Técnicas de sensado y análisis del comportamiento del ganado en explotaciones extensivas

Abstract

RESUMEN: El objetivo principal de este Trabajo de Fin de Grado es el desarrollo de técnicas de inteligencia artificial para el reconocimiento de la actividad animal. El estudio abarca desde el desarrollo del software del sensor, hasta el entrenamiento de árboles de decisión para identificar las acciones que realiza el animal, pasando por todo el proceso de captura de datos, procesado de la señal y anotación para el aprendizaje. El proceso de anotación ha sido complejo, ya que ha sido necesario grabar en video las acciones que realiza el animal para, posteriormente, anotar los datos de los sensores. La sincronización del video y de los datos de los sensores ha sido uno de los retos afrontados, así como la caracterización del comportamiento de los sensores. Además de entrenar técnicas de inteligencia artificial, se ha desarrollado un sensor que ha sido mejorado con la experiencia adquirida durante las tomas de datos en campo. Este proceso ha dado lugar a 3 versiones del sensor, con diferente software embebido, gestión externa y tipo de montaje en el animal. Los resultados muestran que las técnicas de aprendizaje utilizadas proporcionan resultados similares a trabajos publicados anteriormente. Con los datos capturados con el sensor desarrollado se obtienen resultados menos brillantes, como consecuencia del tipo de terreno en el que se están monitorizando los animales. Estos resultados ponen de manifiesto la dificultad para generalizar resultados en este campo y la necesidad, por tanto, de seguir trabajando en él.

ABSTRACT: The main purpose of this Final Degree Project is the development of Artificial Intelligence techniques for the animal activity recognition. The study ranges from the development of the sensor software to the training of decision trees to identify the actions conducted by the animal, going through the entire process of data capture, signal processing and annotation for learning. The annotation process has been complex, since it has been necessary to videotape the actions conducted by the animal to later record the data from the sensors. The synchronization of the video and the data from the sensors has been one of the challenges faced, as well as the characterization of the behavior of the sensors. In addition to training artificial intelligence techniques, a sensor that has been improved with the acquired experience during field data collection has been developed. This process has led to three versions of the sensor, with different embedded software, external management, and type of mounting on the animal. The results show that the learning techniques used provide related results to previously published works. Less brilliant results are obtained with the data captured with the developed sensor, because of the type of terrain in which the animals are being monitored. These results highlight the difficulty in generalizing results in this field and the need, therefore, to continue working on it.