DeepSORT (و نسخه ارتقا یافته آن، StrongSORT) که شامل ظاهر انسان می شود و ByteTrack که از آن استفاده می کند. یک پیوند دهنده ارتباط دو مرحله ای برای در نظر گرفتن تشخیص کم اعتماد. پس از آزمایش، متوجه شدیم که برای صحنه ما، الگوریتم ردیابی ظاهر DeepSORT برای انسان ها مناسب تر از گاوها است و دقت ردیابی ByteTrack کمی ضعیف تر است. در نتیجه، ما در نهایت OC-SORT را به عنوان الگوریتم ردیابی خود انتخاب کردیم.

سپس از DeepLabCut (به اختصار DLC) برای علامت گذاری نقاط اسکلتی گاوها استفاده می کنیم. DLC یک مدل بدون نشانگر است، به این معنی که اگرچه نقاط مختلف، مانند سر و اندام، ممکن است معانی متفاوتی داشته باشند، اما همه آنها فقط هستند. نقطه برای DLC که فقط باید نقاط را علامت گذاری کنیم و مدل را آموزش دهیم.

این منجر به یک سوال جدید می شود: روی هر گاو چند نقطه و کجا باید علامت گذاری کنیم؟ پاسخ به این سوال بر حجم کاری علامت گذاری، آموزش و کارایی استنتاج بعدی تأثیر می گذارد. برای حل این مشکل ابتدا باید نحوه شناسایی گاوهای لنگ را بدانیم.

بر اساس تحقیقات ما و ورودی های مشتریان متخصص ما، گاوهای لنگ در ویدئوها ویژگی های زیر را نشان می دهند:

• کمر قوس دار: گردن و پشت خمیده هستند و با ریشه استخوان گردن مثلثی تشکیل می دهند (قوس دار- پشت).
• تکان دادن مکرر سر: هر مرحله می تواند باعث از دست دادن تعادل یا لغزش گاو شود و در نتیجه مکرر اتفاق بیفتد سر تکان دادن (تقوع سر).
• راه رفتن ناپایدار: راه رفتن گاو پس از چند قدم با مکث های جزئی تغییر می کند (تغییر الگوی راه رفتن).

با توجه به انحنای گردن و پشت و همچنین تکان دادن سر، کارشناسان مرکز نوآوری هوش مصنوعی AWS مشخص کرده اند که علامت گذاری تنها هفت نقطه پشتی (یکی در سر، یکی در پایه گردن و پنج نقطه در پشت) روی گاو می تواند منجر به شناسایی خوب می شود. از آنجایی که ما اکنون چارچوبی برای شناسایی داریم، باید بتوانیم الگوهای راه رفتن ناپایدار را نیز تشخیص دهیم.

در مرحله بعد، از عبارات ریاضی برای نشان دادن نتایج شناسایی و تشکیل الگوریتم ها استفاده می کنیم.

شناسایی این مشکلات توسط انسان کار دشواری نیست، اما الگوریتم های دقیقی برای شناسایی کامپیوتری مورد نیاز است. به عنوان مثال، چگونه یک برنامه با توجه به مجموعه ای از نقاط مختصات پشت گاو، درجه انحنای پشت گاو را می داند؟ چگونه متوجه می شود که گاو سر تکان می دهد؟

از نظر انحنای پشت، ابتدا پشت گاو را به عنوان یک زاویه در نظر می گیریم و سپس راس آن زاویه را می یابیم که به ما امکان محاسبه زاویه را می دهد. مشکل این روش این است که ستون فقرات ممکن است دارای انحنای دو طرفه باشد که تشخیص راس زاویه را دشوار می کند. این نیاز به تغییر الگوریتم های دیگر برای حل مشکل دارد.

