The necessity to develop a more efficient and ethical livestock system, in response to future social and demographic conditions, requires the adoption of new technologies to support human decision-making and activities. Improving the welfare of dairy cattle through the interpretation of social behaviours and interactions within the herd is one of the key objectives for optimizing animal productivity. In this regard, recent advances in Computer Vision techniques and the proliferation of artificial intelligence-based systems have laid the foundation for new Precision Livestock Farming techniques, playing a central role in the development of the productive sector. This thesis aims to study deeper these topics by describing a Computer Vision system capable of efficiently utilizing Deep Learning models, automatically identifying and tracking a large number of dairy cows housed in a commercial barn equipped with automated milking systems through the YOLOv8 framework. The work is divided into two areas: the first, theoretical section evaluates the state of the art in Precision Livestock Farming systems and Computer Vision technologies specifically on dairy cow breeding, while the second is experimental. This section reports the results obtained from training the YOLOv8 model on a dataset generated from video footage recorded through the placement of 2D cameras in the barn. Additionally, the application of a model for associating the animal's unique identification code with the generated track is described, leveraging the recognition of the cow by the robot during milking. The results derived from the validation of the Object Detection and Tracking model suggest that it is significantly effective in detecting cows, maintaining a good balance between correctly identifying true positives and reducing false positives. The balance between accuracy and efficiency suggests that the protocol is suitable for the tracking needs of cows. The integration of the temporary ID association algorithm with the identification code opens the possibility of combining social network evaluation with the productive data collected by the automatic milking system. Overall, the results indicate the suitability of the model for practical use, paving the way for future real-time analyses of cow social networks and promising advancements in dairy farm management.
La necessità di sviluppare un sistema zootecnico più efficiente ed etico, in risposta alle condizioni sociali e demografiche future, impone l’impiego di nuove tecnologie a supporto delle decisioni e attività umane. Il miglioramento del benessere delle vacche, attraverso l’interpretazione dei comportamenti sociali e delle interazioni all’interno della mandria, è uno degli elementi a cui mirare per l’ottimizzazione della produttività animale. In questo, i recenti progressi delle metodiche di Computer Vision e la diffusione di sistemi basati sull’intelligenza artificiale, pongono le basi per nuove tecniche di Precision Livestock Farming, con ruolo centrale nello sviluppo del settore produttivo. Questa tesi si propone quindi di approfondire tali tematiche, descrivendo un sistema di Computer Vision capace di sfruttare in modo efficiente il funzionamento dei modelli di Deep Learning, identificando e tracciando automaticamente attraverso il framework YOLOv8, un alto numero di vacche da latte disposte in una stalla commerciale equipaggiata con sistemi di mungitura automatizzati. Il lavoro è stato suddiviso in due aree: una prima sezione, teorica, atta a valutare lo stato dell'arte dei sistemi di Precision Livestock Farming e delle tecnologie di Computer Vision applicate all’allevamento delle vacche da latte, ed una sezione sperimentale. In questa vengono riportati i risultati ottenuti dall’allenamento del modello YOLOv8 su un dataset generato da fonti video registrate grazie al posizionamento di telecamere 2D nella stalla. Inoltre, viene descritta l’applicazione di un modello per l’associazione del codice identificativo univoco dell’animale al tracciato generato, sfruttando il riconoscimento della bovina da parte del robot durante la mungitura. I risultati derivati dalla validazione del modello di Object Detection e Tracking, suggeriscono che questo sia significativamente efficace nel rilevare le vacche, mantenendo un buon equilibrio tra la corretta identificazione dei veri positivi e la riduzione dei falsi positivi. L’equilibrio tra accuratezza ed efficienza suggerisce che il protocollo sia adatto alle esigenze di tracciamento delle vacche. L’integrazione dell’algoritmo di associazione ID temporaneo e codice identificativo apre alla possibilità di combinare alla valutazione della rete sociale, i dati produttivi raccolti dal sistema automatico di mungitura. I risultati indicano complessivamente l'idoneità del modello all'uso pratico, aprendo la strada a future analisi in tempo reale delle reti sociali delle vacche e a promettenti progressi nella gestione degli allevamenti da latte.
Utilizzo dell'Intelligenza Artificiale e della Computer Vision per il monitoraggio del comportamento e del benessere delle bovine da latte in stalle con robot di mungitura
RINAUDO, DAVIDE
2023/2024
Abstract
La necessità di sviluppare un sistema zootecnico più efficiente ed etico, in risposta alle condizioni sociali e demografiche future, impone l’impiego di nuove tecnologie a supporto delle decisioni e attività umane. Il miglioramento del benessere delle vacche, attraverso l’interpretazione dei comportamenti sociali e delle interazioni all’interno della mandria, è uno degli elementi a cui mirare per l’ottimizzazione della produttività animale. In questo, i recenti progressi delle metodiche di Computer Vision e la diffusione di sistemi basati sull’intelligenza artificiale, pongono le basi per nuove tecniche di Precision Livestock Farming, con ruolo centrale nello sviluppo del settore produttivo. Questa tesi si propone quindi di approfondire tali tematiche, descrivendo un sistema di Computer Vision capace di sfruttare in modo efficiente il funzionamento dei modelli di Deep Learning, identificando e tracciando automaticamente attraverso il framework YOLOv8, un alto numero di vacche da latte disposte in una stalla commerciale equipaggiata con sistemi di mungitura automatizzati. Il lavoro è stato suddiviso in due aree: una prima sezione, teorica, atta a valutare lo stato dell'arte dei sistemi di Precision Livestock Farming e delle tecnologie di Computer Vision applicate all’allevamento delle vacche da latte, ed una sezione sperimentale. In questa vengono riportati i risultati ottenuti dall’allenamento del modello YOLOv8 su un dataset generato da fonti video registrate grazie al posizionamento di telecamere 2D nella stalla. Inoltre, viene descritta l’applicazione di un modello per l’associazione del codice identificativo univoco dell’animale al tracciato generato, sfruttando il riconoscimento della bovina da parte del robot durante la mungitura. I risultati derivati dalla validazione del modello di Object Detection e Tracking, suggeriscono che questo sia significativamente efficace nel rilevare le vacche, mantenendo un buon equilibrio tra la corretta identificazione dei veri positivi e la riduzione dei falsi positivi. L’equilibrio tra accuratezza ed efficienza suggerisce che il protocollo sia adatto alle esigenze di tracciamento delle vacche. L’integrazione dell’algoritmo di associazione ID temporaneo e codice identificativo apre alla possibilità di combinare alla valutazione della rete sociale, i dati produttivi raccolti dal sistema automatico di mungitura. I risultati indicano complessivamente l'idoneità del modello all'uso pratico, aprendo la strada a future analisi in tempo reale delle reti sociali delle vacche e a promettenti progressi nella gestione degli allevamenti da latte.| File | Dimensione | Formato | |
|---|---|---|---|
|
Tesi Rinaudo.pdf
non disponibili
Dimensione
3.39 MB
Formato
Adobe PDF
|
3.39 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14240/4664