Pidä karjaasi silmällä tekoälytekniikan avulla | Amazon Web Services

At Amazon Web Services (AWS), emme vain halua tarjota asiakkaillemme erilaisia ​​kattavia teknisiä ratkaisuja, vaan haluamme myös ymmärtää syvällisesti asiakkaidemme liiketoimintaprosesseja. Käytämme kolmannen osapuolen näkökulmaa ja objektiivista harkintaa auttaaksemme asiakkaita selvittämään arvolupauksensa, keräämään kipupisteitä, ehdottamaan sopivia ratkaisuja ja luomaan kustannustehokkaimpia ja käyttökelpoisimpia prototyyppejä, jotka auttavat heitä saavuttamaan systemaattisesti liiketoimintatavoitteensa.

Tätä menetelmää kutsutaan työskentelee taaksepäin AWS:ssä. Se tarkoittaa teknologian ja ratkaisujen jättämistä syrjään, alkaen asiakkaiden odotetuista tuloksista, niiden arvon vahvistamista ja sen jälkeen päättelemistä, mitä on tehtävä käänteisessä järjestyksessä ennen kuin ratkaisu lopulta toteutetaan. Toteutusvaiheessa noudatamme myös konseptia vähimmäiskykyinen tuote ja pyrimme muodostamaan nopeasti prototyyppi, joka voi tuottaa arvoa muutamassa viikossa, ja sitten iteroida sitä.

Tänään tarkastellaan tapaustutkimusta, jossa AWS ja New Hope Dairy tekivät yhteistyötä älykkään maatilan rakentamiseksi pilveen. Tästä blogikirjoituksesta saat syvällisen ymmärryksen siitä, mitä AWS voi tarjota älykkään maatilan rakentamiseen ja kuinka rakentaa älykkäitä maatilasovelluksia pilveen AWS-asiantuntijoiden kanssa.

Projektin tausta

Maito on ravitseva juoma. Kansallisen terveyden huomioon ottaen Kiina on aktiivisesti edistänyt meijeriteollisuuden kehitystä. Euromonitor Internationalin tietojen mukaan maitotuotteiden myynti Kiinassa saavutti 638.5 miljardia RMB:tä vuonna 2020 ja sen odotetaan saavuttavan 810 miljardia RMB:tä vuonna 2025. Lisäksi vuotuinen kasvuvauhti viimeisten 14 vuoden aikana on saavuttanut myös 10 prosenttia, osoittavat nopeaa kehitystä.

Toisaalta vuodesta 2022 lähtien suurin osa Kiinan meijeriteollisuuden liikevaihdosta tulee edelleen nestemäisestä maidosta. Kuusikymmentä prosenttia raakamaidosta käytetään nestemäiseen maidoon ja jogurttiin, ja toiset 20 prosenttia on maitojauhetta, joka on nestemäisen maidon johdannainen. Vain hyvin pieni määrä käytetään pitkälle jalostettuihin tuotteisiin, kuten juustoon ja kermaan.

Nestemäinen maito on kevyesti jalostettu tuote ja sen tuotanto, laatu ja hinta liittyvät läheisesti raakamaitoon. Tämä tarkoittaa, että jos meijeriteollisuus haluaa vapauttaa kapasiteettia keskittyä pitkälle jalostettujen tuotteiden tuotantoon, luoda uusia tuotteita ja tehdä innovatiivisempaa bioteknologian tutkimusta, sen on ensin parannettava ja vakautettava raakamaidon tuotantoa ja laatua.

Meijerialan johtajana New Hope Dairy on pohtinut, kuinka tehostaa ranch-toimintaansa ja parantaa raakamaidon tuotantoa ja laatua. New Hope Dairy toivoo voivansa käyttää AWS:n kolmannen osapuolen näkökulmaa ja teknologista asiantuntemusta edistääkseen innovointia meijeriteollisuudessa. New Hope Dairyn varatoimitusjohtajan ja tietohallintojohtajan Liutong Hun tuella ja promootiolla AWS:n asiakastiimi alkoi organisoida toimintaa ja mahdollisia innovaatiopisteitä maitotiloilla.

Maitotilan haasteet

AWS on pilviteknologian asiantuntija, mutta meijeriteollisuuden innovaatioiden toteuttamiseen tarvitaan ammattitaitoista neuvontaa meijerialan asiantuntijoilta. Siksi teimme useita perusteellisia haastatteluja Liangrong Songin, New Hope Dairyn tuotantoteknologiakeskuksen apulaisjohtajan, tilan johtoryhmän ja ravitsemusasiantuntijoiden kanssa ymmärtääksemme joitain maatilan ongelmia ja haasteita.

