Để mắt đến gia súc của bạn bằng công nghệ AI | Dịch vụ web của Amazon

At Amazon Web Services (AWS), chúng tôi không chỉ đam mê cung cấp cho khách hàng nhiều giải pháp kỹ thuật toàn diện mà còn quan tâm đến việc hiểu sâu sắc quy trình kinh doanh của khách hàng. Chúng tôi áp dụng quan điểm và đánh giá khách quan của bên thứ ba để giúp khách hàng sắp xếp các đề xuất giá trị của họ, thu thập các điểm yếu, đề xuất giải pháp phù hợp và tạo ra các nguyên mẫu có hiệu quả nhất về mặt chi phí và có thể sử dụng được để giúp họ đạt được mục tiêu kinh doanh của mình một cách có hệ thống.

Phương pháp này được gọi là làm việc ngược tại AWS. Nó có nghĩa là đặt công nghệ và giải pháp sang một bên, bắt đầu từ kết quả mong đợi của khách hàng, xác nhận giá trị của chúng, sau đó suy luận những việc cần làm theo thứ tự ngược lại trước khi triển khai giải pháp cuối cùng. Trong giai đoạn thực hiện, chúng tôi cũng tuân theo khái niệm về sản phẩm khả thi tối thiểu và cố gắng nhanh chóng tạo ra một nguyên mẫu có thể tạo ra giá trị trong vòng vài tuần, sau đó lặp lại nó.

Hôm nay, chúng ta hãy xem lại một nghiên cứu điển hình trong đó AWS và New Hope Dairy hợp tác để xây dựng trang trại thông minh trên đám mây. Từ bài đăng trên blog này, bạn có thể hiểu sâu hơn về những gì AWS có thể cung cấp để xây dựng trang trại thông minh và cách xây dựng các ứng dụng trang trại thông minh trên đám mây cùng với các chuyên gia AWS.

Bối cảnh dự án

Sữa là thức uống bổ dưỡng. Để đảm bảo sức khỏe quốc gia, Trung Quốc đã tích cực thúc đẩy sự phát triển của ngành sữa. Theo dữ liệu từ Euromonitor International, doanh số bán các sản phẩm sữa tại Trung Quốc đạt 638.5 tỷ RMB vào năm 2020 và dự kiến ​​sẽ đạt 810 tỷ RMB vào năm 2025. Ngoài ra, tốc độ tăng trưởng kép hàng năm trong 14 năm qua cũng đạt 10%, thể hiện sự phát triển nhanh chóng.

Mặt khác, tính đến năm 2022, phần lớn doanh thu của ngành sữa Trung Quốc vẫn đến từ sữa nước. 20% sữa nguyên liệu được sử dụng làm sữa nước và sữa chua, XNUMX% còn lại là sữa bột—một sản phẩm phái sinh của sữa nước. Chỉ một lượng rất nhỏ được sử dụng cho các sản phẩm được chế biến kỹ càng như phô mai và kem.

Sữa nước là sản phẩm được chế biến nhẹ và sản lượng, chất lượng cũng như giá thành của nó có mối liên hệ chặt chẽ với sữa tươi nguyên liệu. Điều này có nghĩa là nếu ngành sữa muốn giải phóng năng lực để tập trung sản xuất các sản phẩm được chế biến cao, tạo ra sản phẩm mới và tiến hành các nghiên cứu công nghệ sinh học tiên tiến hơn thì trước tiên phải cải thiện và ổn định sản lượng cũng như chất lượng sữa nguyên liệu.

Là công ty dẫn đầu ngành sữa, New Hope Dairy đã suy nghĩ về cách nâng cao hiệu quả hoạt động trang trại của mình và tăng sản lượng cũng như chất lượng sữa nguyên liệu. New Hope Dairy hy vọng sử dụng quan điểm của bên thứ ba và chuyên môn công nghệ của AWS để tạo điều kiện thuận lợi cho sự đổi mới trong ngành sữa. Với sự hỗ trợ và thăng tiến từ Liutong Hu, Phó chủ tịch và CIO của New Hope Dairy, nhóm khách hàng AWS bắt đầu tổ chức các hoạt động và các điểm đổi mới tiềm năng cho các trang trại bò sữa.

Những thách thức của trang trại bò sữa

AWS là chuyên gia trong lĩnh vực công nghệ đám mây, nhưng để thực hiện đổi mới trong ngành sữa, cần có lời khuyên chuyên môn từ các chuyên gia về lĩnh vực sữa. Do đó, chúng tôi đã thực hiện một số cuộc phỏng vấn sâu với Liangrong Song, Phó Giám đốc Trung tâm Công nghệ Sản xuất của New Hope Dairy, đội ngũ quản lý trang trại và các chuyên gia dinh dưỡng để hiểu một số vấn đề và thách thức mà trang trại phải đối mặt.