از نظر تکان دادن سر، ابتدا استفاده از فاصله فریشه را در نظر گرفتیم تا با مقایسه تفاوت در منحنی وضعیت کلی گاو مشخص کنیم که آیا گاو سر تکان می دهد یا خیر. با این حال، مشکل این است که نقاط اسکلتی گاو ممکن است جابجا شده و باعث فاصله قابل توجهی بین منحنی های مشابه شود. برای حل این مشکل، باید موقعیت سر را نسبت به جعبه تشخیص بیرون بیاوریم و آن را عادی کنیم.

پس از عادی سازی وضعیت سر، با مشکل جدیدی مواجه شدیم. در تصویر زیر نمودار سمت چپ تغییر وضعیت سر گاو را نشان می دهد. می بینیم که به دلیل مسائل مربوط به دقت تشخیص، موقعیت نقطه سر به طور مداوم کمی تکان می خورد. باید این حرکات کوچک را برداریم و روند حرکتی نسبتاً بزرگ سر را پیدا کنیم. اینجاست که به دانش پردازش سیگنال نیاز است. با استفاده از فیلتر Savitzky-Golay، می‌توانیم یک سیگنال را صاف کنیم و روند کلی آن را به دست آوریم، همانطور که با منحنی نارنجی در نمودار سمت راست نشان داده شده است، تشخیص سر زدن را برای ما آسان‌تر می‌کند.

علاوه بر این، پس از ده‌ها ساعت شناسایی ویدیویی، متوجه شدیم که برخی از گاوها با انحنای پشتی بسیار بالا در واقع پشتی قوز نکرده‌اند. تحقیقات بیشتر نشان داد که این به این دلیل است که بیشتر گاوهایی که برای آموزش مدل DLC استفاده می‌شوند، عمدتا سیاه یا سیاه و سفید بودند و گاوهای زیادی وجود نداشتند که عمدتاً سفید یا نزدیک به سفید خالص بودند، در نتیجه مدل زمانی که آنها را به درستی تشخیص نمی‌داد. همانطور که با فلش قرمز در شکل زیر نشان داده شده است، مناطق سفید بزرگی روی بدن خود داشتند. این را می توان با آموزش بیشتر مدل اصلاح کرد.

علاوه بر حل مشکلات قبلی، مشکلات عمومی دیگری نیز وجود داشت که باید حل شوند:

• دو مسیر در قاب ویدیو وجود دارد و گاوهای دور نیز ممکن است شناسایی شوند و مشکلاتی ایجاد کنند.
• مسیرهای موجود در ویدئو نیز دارای انحنای خاصی هستند و طول بدن گاو زمانی که گاو در کناره‌های مسیر قرار می‌گیرد کوتاه‌تر می‌شود و تشخیص نادرست وضعیت بدن را آسان می‌کند.
• به دلیل همپوشانی چندین گاو یا مسدود شدن از حصار، ممکن است همان گاو به عنوان دو گاو شناخته شود.
• با توجه به پارامترهای ردیابی و پرش گاه به گاه دوربین، ردیابی صحیح گاوها غیرممکن است و در نتیجه مشکلاتی در شناسه اشتباه ایجاد می شود.

در کوتاه مدت، بر اساس همسویی با New Hope Dairy بر روی ارائه حداقل محصول قابل دوام و سپس تکرار آن، معمولاً می توان این مشکلات را با الگوریتم های قضاوت دورتر همراه با فیلتر اطمینان حل کرد و اگر قابل حل نباشد، تبدیل می شوند. داده های نامعتبر، که ما را ملزم به انجام آموزش های اضافی و تکرار مداوم الگوریتم ها و مدل های خود می کند.