Ensimmäinen on varalehmien inventointi

Karjatilan lypsylehmät jaetaan kahteen tyyppiin: lypsylehmät ja varalehmiä. Lypsylehmät ovat kypsiä ja tuottavat jatkuvasti maitoa, kun taas varalehmät ovat lehmiä, jotka eivät ole vielä saavuttaneet maidontuotantoikää. Suuret ja keskisuuret tilat tarjoavat yleensä varalehmille suuremman avoimen toiminta-alueen mukavamman kasvuympäristön luomiseksi.

Sekä lypsylehmät että varalehmät ovat kuitenkin tilan omaisuutta ja ne on inventoitava kuukausittain. Lypsylehmiä lypsetään päivittäin, ja koska ne ovat suhteellisen hiljaa lypsyn aikana, varaston seuranta on helppoa. Varalehmät ovat kuitenkin avoimessa tilassa ja vaeltavat vapaasti, mikä tekee niiden inventoinnista hankalaa. Joka kerta kun inventointi tehdään, useat työntekijät laskevat reservilehmiä toistuvasti eri alueilta ja lopuksi määrät tarkistetaan. Tämä prosessi vie yhdestä kahteen päivää useilta työntekijöiltä, ​​ja usein esiintyy ongelmia laskennan kohdistamisessa tai epävarmuutta siitä, onko jokainen lehmä laskettu.

Aikaa voidaan säästää merkittävästi, jos meillä on mahdollisuus inventoida lehmät nopeasti ja tarkasti.

Toinen on ontuvan karjan tunnistaminen

Tällä hetkellä useimmat meijeriyritykset käyttävät rotua nimeltä Holstein tuottamaan maitoa. Holsteinit ovat mustavalkoisia lehmiä, jotka useimmat meistä tuntevat. Vaikka useimmat meijeriyritykset käyttävät samaa rotua, maidontuotannon määrässä ja laadussa on edelleen eroja eri yritysten ja maatilojen välillä. Tämä johtuu siitä, että lypsylehmien terveys vaikuttaa suoraan maidontuotantoon.

Lehmät eivät kuitenkaan voi ilmaista epämukavuutta itsestään kuten ihmiset, eikä eläinlääkärien ole käytännöllistä antaa tuhansille lehmille säännöllisesti fyysisiä tutkimuksia. Siksi meidän on käytettävä ulkoisia indikaattoreita arvioidaksemme nopeasti lehmien terveydentilaa.

Lehmän terveyden ulkoisia indikaattoreita ovat mm kehon kuntopisteet ja ontuvuusaste. Kehonkunnon pistemäärä liittyy pitkälti lehmän rasvaprosenttiin ja on pitkän aikavälin indikaattori, kun taas ontuminen on lyhytaikainen indikaattori, joka johtuu jalkaongelmista tai jalkatulehduksista ja muista lehmän mielialaan, terveyteen ja maidontuotantoon vaikuttavista seikoista. Lisäksi aikuiset holstein-lehmät voivat painaa yli 500 kg, mikä voi aiheuttaa merkittäviä vahinkoja heidän jaloilleen, jos ne eivät ole vakaat. Siksi eläinlääkärien tulee puuttua ontumiseen mahdollisimman pian.

Vuonna 2014 tehdyn tutkimuksen mukaan vakavasti ontuvien lehmien osuus voi olla Kiinassa jopa 31 prosenttia. Vaikka tilanne olisi voinut parantua tutkimuksen jälkeen, eläinlääkärien määrä tiloilla on erittäin rajallinen, mikä vaikeuttaa lehmien säännöllistä seurantaa. Ontumisen havaitessa tilanne on usein vakava, ja hoito on aikaa vievää ja vaikeaa, ja maidontuotanto vaikuttaa jo valmiiksi.

Jos meillä on keino havaita lehmien ontuminen ajoissa ja saada eläinlääkärit puuttumaan lievään ontumisvaiheeseen, lehmien yleinen terveys ja maidontuotanto paranevat ja tilan suorituskyky paranee.