Đầu tiên là kiểm kê bò dự trữ

Bò sữa trong trang trại được chia thành hai loại: Bò sữa và bò dự trữ. Bò sữa đã trưởng thành và cho sữa liên tục, còn bò dự trữ là bò chưa đến tuổi cho sữa. Các trang trại quy mô lớn và vừa thường cung cấp cho bò dự trữ một khu vực hoạt động rộng rãi hơn để tạo môi trường phát triển thoải mái hơn.

Tuy nhiên, cả bò sữa và bò dự trữ đều là tài sản của trang trại và cần được kiểm kê hàng tháng. Bò sữa được vắt sữa hàng ngày và vì chúng tương đối đứng yên trong quá trình vắt sữa nên việc theo dõi hàng tồn kho rất dễ dàng. Tuy nhiên, bò dự trữ ở trong không gian rộng rãi và tự do đi lại nên việc kiểm kê chúng không thuận tiện. Mỗi lần kiểm kê được thực hiện, một số công nhân sẽ liên tục đếm số bò dự trữ từ các khu vực khác nhau và cuối cùng, các con số sẽ được kiểm tra. Quá trình này tiêu tốn từ một đến hai ngày đối với một số công nhân và thường có vấn đề trong việc sắp xếp số lượng hoặc không chắc chắn về việc liệu mỗi con bò đã được đếm hay chưa.

Có thể tiết kiệm được thời gian đáng kể nếu chúng ta có cách kiểm kê bò dự trữ một cách nhanh chóng và chính xác.

Thứ hai là xác định bò què

Hiện nay hầu hết các công ty sữa đều sử dụng giống có tên là Holstein để sản xuất sữa. Holsteins là những con bò đen trắng mà hầu hết chúng ta đều quen thuộc. Mặc dù hầu hết các công ty sữa đều sử dụng cùng một giống nhưng vẫn có sự khác biệt về số lượng và chất lượng sản xuất sữa giữa các công ty và trang trại khác nhau. Nguyên nhân là do sức khỏe của bò sữa ảnh hưởng trực tiếp đến sản lượng sữa.

Tuy nhiên, bò không thể tự mình biểu hiện sự khó chịu như con người và việc bác sĩ thú y thường xuyên khám sức khỏe cho hàng nghìn con bò là không thực tế. Vì vậy, chúng ta phải sử dụng các chỉ số bên ngoài để đánh giá nhanh tình trạng sức khỏe của bò.

Các chỉ số bên ngoài về sức khỏe của bò bao gồm chỉ số thể trạng và mức độ khập khiễng. Điểm tình trạng cơ thể phần lớn liên quan đến tỷ lệ phần trăm mỡ trong cơ thể của bò và là một chỉ báo dài hạn, trong khi tình trạng đi khập khiễng là một chỉ báo ngắn hạn do các vấn đề về chân hoặc nhiễm trùng bàn chân và các vấn đề khác ảnh hưởng đến tâm trạng, sức khỏe và sản lượng sữa của bò. Ngoài ra, bò Holstein trưởng thành có thể nặng hơn 500 kg, có thể gây tổn hại đáng kể cho đôi chân của chúng nếu không đứng vững. Vì vậy, khi tình trạng đi khập khiễng xảy ra, bác sĩ thú y nên can thiệp càng sớm càng tốt.

Theo một nghiên cứu năm 2014, tỷ lệ bò bị què nặng ở Trung Quốc có thể lên tới 31%. Mặc dù tình hình có thể đã được cải thiện kể từ khi nghiên cứu diễn ra nhưng số lượng bác sĩ thú y tại các trang trại rất hạn chế, gây khó khăn cho việc giám sát bò thường xuyên. Khi phát hiện ra bệnh khập khiễng, tình trạng thường nghiêm trọng, việc điều trị tốn nhiều thời gian và khó khăn, đồng thời việc sản xuất sữa cũng bị ảnh hưởng.

Nếu chúng ta có cách phát hiện kịp thời tình trạng què ở bò và nhắc nhở bác sĩ thú y can thiệp ở giai đoạn què nhẹ thì sức khỏe tổng thể và sản lượng sữa của bò sẽ tăng lên, hiệu suất của trang trại sẽ được cải thiện.