در بلند مدت، تبلت AWS AI شانگهای پیشنهادات آزمایشی آینده را برای حل مسائل قبلی بر اساس تحقیقات شی محور خود ارائه کردند: پل زدن شکاف برای یادگیری شی محور در دنیای واقعی و تقسیم بندی اشیاء ویدیویی آمودال خود نظارت شده. علاوه بر بی‌اعتبار کردن آن داده‌های پرت، می‌توان با توسعه مدل‌های دقیق‌تر در سطح شیء برای تخمین پوز، تقسیم‌بندی آمودال و ردیابی نظارت شده نیز به مشکلات پرداخت. با این حال، خطوط لوله چشم انداز سنتی برای این وظایف معمولاً نیاز به برچسب گذاری گسترده دارند. یادگیری شی محور بر حل مشکل اتصال پیکسل ها به اشیا بدون نظارت اضافی تمرکز دارد. فرآیند اتصال نه تنها اطلاعاتی را در مورد مکان اشیاء ارائه می‌کند، بلکه منجر به نمایش‌های قوی و قابل انطباق شی برای کارهای پایین دست می‌شود. از آنجایی که خط لوله شی محور بر تنظیمات خود نظارت یا با نظارت ضعیف تمرکز دارد، می‌توانیم عملکرد را بدون افزایش قابل توجه هزینه‌های برچسب‌گذاری برای مشتریان خود بهبود بخشیم.

پس از حل یک سری مشکلات و ترکیب امتیازات داده شده توسط دامپزشک مزرعه و متخصص تغذیه، امتیاز لنگش جامع گاو را به دست آورده ایم که به ما کمک می کند گاوهایی را با درجات مختلف لنگش شدید، متوسط ​​و خفیف شناسایی کنیم و همچنین می توانیم شناسایی چندین ویژگی وضعیت بدن گاوها، کمک به تجزیه و تحلیل و قضاوت بیشتر.

ظرف چند هفته، ما یک راه حل سرتاسری برای شناسایی گاوهای لنگ ایجاد کردیم. دوربین سخت افزاری این راه حل فقط 300 RMB قیمت دارد و این آمازون SageMaker استنتاج دسته ای، هنگام استفاده از نمونه g4dn.xlarge، حدود 50 ساعت برای 2 ساعت ویدیو طول می کشد که در مجموع تنها 300 RMB است. هنگامی که وارد تولید می شود، اگر پنج دسته گاو در هفته (با فرض حدود 10 ساعت) شناسایی شود، و با احتساب فیلم ها و داده های ذخیره شده، هزینه تشخیص ماهانه برای یک مزرعه با اندازه متوسط ​​با چند هزار گاو کمتر از 10,000 RMB است.

در حال حاضر، فرآیند مدل یادگیری ماشین ما به شرح زیر است:

1. فیلم خام ضبط می شود.
2. گاوها شناسایی و شناسایی می شوند.
3. هر گاو ردیابی می شود و نقاط کلیدی شناسایی می شوند.
4. حرکت هر گاو تجزیه و تحلیل می شود.
5. نمره لنگش مشخص می شود.

استقرار مدل

راه حل شناسایی گاوهای لنگ بر اساس یادگیری ماشینی را قبلا شرح داده ایم. اکنون باید این مدل ها را در SageMaker مستقر کنیم. همانطور که در شکل زیر نشان داده شده است:

پیاده سازی کسب و کار

البته، آنچه که ما تاکنون در مورد آن بحث کرده ایم، تنها هسته راه حل فنی ما است. برای ادغام کل راه حل در فرآیند کسب و کار، باید مسائل زیر را نیز بررسی کنیم:

• بازخورد داده ها: به عنوان مثال، ما باید به دامپزشکان یک رابط برای فیلتر کردن و مشاهده گاوهای لنگ که نیاز به پردازش دارند و جمع آوری داده ها در طول این فرآیند برای استفاده به عنوان داده های آموزشی ارائه دهیم.
• شناسایی گاو: پس از اینکه دامپزشک یک گاو لنگ را می بیند، باید هویت گاو مانند شماره و قلم آن را نیز بداند.
• موقعیت گاو: در قلمی با صدها گاو، به سرعت گاو مورد نظر را پیدا کنید.
• داده کاوی: به عنوان مثال، دریابید که درجه لنگش چگونه بر تغذیه، نشخوار فکری، استراحت و تولید شیر تأثیر می گذارد.
• داده محور: برای مثال، ویژگی های ژنتیکی، فیزیولوژیکی و رفتاری گاوهای لنگ را برای دستیابی به پرورش و تولید مثل بهینه شناسایی کنید.

