logo móvil
Contáctanos

El desarrollo de un sistema de predicción de peso para cerdos utilizando Raspberry Pi

Autores: Na, Myung Hwan; Cho, Wan Hyun; Kim, Sang Kyoon; Na, In Seop

Idioma: Inglés

Editor: MDPI

Año: 2023

Descargar PDF

Acceso abierto

Artículo científico
2023

El desarrollo de un sistema de predicción de peso para cerdos utilizando Raspberry Pi


Categoría

Ciencias Agrícolas y Biológicas

Subcategoría

Ciencias Agrícolas y Biológicas Generales

Palabras clave

Ganado
Peso
Sistema de predicción
Raspberry Pi
Cerdo
Captura de imágenes

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 31

Citaciones: Sin citaciones


Descripción
Generalmente, medir el peso del ganado es difícil; es una tarea que consume tiempo, es incómoda y estresante tanto para las granjas de ganado como para el ganado que se va a medir. Por lo tanto, estos problemas deben resolverse para aumentar la conveniencia y reducir los costos económicos. En este estudio, desarrollamos un sistema de predicción portátil que puede predecir automáticamente los pesos de cerdos, que se utilizan comúnmente para consumo entre el ganado, utilizando Raspberry Pi. El sistema propuesto consta de tres partes: captura de datos de imagen de cerdos, predicción de peso de cerdos y visualización de los resultados predichos. Primero, los datos de imagen de cerdos se capturan utilizando una cámara de profundidad tridimensional. En segundo lugar, el peso del cerdo se predice mediante la segmentación del ganado de la imagen de entrada utilizando el módulo de Raspberry Pi y extrayendo características de la imagen segmentada. En tercer lugar, se utiliza un monitor de 10.1 pulgadas para mostrar visualmente los resultados predichos. Para evaluar el rendimiento del dispositivo de predicción construido, el dispositivo se aprende utilizando el conjunto de datos del sensor 3D recopilado de granjas de cría específicas, y la eficiencia del sistema se evalúa utilizando datos de verificación separados. Los resultados de la evaluación muestran que el dispositivo propuesto logra aproximadamente 10.702 para RMSE, 8.348 para MAPE y 0.146 para el poder predictivo de MASE.

Otros recursos que podrían interesarte

Temas Virtualpro