Cuối cùng là tối ưu hóa chi phí thức ăn

Trong ngành chăn nuôi, thức ăn là chi phí biến đổi lớn nhất. Để đảm bảo chất lượng và tồn kho thức ăn, các trang trại thường có nhu cầu mua nguyên liệu thức ăn từ các nhà cung cấp trong và ngoài nước rồi chuyển đến các nhà máy sản xuất thức ăn để chế biến. Có nhiều loại nguyên liệu thức ăn hiện đại, bao gồm bột đậu nành, ngô, cỏ linh lăng, cỏ yến mạch, v.v., điều đó có nghĩa là có nhiều biến số đang diễn ra. Mỗi loại nguyên liệu thức ăn có chu kỳ giá và biến động giá riêng. Trong những đợt biến động đáng kể, tổng chi phí thức ăn có thể dao động hơn 15%, gây ra tác động đáng kể.

Chi phí thức ăn dao động nhưng giá sản phẩm sữa tương đối ổn định trong thời gian dài. Do đó, trong các điều kiện không thay đổi, lợi nhuận tổng thể có thể dao động đáng kể hoàn toàn do thay đổi chi phí thức ăn.

Để tránh sự biến động này, cần cân nhắc việc dự trữ thêm nguyên liệu khi giá thấp. Nhưng việc thả giống cũng cần xem xét liệu giá có thực sự chạm đáy hay không và nên mua lượng thức ăn bao nhiêu tùy theo mức tiêu thụ hiện tại.

Nếu chúng ta có cách dự báo chính xác mức tiêu thụ thức ăn và kết hợp nó với xu hướng giá chung để đề xuất thời điểm và số lượng thức ăn tốt nhất để mua, chúng ta có thể giảm chi phí và tăng hiệu quả ở trang trại.

Rõ ràng là những vấn đề này liên quan trực tiếp đến mục tiêu cải thiện của khách hàng. hiệu quả hoạt động trang trạivà các phương pháp tương ứng giải phóng lao động, tăng sản lượng và giảm giá. Thông qua thảo luận về độ khó và giá trị của việc giải quyết từng vấn đề, chúng tôi đã chọn tăng sản lượng làm điểm khởi đầu và ưu tiên giải quyết vấn đề bò què.

Nghiên cứu

Trước khi thảo luận về công nghệ, nghiên cứu phải được tiến hành. Nghiên cứu này được nhóm khách hàng AWS, nhóm Trung tâm Sáng tạo AI Sáng tạo AWS, quản lý các mô hình thuật toán học máy và AWS AI Thượng Hải Lablet, nơi cung cấp tư vấn thuật toán về nghiên cứu thị giác máy tính mới nhất và đội ngũ chuyên gia nông nghiệp từ New Hope Dairy. Nghiên cứu được chia thành nhiều phần:

• Hiểu phương pháp nhận dạng bò què dựa trên giấy truyền thống và phát triển sự hiểu biết cơ bản về bò què là gì.
• Xác nhận các giải pháp hiện có, bao gồm cả những giải pháp được sử dụng trong trang trại và trong công nghiệp.
• Tiến hành nghiên cứu môi trường trang trại để hiểu rõ thực trạng và những hạn chế.

Thông qua nghiên cứu tài liệu và quan sát video tại chỗ, các đội đã hiểu cơ bản về bò què. Bạn đọc cũng có thể hình dung cơ bản về tư thế của bò què thông qua hình ảnh động bên dưới.

Ngược lại với một con bò tương đối khỏe mạnh.

Bò què có sự khác biệt rõ rệt về tư thế và dáng đi so với bò khỏe mạnh.

Về các giải pháp hiện có, hầu hết các trang trại đều dựa vào sự kiểm tra trực quan của bác sĩ thú y và chuyên gia dinh dưỡng để xác định bò bị què. Trong ngành, có những giải pháp sử dụng máy đếm bước đi và máy đo gia tốc có thể đeo để nhận dạng, cũng như các giải pháp sử dụng cầu cân phân vùng để nhận dạng, nhưng cả hai đều tương đối đắt tiền. Đối với ngành sữa có tính cạnh tranh cao, chúng ta cần giảm thiểu chi phí nhận dạng cũng như chi phí và sự phụ thuộc vào phần cứng không chung chung.

Sau khi thảo luận và phân tích thông tin với các bác sĩ thú y và chuyên gia dinh dưỡng tại trang trại, các chuyên gia của Trung tâm đổi mới AI sáng tạo AWS đã quyết định sử dụng thị giác máy tính (CV) để nhận dạng, chỉ dựa vào phần cứng thông thường: camera giám sát dân sự, không tạo thêm gánh nặng nào cho hệ thống. bò và giảm chi phí cũng như rào cản sử dụng.