Lopuksi on rehukustannusten optimointi

Kotieläinteollisuudessa rehu on suurin muuttuva kustannus. Rehujen laadun ja varaston varmistamiseksi tilojen on usein ostettava rehuainesosia kotimaisilta ja ulkomaisilta toimittajilta ja toimitettava ne rehuvalmistetehtaille jalostettaviksi. Nykyaikaisia ​​rehuainesosia on monenlaisia, mukaan lukien soijapapujauho, maissi, sinimailas, kauraruoho ja niin edelleen, mikä tarkoittaa, että pelissä on monia muuttujia. Jokaisella rehun ainestyypillä on oma hintasyklinsä ja hintavaihtelunsa. Merkittävissä vaihteluissa rehun kokonaiskustannukset voivat vaihdella yli 15 prosenttia, mikä vaikuttaa merkittävästi.

Rehukustannukset vaihtelevat, mutta maitotuotteiden hinnat ovat pitkällä aikavälillä suhteellisen vakaat. Näin ollen kokonaistuotto voi muuten muuttumattomissa olosuhteissa vaihdella merkittävästi pelkästään rehukustannusten muutoksista johtuen.

Tämän vaihtelun välttämiseksi on tarpeen harkita enemmän ainesosien varastointia, kun hinnat ovat alhaiset. Mutta istutuksessa on myös mietittävä, onko hinta aidosti kaukalolla ja mikä määrä rehua kannattaa ostaa kulloisenkin kulutuksen mukaan.

Jos pystymme ennustamaan tarkasti rehunkulutuksen ja yhdistämään sen yleiseen hintatrendiin ehdottaaksemme parasta rehujen hankintaajankohtaa ja -määrää, voimme vähentää kustannuksia ja lisätä tilan tehokkuutta.

On selvää, että nämä asiat liittyvät suoraan asiakkaan tavoitteeseen parantaa maatilan toiminnan tehokkuutta, ja menetelmät ovat vastaavasti vapauttaa työvoimaa, lisäämällä tuotantoa ja kustannusten vähentäminen. Valitsimme kunkin ongelman ratkaisemisen vaikeudesta ja arvosta keskustelemalla lisäämällä tuotantoa lähtökohtana ja asetti etusijalle ontuvien lehmien ongelman ratkaisemisen.

tutkimus

Ennen kuin teknologiasta puhuttiin, piti tehdä tutkimusta. Tutkimuksen teki yhdessä AWS:n asiakastiimi, the AWS Generative AI Innovation Center, joka hallitsi koneoppimisalgoritmimalleja, ja AWS AI Shanghai Lablet, joka tarjoaa algoritmikonsultointia uusimmasta tietokonenäkötutkimuksesta ja New Hope Dairyn asiantuntijatiimistä. Tutkimus jaettiin useisiin osiin:

• Perinteisen ontuvan lehmän paperipohjaisen tunnistusmenetelmän ymmärtäminen ja ontuvan lehmän peruskäsityksen kehittäminen.
• Vahvistaa olemassa olevia ratkaisuja, mukaan lukien maatiloilla ja teollisuudessa käytetyt.
• Maatilan ympäristötutkimuksen tekeminen fyysisen tilanteen ja rajoitusten ymmärtämiseksi.

Tutkimalla materiaaleja ja katsomalla paikan päällä tehtyjä videoita tiimit saivat perustiedot ontuvista lehmistä. Lukijat voivat saada myös peruskäsityksen ontuvien lehmien asennosta alla olevan animoidun kuvan kautta.

Toisin kuin suhteellisen terve lehmä.

Ontuvilla lehmillä on näkyviä eroja asennossa ja kävelyssä terveisiin lehmiin verrattuna.

Mitä tulee olemassa oleviin ratkaisuihin, useimmat karjatilat luottavat eläinlääkäreiden ja ravitsemusasiantuntijoiden suorittamaan silmämääräiseen tarkastukseen ontuvien lehmien tunnistamiseksi. Teollisuudessa on ratkaisuja, joissa käytetään puettavia askelmittareita ja kiihtyvyysmittareita tunnistamiseen, sekä ratkaisuja, jotka käyttävät tunnistamiseen ositettuja vaakoja, mutta molemmat ovat suhteellisen kalliita. Erittäin kilpailtua meijeriteollisuutta varten meidän on minimoitava tunnistuskustannukset sekä kustannukset ja riippuvuus ei-geneerisistä laitteista.

Keskusteltuaan ja analysoituaan tietoja karjaeläinlääkäreiden ja ravitsemusasiantuntijoiden kanssa AWS Generative AI Innovation Centerin asiantuntijat päättivät käyttää tietokonenäköä (CV) tunnistamiseen luottaen vain tavalliseen laitteistoon: siviilivalvontakameroihin, jotka eivät lisää taakkaa lehmiä ja vähentää kustannuksia ja käytön esteitä.