تنها با پرداختن به این مسائل، راه حل می تواند واقعاً مشکل کسب و کار را حل کند و داده های جمع آوری شده می تواند ارزش بلندمدت ایجاد کند. برخی از این مشکلات مسائل یکپارچه سازی سیستم هستند، در حالی که برخی دیگر مسائل یکپارچه سازی فناوری و کسب و کار هستند. در مقالات بعدی اطلاعات بیشتری در مورد این مسائل به اشتراک خواهیم گذاشت.

خلاصه

در این مقاله به طور خلاصه توضیح دادیم که چگونه تیم راه حل های مشتری AWS بر اساس کسب و کار مشتری به سرعت نوآوری می کند. این مکانیسم چندین ویژگی دارد:

• رهبری کسب و کار: قبل از بحث در مورد فناوری، درک صنعت و فرآیندهای تجاری مشتری را در محل و شخصاً در اولویت قرار دهید، و سپس به نقاط دردناک، چالش‌ها و مشکلات مشتری بپردازید تا مسائل مهمی را که می‌توان با فناوری حل کرد، شناسایی کرد.
• فوراً در دسترس است: یک نمونه اولیه ساده اما کامل و قابل استفاده را مستقیماً برای آزمایش، تأیید اعتبار و تکرار سریع در عرض چند هفته، نه ماه، به مشتری ارائه دهید.
• حداقل هزینه: قبل از تایید واقعی ارزش، هزینه های مشتری را به حداقل برسانید یا حتی از بین ببرید، و از نگرانی در مورد آینده اجتناب کنید. این با AWS هماهنگ است صرفه جویی اصل رهبری

در پروژه نوآوری مشترک خود با صنعت لبنیات، ما نه تنها از منظر تجاری شروع کردیم تا مشکلات خاص تجاری را با کارشناسان کسب و کار شناسایی کنیم، بلکه تحقیقاتی را در محل در مزرعه و کارخانه با مشتری انجام دادیم. ما محل قرارگیری دوربین را در محل تعیین کردیم، دوربین ها را نصب و راه اندازی کردیم و راه حل پخش ویدئو را به کار بردیم. کارشناسان مرکز نوآوری هوش مصنوعی AWS نیازهای مشتری را تشریح کردند و الگوریتمی را توسعه دادند که سپس توسط یک معمار راه حل برای کل الگوریتم مهندسی شد.

با هر استنباط، ما می‌توانیم هزاران ویدیوی پیاده‌روی گاو تجزیه‌شده و برچسب‌گذاری‌شده را به‌دست آوریم، که هر کدام دارای شناسه ویدیوی اصلی، شناسه گاو، امتیاز لنگش، و امتیازات مختلف دقیق هستند. منطق کامل محاسبه و داده های خام راه رفتن نیز برای بهینه سازی الگوریتم بعدی حفظ شدند.

داده‌های لنگش نه تنها می‌توانند برای مداخله زودهنگام توسط دامپزشکان مورد استفاده قرار گیرند، بلکه با داده‌های دستگاه شیردوشی برای تجزیه و تحلیل متقابل نیز ترکیب می‌شوند، یک بعد اعتبار سنجی اضافی و پاسخ به برخی سؤالات تجاری اضافی، مانند: ویژگی‌های فیزیکی گاوهایی با بالاترین کیفیت چیست. تولید شیر؟ لنگش چه تاثیری بر تولید شیر گاو دارد؟ علت اصلی لنگش گاوها چیست و چگونه می توان از آن پیشگیری کرد؟ این اطلاعات ایده های جدیدی را برای عملیات مزرعه ارائه می دهد.