Sau khi quyết định hướng đi này, chúng tôi đã đến thăm một trang trại cỡ trung bình với hàng nghìn con bò tại chỗ, điều tra môi trường trang trại và xác định vị trí cũng như góc đặt camera.

Đề xuất ban đầu

Bây giờ, cho giải pháp. Cốt lõi của giải pháp dựa trên CV của chúng tôi bao gồm các bước sau:

• Nhận dạng bò: Xác định nhiều con bò trong một khung hình video và đánh dấu vị trí của từng con bò.
• Theo dõi bò: Trong khi quay video, chúng ta cần liên tục theo dõi những con bò khi khung hình thay đổi và gán một số duy nhất cho mỗi con bò.
• Đánh dấu tư thế: Giảm tính chiều của chuyển động của con bò bằng cách chuyển đổi hình ảnh con bò thành các điểm được đánh dấu.
• Nhận dạng bất thường: Xác định sự bất thường trong động lực học của các điểm được đánh dấu.
• Thuật toán bò què: Bình thường hóa các điểm bất thường để lấy điểm xác định mức độ què của bò.
• Xác định ngưỡng: Đạt được ngưỡng dựa trên đầu vào của chuyên gia.

Theo đánh giá của các chuyên gia của Trung tâm đổi mới AI sáng tạo AWS, một số bước đầu tiên là những yêu cầu chung có thể được giải quyết bằng mô hình nguồn mở, trong khi các bước sau yêu cầu chúng tôi sử dụng các phương pháp toán học và sự can thiệp của chuyên gia.

Khó khăn trong giải pháp

Để cân bằng chi phí và hiệu suất, chúng tôi đã chọn mô hình yolov5l, một mô hình được đào tạo trước cỡ trung bình để nhận dạng bò, với chiều rộng đầu vào là 640 pixel, mang lại giá trị tốt cho cảnh này.

Mặc dù YOLOv5 chịu trách nhiệm nhận dạng và gắn thẻ những con bò trong một hình ảnh duy nhất nhưng trên thực tế, video bao gồm nhiều hình ảnh (khung hình) thay đổi liên tục. YOLOv5 không thể xác định được những con bò trong các khung khác nhau thuộc về cùng một cá thể. Để theo dõi và định vị một con bò trên nhiều hình ảnh, cần có một mô hình khác gọi là SORT.

SORT là viết tắt của theo dõi trực tuyến và thời gian thực đơn giản, Nơi Trực tuyến có nghĩa là nó chỉ xem xét các khung hình hiện tại và trước đó để theo dõi mà không xem xét bất kỳ khung hình nào khác và thời gian thực có nghĩa là nó có thể xác định danh tính của đối tượng ngay lập tức.

Sau khi phát triển SORT, nhiều kỹ sư đã triển khai và tối ưu hóa nó, dẫn đến sự phát triển của OC-SORT, xem xét hình thức bên ngoài của đối tượng, DeepSORT (và phiên bản nâng cấp của nó, StrongSORT), bao gồm hình dáng con người và ByteTrack, sử dụng một trình liên kết liên kết hai giai đoạn để xem xét nhận dạng có độ tin cậy thấp. Sau khi thử nghiệm, chúng tôi nhận thấy rằng đối với cảnh của mình, thuật toán theo dõi ngoại hình của DeepSORT phù hợp với con người hơn là với bò và độ chính xác theo dõi của ByteTrack yếu hơn một chút. Do đó, cuối cùng chúng tôi đã chọn OC-SORT làm thuật toán theo dõi của mình.

Tiếp theo, chúng tôi sử dụng DeepLabCut (gọi tắt là DLC) để đánh dấu các điểm xương của bò. DLC là một mô hình không có điểm đánh dấu, có nghĩa là mặc dù các điểm khác nhau, chẳng hạn như đầu và tay chân, có thể có ý nghĩa khác nhau nhưng tất cả chúng đều chỉ là điểm đối với DLC, chỉ yêu cầu chúng tôi đánh dấu điểm và huấn luyện mô hình.

Điều này dẫn đến một câu hỏi mới: chúng ta nên đánh dấu bao nhiêu điểm trên mỗi con bò và chúng ta nên đánh dấu chúng ở đâu? Câu trả lời cho câu hỏi này ảnh hưởng đến khối lượng công việc đánh dấu, đào tạo và hiệu quả suy luận tiếp theo. Để giải quyết vấn đề này, trước tiên chúng ta phải hiểu cách nhận biết bò què.