Tämän suunnan päättämisen jälkeen vierailimme keskikokoisella tilalla, jolla oli tuhansia lehmiä paikalla, tutkimme tilan ympäristöä ja määritimme kameran sijainnin ja kulman.

Alkuperäinen ehdotus

Nyt ratkaisuun. CV-pohjaisen ratkaisumme ydin koostuu seuraavista vaiheista:

• Lehmän tunniste: Tunnista useita lehmiä yhdestä videoruudusta ja merkitse jokaisen lehmän sijainti.
• Lehmän seuranta: Kun videota tallennetaan, meidän on seurattava jatkuvasti lehmiä kehysten muuttuessa ja määritettävä jokaiselle lehmälle yksilöllinen numero.
• Asennon merkintä: Vähennä lehmän liikkeiden ulottuvuutta muuntamalla lehmän kuvat merkittyiksi pisteiksi.
• Anomalian tunnistaminen: Tunnista poikkeavuudet merkittyjen pisteiden dynamiikassa.
• Ontuvan lehmän algoritmi: Normalisoi poikkeamat saadaksesi pisteen lehmän ontuvuuden asteen määrittämiseksi.
• Kynnyksen määritys: Hanki kynnys asiantuntijapanosten perusteella.

AWS Generative AI Innovation Centerin asiantuntijoiden arvion mukaan ensimmäiset askeleet ovat yleisiä vaatimuksia, jotka voidaan ratkaista avoimen lähdekoodin malleilla, kun taas jälkimmäiset vaativat matemaattisten menetelmien käyttöä ja asiantuntijan puuttumista.

Vaikeuksia ratkaisussa

Kustannusten ja suorituskyvyn tasapainottamiseksi valitsimme yolov5l-mallin, keskikokoisen lehmäntunnistusta varten koulutetun mallin, jonka tuloleveys on 640 pikseliä, mikä tarjoaa hyvän vastineen tälle kohtaukselle.

Vaikka YOLOv5 on vastuussa lehmien tunnistamisesta ja merkitsemisestä yhdessä kuvassa, todellisuudessa videot koostuvat useista kuvista (kehyksistä), jotka muuttuvat jatkuvasti. YOLOv5 ei pysty tunnistamaan, että eri kehyksissä olevat lehmät kuuluvat samalle yksilölle. Lehmän jäljittämiseksi ja paikantamiseksi useiden kuvien kautta tarvitaan toinen malli nimeltä SORT.

SORT tarkoittaa yksinkertainen online- ja reaaliaikainen seuranta, Jossa verkossa tarkoittaa, että se pitää vain nykyiset ja edelliset kehykset seurattavana ottamatta huomioon muita kehyksiä, ja reaaliaika tarkoittaa, että se voi tunnistaa kohteen identiteetin välittömästi.

SORTin kehittämisen jälkeen monet insinöörit ottivat sen käyttöön ja optimoivat sen, mikä johti OC-SORTin kehittämiseen, joka ottaa huomioon objektin ulkonäön, DeepSORTin (ja sen päivitetyn version, StrongSORTin), joka sisältää ihmisen ulkonäön, ja ByteTrackin, joka käyttää kaksivaiheinen assosiaatiolinkkeri, jonka avulla voidaan harkita matalan luotettavuuden tunnistamista. Testauksen jälkeen havaitsimme, että meidän kohtauksellemme DeepSORTin ulkonäönseurantaalgoritmi sopii paremmin ihmisille kuin lehmille, ja ByteTrackin seurantatarkkuus on hieman heikompi. Tämän seurauksena valitsimme lopulta OC-SORTin seuranta-algoritmiksemme.

Seuraavaksi käytämme DeepLabCut (lyhyesti DLC) merkitsemään lehmien luustopisteitä. DLC on merkkitön malli, mikä tarkoittaa, että vaikka eri pisteillä, kuten päässä ja raajoilla, voi olla eri merkitys, ne ovat kaikki vain pistettä DLC:lle, joka edellyttää vain pisteiden merkitsemistä ja mallin kouluttamista.