داستان شناسایی گاوهای لنگ در اینجا به پایان می رسد، اما داستان نوآوری در مزرعه تازه شروع شده است. در مقالات بعدی، به بحث در مورد چگونگی همکاری نزدیک با مشتریان برای حل مشکلات دیگر ادامه خواهیم داد.

---

درباره نویسنده

هائو هوانگ یک دانشمند کاربردی در مرکز نوآوری هوش مصنوعی AWS Generative است. او در بینایی کامپیوتری (CV) و مدل زبانی بصری (VLM) تخصص دارد. اخیراً، او علاقه زیادی به فناوری‌های هوش مصنوعی مولد پیدا کرده است و قبلاً با مشتریان برای اعمال این فناوری‌های پیشرفته در تجارت خود همکاری کرده است. او همچنین داور کنفرانس های هوش مصنوعی مانند ICCV و AAAI است.

پیانگ او یک دانشمند ارشد داده در مرکز نوآوری هوش مصنوعی AWS Generative است. او با مشتریان در طیف متنوعی از صنایع کار می‌کند تا مبرم‌ترین و مبتکرانه‌ترین نیازهای تجاری آنها را با استفاده از راه‌حل‌های GenAI/ML حل کند. او در اوقات فراغت از اسکی و مسافرت لذت می برد.

شوفنگ لیو رهبری یک تیم علمی در مرکز نوآوری هوش مصنوعی AWS در منطقه آسیا و اقیانوسیه و چین بزرگ را بر عهده دارد. تیم او با مشتریان AWS در پروژه های هوش مصنوعی مولد با هدف تسریع پذیرش هوش مصنوعی توسط مشتریان شریک می شود.

تیانجون شیائو یک دانشمند ارشد کاربردی در AWS AI Shanghai Lablet است که تلاش‌های بینایی کامپیوتر را رهبری می‌کند. در حال حاضر، تمرکز اصلی او در حوزه‌های مدل‌های پایه چندوجهی و یادگیری شی‌محور است. او به طور فعال در حال بررسی پتانسیل آنها در کاربردهای مختلف، از جمله تجزیه و تحلیل ویدئو، دید سه بعدی و رانندگی خودکار است.

ژانگ دای یک معمار ارشد راه حل AWS برای بخش تجارت جغرافیایی چین است. او با ارائه مشاوره در مورد فرآیندهای کسب و کار، تجربه کاربر و فناوری ابری به شرکت هایی با اندازه های مختلف کمک می کند تا به اهداف تجاری خود دست یابند. او یک نویسنده وبلاگ پرکار و همچنین نویسنده دو کتاب است: The Modern Autodidact و Designing Experience.

جیانیو زنگ یک مدیر ارشد راه حل های مشتری در AWS است که مسئولیتش پشتیبانی از مشتریان، مانند گروه New Hope، در طول انتقال ابری آنها و کمک به آنها در تحقق ارزش تجاری از طریق راه حل های فناوری مبتنی بر ابر است. با علاقه شدید به هوش مصنوعی، او دائماً در حال بررسی راه‌هایی برای استفاده از هوش مصنوعی برای ایجاد تغییرات نوآورانه در مشاغل مشتریان است.

کارول تانگ مین یک مدیر ارشد توسعه کسب و کار، مسئول حساب های کلیدی در GCR GEO West، از جمله دو مشتری مهم سازمانی است: گروه Jiannanchun و New Hope Group. او شیفته مشتری است و همیشه مشتاق پشتیبانی و تسریع سفر ابری مشتریان است.

نیک جیانگ یک متخصص ارشد فروش در تیم AIML SSO در چین است. او بر انتقال راه حل های نوآورانه AIML و کمک به مشتری برای ایجاد بارهای کاری مرتبط با هوش مصنوعی در AWS تمرکز دارد.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/