Dựa trên nghiên cứu của chúng tôi và ý kiến ​​đóng góp của các khách hàng chuyên gia, những con bò què trong video thể hiện những đặc điểm sau:

• Một cái lưng cong: Cổ và lưng cong tạo thành hình tam giác với gốc xương cổ (vòm lưng).
• Thường xuyên gật đầu: Mỗi bước đi có thể khiến bò mất thăng bằng hoặc trượt chân, dẫn đến việc thường xuyên phải đi lại gật đầu (đầu lắc lư).
• dáng đi không ổn định: Dáng đi của con bò thay đổi sau một vài bước, có những khoảng dừng nhẹ (thay đổi dáng đi).

Liên quan đến độ cong của cổ và lưng cũng như hiện tượng gật đầu, các chuyên gia từ Trung tâm đổi mới AI sáng tạo AWS đã xác định rằng chỉ đánh dấu bảy điểm phía sau (một ở đầu, một ở gốc cổ và năm điểm ở lưng) trên gia súc là có thể. mang lại kết quả nhận dạng tốt. Vì bây giờ chúng ta đã có một khung nhận dạng nên chúng ta cũng có thể nhận ra các kiểu dáng đi không ổn định.

Tiếp theo, chúng tôi sử dụng các biểu thức toán học để biểu diễn kết quả nhận dạng và hình thức thuật toán.

Việc con người xác định những vấn đề này không khó nhưng cần có các thuật toán chính xác để nhận dạng máy tính. Ví dụ, làm thế nào một chương trình biết được độ cong của lưng con bò với một tập hợp các điểm tọa độ lưng con bò? Làm sao để biết bò có gật đầu hay không?

Về độ cong của lưng, trước tiên chúng ta coi lưng con bò là một góc và sau đó chúng ta tìm đỉnh của góc đó, từ đó cho phép chúng ta tính được góc. Vấn đề với phương pháp này là cột sống có thể có độ cong hai chiều, khiến cho khó xác định được đỉnh của góc. Điều này đòi hỏi phải chuyển sang các thuật toán khác để giải quyết vấn đề.

Về phần gật đầu, trước tiên chúng tôi cân nhắc sử dụng khoảng cách Fréchet để xác định xem con bò có gật đầu hay không bằng cách so sánh sự khác biệt về đường cong trong tư thế tổng thể của con bò. Tuy nhiên, vấn đề là các điểm xương của con bò có thể bị dịch chuyển, gây ra khoảng cách đáng kể giữa các đường cong tương tự nhau. Để giải quyết vấn đề này, chúng ta cần đưa ra vị trí của đầu so với hộp nhận dạng và chuẩn hóa nó.

Sau khi bình thường hóa vị trí của đầu, chúng tôi gặp phải một vấn đề mới. Trong hình ảnh tiếp theo, biểu đồ bên trái cho thấy sự thay đổi vị trí của đầu con bò. Chúng ta có thể thấy rằng do vấn đề về độ chính xác của nhận dạng, vị trí của điểm đầu sẽ liên tục rung lắc nhẹ. Chúng ta cần loại bỏ những chuyển động nhỏ này và tìm ra xu hướng chuyển động tương đối lớn của đầu. Đây là lúc cần có một số kiến ​​thức về xử lý tín hiệu. Bằng cách sử dụng bộ lọc Savitzky-Golay, chúng ta có thể làm mịn tín hiệu và thu được xu hướng tổng thể của nó, giúp chúng ta dễ dàng xác định cái gật đầu hơn, như được minh họa bằng đường cong màu cam trong biểu đồ bên phải.

Ngoài ra, sau hàng chục giờ nhận dạng video, chúng tôi phát hiện ra rằng một số con bò có độ cong lưng cực cao thực sự không hề bị gù lưng. Điều tra sâu hơn cho thấy điều này là do hầu hết những con bò được sử dụng để huấn luyện mô hình DLC hầu hết đều có màu đen hoặc đen trắng và không có nhiều con bò gần như trắng hoặc gần như trắng tinh, dẫn đến việc mô hình nhận dạng chúng không chính xác khi chúng có những vùng trắng lớn trên cơ thể, như được thể hiện bằng mũi tên màu đỏ trong hình bên dưới. Điều này có thể được khắc phục thông qua đào tạo mô hình thêm.