Tämä johtaa uuteen kysymykseen: kuinka monta pistettä jokaiseen lehmään tulisi merkitä ja mihin ne pitäisi merkitä? Vastaus tähän kysymykseen vaikuttaa merkitsemisen, koulutuksen ja myöhemmän päättelyn tehokkuuteen. Tämän ongelman ratkaisemiseksi meidän on ensin ymmärrettävä, kuinka ontuvat lehmät tunnistetaan.

Tutkimuksemme ja asiantuntevien asiakkaidemme panosten perusteella ontuvilla lehmillä on videoissa seuraavat ominaisuudet:

• Kaareva selkä: Kaula ja selkä ovat kaarevia muodostaen kolmion niskaluun juuren kanssa (kaariselkä).
• Toistuva nyökkäys: Jokainen askel voi aiheuttaa lehmän tasapainon menettämisen tai liukastumisen, mikä johtaa usein nuokkuva (pää heiluu).
• Epävakaa kävely: Lehmän kävely muuttuu muutaman askeleen jälkeen, pienin tauon jälkeen (kulkumallin muutos).

Kaulan ja selän kaarevuuden sekä nyökkäämisen osalta AWS Generative AI Innovation Centerin asiantuntijat ovat todenneet, että vain seitsemän selkäpisteen merkitseminen (yksi päähän, yksi niskan tyveen ja viisi selkään) voi tuloksena on hyvä tunnistaminen. Koska meillä on nyt tunnistuskehys, meidän pitäisi pystyä tunnistamaan myös epävakaat kävelymallit.

Seuraavaksi käytämme matemaattisia lausekkeita edustamaan tunnistustuloksia ja muodostamaan algoritmeja.

Ihmisten tunnistaminen näistä ongelmista ei ole vaikeaa, mutta tietokoneiden tunnistamiseen tarvitaan tarkkoja algoritmeja. Miten ohjelma esimerkiksi tietää lehmän selän kaarevuusasteen, kun annetaan joukko lehmän takakoordinaattipisteitä? Mistä se tietää, nyökkääkö lehmä?

Selän kaarevuuden kannalta harkitsemme ensin lehmän selän käsittelemistä kulmana ja sitten löydämme kulman kärjen, jonka avulla voimme laskea kulman. Tämän menetelmän ongelmana on, että selkärangassa voi olla kaksisuuntainen kaarevuus, mikä tekee kulman kärjen tunnistamisen vaikeaksi. Tämä edellyttää siirtymistä muihin algoritmeihin ongelman ratkaisemiseksi.

Mitä tulee nyökkäämiseen, harkitsimme ensin Fréchet-etäisyyden käyttöä sen määrittämiseksi, nyökkääkö lehmä vertaamalla eroa lehmän yleisasennon käyrässä. Ongelmana on kuitenkin se, että lehmän luurankopisteet voivat siirtyä, mikä aiheuttaa merkittävän etäisyyden samanlaisten käyrien välillä. Tämän ongelman ratkaisemiseksi meidän on poistettava pään sijainti suhteessa tunnistuslaatikkoon ja normalisoitava se.

Pään asennon normalisoinnin jälkeen kohtasimme uuden ongelman. Seuraavassa kuvassa vasemmalla oleva kaavio näyttää lehmän pään asennon muutoksen. Näemme, että tunnistustarkkuusongelmista johtuen pääpisteen asento tärisee jatkuvasti hieman. Meidän on poistettava nämä pienet liikkeet ja löydettävä pään suhteellisen suuri liiketrendi. Tässä tarvitaan jonkin verran tietoa signaalinkäsittelystä. Savitzky-Golay-suodatinta käyttämällä voimme tasoittaa signaalia ja saada sen yleistrendin, mikä helpottaa nyökkäysten tunnistamista, kuten oikealla olevan kaavion oranssi käyrä osoittaa.

Lisäksi kymmeniä tunteja kestäneen videotunnistuksen jälkeen havaitsimme, että joillakin lehmillä, joilla oli erittäin korkea selkäkaarevuus, ei itse asiassa ollut kyyryä. Lisätutkimukset paljastivat, että tämä johtui siitä, että suurin osa DLC-mallin kouluttamiseen käytetyistä lehmistä oli enimmäkseen mustia tai mustavalkoisia, eikä paljon ollut lehmiä, jotka olivat enimmäkseen valkoisia tai lähes puhtaan valkoisia, mikä johti siihen, että malli tunnisti ne väärin, kun heidän vartalossaan oli suuria valkoisia alueita, kuten alla olevassa kuvassa oleva punainen nuoli osoittaa. Tämä voidaan korjata mallikoulutuksella.