Ngoài việc giải quyết các vấn đề nêu trên, còn có các vấn đề chung khác cần giải quyết:

• Có hai đường dẫn trong khung hình video và những con bò ở xa cũng có thể được nhận dạng, gây ra sự cố.
• Các lối đi trong video cũng có độ cong nhất định, đồng thời chiều dài cơ thể của con bò trở nên ngắn hơn khi con bò nằm ở hai bên lối đi khiến tư thế dễ bị nhận biết sai.
• Do nhiều con bò chồng lên nhau hoặc bị hàng rào che khuất, cùng một con bò có thể được xác định là hai con bò.
• Do các thông số theo dõi và camera thỉnh thoảng bị bỏ khung hình nên không thể theo dõi chính xác những con bò, dẫn đến sự cố nhầm lẫn ID.

Trong ngắn hạn, dựa trên sự liên kết với New Hope Dairy trong việc cung cấp một sản phẩm khả thi tối thiểu và sau đó lặp lại nó, những vấn đề này thường có thể được giải quyết bằng các thuật toán đánh giá ngoại lệ kết hợp với lọc độ tin cậy và nếu không thể giải quyết được, chúng sẽ trở thành dữ liệu không hợp lệ, đòi hỏi chúng tôi phải thực hiện đào tạo bổ sung và liên tục lặp lại các thuật toán và mô hình của mình.

Về lâu dài, AWS AI Thượng Hải Lablet đã cung cấp các đề xuất thử nghiệm trong tương lai để giải quyết các vấn đề trước đó dựa trên nghiên cứu lấy đối tượng làm trung tâm của họ: Thu hẹp khoảng cách với việc học lấy đối tượng làm trung tâm trong thế giới thực và Phân đoạn đối tượng video Amodal tự giám sát. Bên cạnh việc vô hiệu hóa những dữ liệu ngoại lệ đó, các vấn đề cũng có thể được giải quyết bằng cách phát triển các mô hình cấp đối tượng chính xác hơn để ước tính tư thế, phân đoạn không theo phương thức và theo dõi có giám sát. Tuy nhiên, quy trình tầm nhìn truyền thống cho những nhiệm vụ này thường yêu cầu ghi nhãn rộng rãi. Học tập lấy đối tượng làm trung tâm tập trung vào việc giải quyết vấn đề liên kết pixel với đối tượng mà không cần có sự giám sát bổ sung. Quá trình liên kết không chỉ cung cấp thông tin về vị trí của các đối tượng mà còn tạo ra các biểu diễn đối tượng mạnh mẽ và có khả năng thích ứng cho các tác vụ tiếp theo. Vì quy trình lấy đối tượng làm trung tâm tập trung vào các cài đặt tự giám sát hoặc giám sát yếu nên chúng tôi có thể cải thiện hiệu suất mà không làm tăng đáng kể chi phí ghi nhãn cho khách hàng của mình.

Sau khi giải quyết một loạt vấn đề và kết hợp điểm số do bác sĩ thú y và chuyên gia dinh dưỡng của trang trại đưa ra, chúng tôi đã thu được điểm què toàn diện cho bò, giúp chúng tôi xác định những con bò có mức độ què khác nhau như nặng, trung bình và nhẹ, đồng thời cũng có thể xác định nhiều thuộc tính tư thế cơ thể của bò, giúp phân tích và phán đoán sâu hơn.

Trong vòng vài tuần, chúng tôi đã phát triển một giải pháp toàn diện để xác định những con bò què. Camera phần cứng cho giải pháp này chỉ có giá 300 RMB và Amazon SageMaker suy luận hàng loạt, khi sử dụng phiên bản g4dn.xlarge, mất khoảng 50 giờ cho 2 giờ video, tổng chi phí chỉ là 300 RMB. Khi đưa vào sản xuất, nếu phát hiện năm lô bò mỗi tuần (giả sử khoảng 10 giờ) và bao gồm cả dữ liệu và video đã lưu, chi phí phát hiện hàng tháng cho một trang trại cỡ trung bình với vài nghìn con bò là dưới 10,000 RMB.

Hiện tại, quy trình mô hình học máy của chúng tôi như sau:

1. Video thô được ghi lại.
2. Bò được phát hiện và xác định.
3. Mỗi con bò đều được theo dõi và các điểm chính được phát hiện.
4. Chuyển động của mỗi con bò đều được phân tích.
5. Điểm què được xác định.

Triển khai mô hình

Trước đây, chúng tôi đã mô tả giải pháp xác định những con bò què dựa trên công nghệ học máy. Bây giờ, chúng ta cần triển khai các mô hình này trên SageMaker. Như thể hiện trong hình sau:

Triển khai kinh doanh

Tất nhiên, những gì chúng ta đã thảo luận cho đến nay chỉ là cốt lõi của giải pháp kỹ thuật của chúng tôi. Để tích hợp toàn bộ giải pháp vào quy trình kinh doanh, chúng tôi cũng phải giải quyết các vấn đề sau:

• Phản hồi dữ liệu: Ví dụ: chúng tôi phải cung cấp cho bác sĩ thú y một giao diện để lọc và xem những con bò què cần được xử lý và thu thập dữ liệu trong quá trình này để sử dụng làm dữ liệu đào tạo.
• Nhận dạng bò: Sau khi bác sĩ thú y nhìn thấy một con bò bị què, họ cũng cần biết danh tính của con bò đó, chẳng hạn như số hiệu và chuồng nuôi.
• Định vị bò: Trong chuồng có hàng trăm con bò, hãy nhanh chóng xác định vị trí con bò mục tiêu.
• Khai thác dữ liệu: Ví dụ, tìm hiểu xem mức độ đi khập khiễng ảnh hưởng như thế nào đến việc cho ăn, nhai lại, nghỉ ngơi và sản xuất sữa.
• Theo hướng dữ liệu: Ví dụ, xác định các đặc điểm di truyền, sinh lý và hành vi của bò què để đạt được khả năng sinh sản và sinh sản tối ưu.

Chỉ bằng cách giải quyết những vấn đề này, giải pháp mới có thể thực sự giải quyết được vấn đề kinh doanh và dữ liệu được thu thập mới có thể tạo ra giá trị lâu dài. Một số vấn đề này là vấn đề tích hợp hệ thống, trong khi những vấn đề khác là vấn đề tích hợp công nghệ và kinh doanh. Chúng tôi sẽ chia sẻ thêm thông tin về những vấn đề này trong các bài viết trong tương lai.

Tổng kết

Trong bài viết này, chúng tôi đã giải thích ngắn gọn cách nhóm Giải pháp khách hàng AWS đổi mới nhanh chóng dựa trên hoạt động kinh doanh của khách hàng. Cơ chế này có một số đặc điểm:

• Lãnh đạo doanh nghiệp: Ưu tiên tìm hiểu ngành và quy trình kinh doanh của khách hàng tại cơ sở và trực tiếp trước khi thảo luận về công nghệ, sau đó đi sâu vào những điểm yếu, thách thức và vấn đề của khách hàng để xác định các vấn đề quan trọng có thể giải quyết bằng công nghệ.
• Có sẵn ngay lập tức: Cung cấp trực tiếp một nguyên mẫu đơn giản nhưng đầy đủ và có thể sử dụng được cho khách hàng để thử nghiệm, xác nhận và lặp lại nhanh chóng trong vòng vài tuần chứ không phải vài tháng.
• Chi phí tối thiểu: Giảm thiểu hoặc thậm chí loại bỏ chi phí của khách hàng trước khi giá trị thực sự được xác thực, tránh những lo ngại về tương lai. Điều này phù hợp với AWS thanh đạm nguyên tắc lãnh đạo.

Trong dự án hợp tác đổi mới với ngành sữa, chúng tôi không chỉ bắt đầu từ góc độ kinh doanh để xác định các vấn đề kinh doanh cụ thể với các chuyên gia kinh doanh mà còn tiến hành điều tra tại chỗ tại trang trại và nhà máy với khách hàng. Chúng tôi xác định vị trí đặt camera tại chỗ, cài đặt và triển khai camera cũng như triển khai giải pháp truyền phát video. Các chuyên gia từ Trung tâm đổi mới AI sáng tạo AWS đã phân tích các yêu cầu của khách hàng và phát triển một thuật toán, sau đó được kiến ​​trúc sư giải pháp thiết kế cho toàn bộ thuật toán.

Với mỗi suy luận, chúng tôi có thể thu được hàng nghìn video đi dạo của bò đã được phân hủy và gắn thẻ, mỗi video có ID video gốc, ID bò, điểm què và các điểm chi tiết khác nhau. Logic tính toán hoàn chỉnh và dữ liệu dáng đi thô cũng được giữ lại để tối ưu hóa thuật toán tiếp theo.

Dữ liệu về tình trạng què không chỉ có thể được sử dụng để các bác sĩ thú y can thiệp sớm mà còn được kết hợp với dữ liệu về máy vắt sữa để phân tích chéo, cung cấp một chiều xác thực bổ sung và trả lời một số câu hỏi kinh doanh bổ sung, chẳng hạn như: Đặc điểm thể chất của bò có mức độ què cao nhất là gì? sản lượng sữa? Bệnh què có ảnh hưởng gì đến khả năng sản xuất sữa ở bò? Nguyên nhân chính khiến bò què là gì và làm thế nào để phòng ngừa? Thông tin này sẽ cung cấp những ý tưởng mới cho hoạt động trang trại.