Edellisten ongelmien ratkaisemisen lisäksi oli muitakin yleisiä ongelmia, jotka piti ratkaista:

• Videokehyksessä on kaksi polkua, ja myös kaukana olevat lehmät voidaan tunnistaa, mikä aiheuttaa ongelmia.
• Myös videon poluilla on tietty kaarevuus, ja lehmän vartalon pituus lyhenee lehmän ollessa polun sivuilla, jolloin asento on helppo tunnistaa väärin.
• Useiden lehmien päällekkäisyyden tai aidan tukoksen vuoksi sama lehmä voidaan tunnistaa kahdeksi lehmäksi.
• Seurantaparametrien ja kameran satunnaisten kuvien ohittamisen vuoksi lehmiä on mahdotonta seurata oikein, mikä johtaa ID-sekaannuksiin.

Lyhyellä aikavälillä nämä ongelmat voidaan yleensä ratkaista outlier-arviointialgoritmeilla yhdistettynä luottamussuodatukseen, ja jos niitä ei voida ratkaista, niistä tulee lyhyellä aikavälillä, kun otetaan huomioon, että New Hope Dairyn kanssa toimitetaan vähintään elinkelpoinen tuote ja sen jälkeen iteroidaan. virheellisiä tietoja, mikä vaatii meidän suorittamaan lisäkoulutusta ja toistamaan jatkuvasti algoritmejamme ja mallejamme.

Pitkällä aikavälillä, AWS AI Shanghai Lablet tarjosivat tulevaisuuden kokeiluehdotuksia edellisten ongelmien ratkaisemiseksi objektikeskeisen tutkimuksensa perusteella: Kuilun kurominen reaalimaailman objektikeskeiseen oppimiseen ja Itsevalvottu Amodal-videoobjektien segmentointi. Näiden poikkeavien tietojen mitätöimisen lisäksi ongelmat voidaan ratkaista myös kehittämällä tarkempia oliotason malleja asennon estimointia, amodaalista segmentointia ja valvottua seurantaa varten. Perinteiset visioputkistot näihin tehtäviin vaativat kuitenkin tyypillisesti laajan merkinnän. Objektikeskeinen oppiminen keskittyy ratkaisemaan pikselien sitoutumisongelmat esineisiin ilman lisävalvontaa. Sidosprosessi ei ainoastaan ​​tarjoa tietoa objektien sijainnista, vaan myös johtaa vankoihin ja mukautuviin objektiesitykseen loppupään tehtäviin. Koska kohdekeskeinen putkilinja keskittyy itsevalvottuihin tai heikosti valvottuihin asetuksiin, voimme parantaa suorituskykyä ilman, että asiakkaamme merkintäkustannuksia merkittävästi nostetaan.

Ongelmien ratkaisemisen ja maatilan eläinlääkärin ja ravitsemusterapeutin antamien pistemäärien yhdistämisen jälkeen olemme saaneet lehmille kattavan ontuvuuspisteen, joka auttaa tunnistamaan lehmät, joilla on eriasteinen ontuvuus, kuten vaikea, keskivaikea ja lievä. tunnistaa useita lehmien kehon asennon ominaisuuksia, mikä auttaa jatkossa analysoimaan ja arvioimaan.

Kehitimme muutaman viikon sisällä kokonaisvaltaisen ratkaisun ontuvien lehmien tunnistamiseen. Tämän ratkaisun laitteistokamera maksoi vain 300 RMB, ja Amazon Sage Maker Eräpäätelmä, kun käytettiin g4dn.xlarge-instanssia, kesti noin 50 tuntia 2 tunnin videolle, yhteensä vain 300 RMB. Tuotannon alkaessa, jos viikoittain havaitaan viisi lehmäerää (olettaen noin 10 tuntia) ja rullaavat tallennetut videot ja tiedot mukaan lukien, kuukausittaiset havaitsemiskustannukset keskikokoiselle karjatilalle, jossa on useita tuhansia lehmiä, ovat alle 10,000 XNUMX RMB.

Tällä hetkellä koneoppimismalliprosessimme on seuraava:

1. Raakavideo tallennetaan.
2. Lehmät havaitaan ja tunnistetaan.
3. Jokaista lehmää seurataan ja tärkeimmät kohdat havaitaan.
4. Jokaisen lehmän liike analysoidaan.
5. Ontuvuuspisteet määritetään.

Mallin käyttöönotto

Olemme aiemmin kuvanneet ratkaisun ontuvien lehmien tunnistamiseen koneoppimisen perusteella. Nyt meidän on otettava nämä mallit käyttöön SageMakerissa. Kuten seuraavasta kuvasta näkyy:

Liiketoiminnan toteutus

Tietenkin se, mistä olemme keskustelleet tähän mennessä, on vain teknisen ratkaisumme ydin. Integroidaksemme koko ratkaisun liiketoimintaprosessiin meidän on myös ratkaistava seuraavat asiat:

• Palaute tiedoista: Meidän on esimerkiksi tarjottava eläinlääkäreille käyttöliittymä, jolla voidaan suodattaa ja tarkastella ontuvia lehmiä, joita on käsiteltävä ja kerättävä tietoja tämän prosessin aikana käytettäväksi koulutustietoina.
• Lehmän tunniste: Kun eläinlääkäri näkee ontuvan lehmän, hänen on tiedettävä myös lehmän henkilöllisyys, kuten sen numero ja karsina.
• Lehmän sijoitus: Paikanna kohdelehmä nopeasti karsinassa, jossa on satoja lehmiä.
• Tietojen louhinta: Ota esimerkiksi selville, miten ontuvuusaste vaikuttaa ruokitukseen, märehtimiseen, lepoon ja maidontuotantoon.
• Tieto-ohjautuva: Tunnista esimerkiksi ontuvien lehmien geneettiset, fysiologiset ja käyttäytymisominaisuudet optimaalisen jalostuksen ja lisääntymisen saavuttamiseksi.

Vain näihin ongelmiin puuttumalla ratkaisu voi todella ratkaista liiketoimintaongelman, ja kerätyt tiedot voivat tuottaa pitkäaikaista arvoa. Jotkut näistä ongelmista ovat järjestelmäintegraatioongelmia, kun taas toiset ovat teknologia- ja yritysintegraatioongelmia. Jaamme lisätietoja näistä ongelmista tulevissa artikkeleissa.

Yhteenveto

Tässä artikkelissa kerroimme lyhyesti, kuinka AWS Customer Solutions -tiimi innovoi nopeasti asiakkaan liiketoiminnan perusteella. Tällä mekanismilla on useita ominaisuuksia:

• Liiketoiminnan johtaminen: Priorisoi asiakkaan toimialan ja liiketoimintaprosessien ymmärtäminen paikan päällä ja henkilökohtaisesti ennen teknologiasta keskustelemista ja syvenny sitten asiakkaan kipukohtiin, haasteisiin ja ongelmiin tunnistaaksesi tärkeitä teknologian avulla ratkaistavia asioita.
• Heti saatavilla: Tarjoa yksinkertainen mutta täydellinen ja käyttökelpoinen prototyyppi suoraan asiakkaalle testausta, validointia ja nopeaa iterointia varten viikkojen, ei kuukausien kuluessa.
• Pienimmät kustannukset: Minimoi tai jopa eliminoi asiakkaan kustannukset ennen kuin arvo on todella vahvistettu, jolloin vältytään tulevaisuudesta. Tämä on linjassa AWS:n kanssa säästäväisyys johtamisen periaate.

Yhteistyössä meijeriteollisuuden kanssa tehdyssä innovaatioprojektissamme lähdemme paitsi liiketoiminnan näkökulmasta tunnistamaan yritystoiminnan asiantuntijoiden kanssa konkreettisia liiketoimintaongelmia, vaan teimme myös tilalla ja tehtaalla paikan päällä tutkimuksia asiakkaan kanssa. Määritimme kameroiden sijainnin paikan päällä, asensimme ja otimme käyttöön kamerat sekä otimme käyttöön videon suoratoistoratkaisun. AWS Generative AI Innovation Centerin asiantuntijat erottelivat asiakkaan vaatimukset ja kehittivät algoritmin, jonka ratkaisuarkkitehti suunnitteli koko algoritmille.

Jokaisella päätelmällä voimme saada tuhansia hajautettuja ja merkittyjä lehmän kävelyvideoita, joista jokaisessa oli alkuperäinen videotunnus, lehmän tunnus, ontuvuuspisteet ja erilaiset yksityiskohtaiset pisteet. Täydellinen laskentalogiikka ja raaka kävelytiedot säilytettiin myös myöhempää algoritmin optimointia varten.