Câu chuyện xác định bò què kết thúc ở đây nhưng câu chuyện đổi mới trang trại mới bắt đầu. Trong các bài viết tiếp theo, chúng tôi sẽ tiếp tục thảo luận về cách chúng tôi hợp tác chặt chẽ với khách hàng để giải quyết các vấn đề khác.

---

Về các tác giả

Hào Hoàng là một nhà khoa học ứng dụng tại Trung tâm Đổi mới AI Sáng tạo AWS. Ông chuyên về Thị giác Máy tính (CV) và Mô hình Ngôn ngữ Trực quan (VLM). Gần đây, anh ấy bắt đầu quan tâm nhiều đến các công nghệ AI tổng hợp và đã hợp tác với khách hàng để áp dụng những công nghệ tiên tiến này vào hoạt động kinh doanh của họ. Ông cũng là người đánh giá cho các hội nghị AI như ICCV và AAAI.

Peiyang He là nhà khoa học dữ liệu cấp cao tại Trung tâm đổi mới AI sáng tạo AWS. Cô làm việc với khách hàng thuộc nhiều ngành công nghiệp khác nhau để giải quyết các nhu cầu kinh doanh đổi mới và cấp bách nhất của họ bằng cách tận dụng các giải pháp GenAI/ML. Trong thời gian rảnh rỗi, cô thích trượt tuyết và đi du lịch.

Tuyết Phong Lưu lãnh đạo một nhóm khoa học tại Trung tâm đổi mới AI sáng tạo AWS ở khu vực Châu Á Thái Bình Dương và Trung Quốc đại lục. Nhóm của anh ấy hợp tác với khách hàng của AWS trong các dự án AI sáng tạo, với mục tiêu thúc đẩy khách hàng nhanh chóng áp dụng AI sáng tạo.

Thiên Quân Tiêu là nhà khoa học ứng dụng cấp cao tại AWS AI Shanghai Lalet, đồng lãnh đạo các nỗ lực về thị giác máy tính. Hiện tại, trọng tâm chính của ông là lĩnh vực mô hình nền tảng đa phương thức và học tập lấy đối tượng làm trung tâm. Anh ấy đang tích cực nghiên cứu tiềm năng của chúng trong các ứng dụng đa dạng, bao gồm phân tích video, tầm nhìn 3D và lái xe tự động.

Trương Đại là kiến ​​trúc sư giải pháp cấp cao của AWS cho Khu vực kinh doanh địa lý Trung Quốc. Ông giúp các công ty thuộc nhiều quy mô khác nhau đạt được mục tiêu kinh doanh của mình bằng cách cung cấp tư vấn về quy trình kinh doanh, trải nghiệm người dùng và công nghệ đám mây. Ông là một người viết blog nhiều và cũng là tác giả của hai cuốn sách: Tự học hiện đại và Kinh nghiệm thiết kế.

Jianyu Zeng là người quản lý giải pháp khách hàng cấp cao tại AWS, người có trách nhiệm hỗ trợ khách hàng, chẳng hạn như nhóm New Hope, trong quá trình chuyển đổi sang đám mây và hỗ trợ họ hiện thực hóa giá trị kinh doanh thông qua các giải pháp công nghệ dựa trên đám mây. Với mối quan tâm sâu sắc đến trí tuệ nhân tạo, anh ấy không ngừng khám phá những cách tận dụng AI để thúc đẩy những thay đổi đổi mới trong hoạt động kinh doanh của khách hàng.

Carol Tong Min là giám đốc phát triển kinh doanh cấp cao, chịu trách nhiệm về các Tài khoản chính tại GCR GEO West, bao gồm hai khách hàng doanh nghiệp quan trọng: Tập đoàn Jiannanchun và Tập đoàn New Hope. Cô bị ám ảnh bởi khách hàng và luôn đam mê hỗ trợ cũng như đẩy nhanh hành trình đám mây của khách hàng.

Nick Giang là chuyên gia bán hàng cấp cao của nhóm AIML SSO tại Trung Quốc. Anh tập trung vào việc chuyển giao các giải pháp AIML cải tiến và hỗ trợ khách hàng xây dựng khối lượng công việc liên quan đến AI trong AWS.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/