Ontuvuustietoja ei voi käyttää vain eläinlääkärien varhaiseen puuttumiseen, vaan ne voivat myös yhdistää lypsykonetietoihin ristiinanalyysiä, mikä tarjoaa lisävalidointiulottuvuuden ja vastaa joihinkin liiketoiminnan lisäkysymyksiin, kuten: Mitkä ovat lehmien fyysiset ominaisuudet, joilla on korkein maidon tuotto? Miten ontuminen vaikuttaa lehmien maidontuotantoon? Mikä on ontuvien lehmien pääasiallinen syy ja miten sitä voidaan ehkäistä? Nämä tiedot antavat uusia ideoita maatilan toimintaan.

Ontuvien lehmien tunnistamisen tarina päättyy tähän, mutta maatilan innovaatioiden tarina on vasta alkanut. Seuraavissa artikkeleissa jatkamme keskustelua siitä, kuinka teemme tiivistä yhteistyötä asiakkaiden kanssa muiden ongelmien ratkaisemiseksi.

---

Tietoja Tekijät

Hao Huang on soveltava tutkija AWS Generative AI Innovation Centerissä. Hän on erikoistunut Computer Vision (CV) ja Visual-Language Model (VLM). Viime aikoina hän on herättänyt vahvaa kiinnostusta generatiivisiin tekoälytekniikoihin ja on jo tehnyt yhteistyötä asiakkaiden kanssa soveltaakseen näitä huipputeknologioita heidän liiketoiminnassaan. Hän on myös arvioija tekoälykonferensseissa, kuten ICCV ja AAAI.

Peiyang He on vanhempi datatutkija AWS Generative AI Innovation Centerissä. Hän työskentelee asiakkaiden kanssa useilla eri toimialoilla ratkaistakseen heidän kiireellisimmät ja innovatiivisimmat liiketoimintatarpeensa hyödyntäen GenAI/ML-ratkaisuja. Vapaa-ajallaan hän harrastaa hiihtoa ja matkustamista.

Xuefeng Liu johtaa tiederyhmää AWS Generative AI -innovaatiokeskuksessa Aasian ja Tyynenmeren alueella ja Suur-Kiinassa. Hänen tiiminsä tekee yhteistyötä AWS-asiakkaiden kanssa generatiivisissa tekoälyprojekteissa tavoitteenaan nopeuttaa asiakkaiden omaksumista generatiivisessa tekoälyssä.

Tianjun Xiao on vanhempi sovellettu tutkija AWS AI Shanghai Labletissa, joka johtaa tietokonenäkötyötä. Tällä hetkellä hänen pääpainonsa on multimodaalisten perusmallien ja objektikeskeisen oppimisen alueilla. Hän tutkii aktiivisesti niiden mahdollisuuksia erilaisissa sovelluksissa, kuten videoanalyysissä, 3D-näössä ja autonomisessa ajamisessa.

Zhang Dai on AWS:n vanhempi ratkaisuarkkitehti China Geo Business Sectorille. Hän auttaa erikokoisia yrityksiä saavuttamaan liiketoimintatavoitteensa konsultoimalla liiketoimintaprosesseja, käyttökokemusta ja pilviteknologiaa. Hän on tuottelias blogikirjoittaja ja myös kahden kirjan kirjoittaja: The Modern Autodidact ja Designing Experience.

Jianyu Zeng on AWS:n vanhempi asiakasratkaisupäällikkö, jonka tehtävänä on tukea asiakkaita, kuten New Hope -konsernia, heidän pilvisiirron aikana ja auttaa heitä saavuttamaan liiketoiminta-arvoa pilvipohjaisten teknologiaratkaisujen avulla. Koska hän on vahvasti kiinnostunut tekoälystä, hän tutkii jatkuvasti tapoja hyödyntää tekoälyä innovatiivisten muutosten aikaansaamiseksi asiakkaidemme liiketoiminnassa.

Carol Tong Min on vanhempi liiketoiminnan kehityspäällikkö, joka vastaa GCR GEO Westin avainasiakkaista, mukaan lukien kaksi tärkeää yritysasiakasta: Jiannanchun Group ja New Hope Group. Hän on asiakkaiden pakkomielle ja on aina intohimoinen asiakkaiden pilvimatkan tukemisesta ja nopeuttamisesta.

Nick Jiang on vanhempi myyntiasiantuntija AIML SSO -tiimissä Kiinassa. Hän keskittyy innovatiivisten AIML-ratkaisujen siirtoon ja auttaa asiakkaita rakentamaan tekoälyyn liittyviä työkuormia AWS:ssä.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/