Modelos de Aprendizaje Profundo para Predecir el Peso de Cerdo de Terminación Usando Nubes de Puntos
Autores: Paudel, Shiva; de Sousa, Rafael Vieira; Sharma, Sudhendu Raj; Brown-Brandl, Tami
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelos de Aprendizaje Profundo para Predecir el Peso de Cerdo de Terminación Usando Nubes de Puntos
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Animales
Predicción de peso
Red neuronal convolucional 3D
Nubes de puntos
Entrenamiento de modelos
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
La selección de animales para ser comercializados se completa en gran medida mediante su evaluación visual, confiando únicamente en el nivel de habilidad del cuidador de animales. El monitoreo en tiempo real del peso de los animales de granja proporcionaría información importante no solo para la comercialización, sino también para la evaluación de problemas de salud y bienestar. El objetivo de este estudio fue desarrollar y evaluar un método basado en Redes Neuronales Convolucionales 3D para predecir el peso a partir de nubes de puntos. Se utilizó una cámara estéreo de profundidad Intel Real Sense D435 colocada a 2.7 m de altura para capturar los videos 3D de un cerdo de engorde caminando libremente en un corral, con un peso que varía entre 20-120 kg. Se recolectaron el peso del animal y los videos 3D de 249 cerdos Landrace x Large White en las instalaciones de la FZEA-USP (Facultad de Zootecnia e Ingeniería de Alimentos, Universidad de Sao Paulo) entre el 5 de agosto y el 9 de noviembre de 2021. Las nubes de puntos se extrajeron manualmente del video 3D grabado y se aplicaron para modelado. Se utilizaron un total de 1186 nubes de puntos para el entrenamiento y validación del modelo utilizando el marco PointNet en Python con una división de 9:1 y se reservaron 112 nubes de puntos seleccionadas aleatoriamente para pruebas. Se calculó el volumen entre los puntos de la superficie corporal y un plano constante que se asemeja al suelo, y se correlacionó con el peso para hacer una comparación con los resultados del método PointNet. Se logró un coeficiente de determinación (R = 0.94) con el modelo de regresión PointNet en las nubes de puntos de prueba en comparación con el coeficiente de determinación (R = 0.76) obtenido del volumen del mismo animal. El RMSE de validación del modelo fue de 6.79 kg con un RMSE de prueba de 6.88 kg. Además, para analizar el rendimiento del modelo según el rango de peso, los cerdos se dividieron en tres rangos de peso diferentes: por debajo de 55 kg, entre 55 y 90 kg, y por encima de 90 kg. Para los diferentes grupos de peso, los cerdos que pesaban menos de 55 kg fueron los mejor predichos con el modelo. Los resultados mostraron claramente que el aprendizaje profundo 3D sobre conjuntos de puntos tiene un buen potencial para la predicción precisa del peso, incluso con un conjunto de datos de entrenamiento limitado. Por lo tanto, este estudio confirma la utilidad del aprendizaje profundo 3D sobre conjuntos de puntos para la predicción del peso de los animales de granja, mientras que se necesita utilizar un conjunto de datos más grande para garantizar las predicciones más precisas.
Descripción
La selección de animales para ser comercializados se completa en gran medida mediante su evaluación visual, confiando únicamente en el nivel de habilidad del cuidador de animales. El monitoreo en tiempo real del peso de los animales de granja proporcionaría información importante no solo para la comercialización, sino también para la evaluación de problemas de salud y bienestar. El objetivo de este estudio fue desarrollar y evaluar un método basado en Redes Neuronales Convolucionales 3D para predecir el peso a partir de nubes de puntos. Se utilizó una cámara estéreo de profundidad Intel Real Sense D435 colocada a 2.7 m de altura para capturar los videos 3D de un cerdo de engorde caminando libremente en un corral, con un peso que varía entre 20-120 kg. Se recolectaron el peso del animal y los videos 3D de 249 cerdos Landrace x Large White en las instalaciones de la FZEA-USP (Facultad de Zootecnia e Ingeniería de Alimentos, Universidad de Sao Paulo) entre el 5 de agosto y el 9 de noviembre de 2021. Las nubes de puntos se extrajeron manualmente del video 3D grabado y se aplicaron para modelado. Se utilizaron un total de 1186 nubes de puntos para el entrenamiento y validación del modelo utilizando el marco PointNet en Python con una división de 9:1 y se reservaron 112 nubes de puntos seleccionadas aleatoriamente para pruebas. Se calculó el volumen entre los puntos de la superficie corporal y un plano constante que se asemeja al suelo, y se correlacionó con el peso para hacer una comparación con los resultados del método PointNet. Se logró un coeficiente de determinación (R = 0.94) con el modelo de regresión PointNet en las nubes de puntos de prueba en comparación con el coeficiente de determinación (R = 0.76) obtenido del volumen del mismo animal. El RMSE de validación del modelo fue de 6.79 kg con un RMSE de prueba de 6.88 kg. Además, para analizar el rendimiento del modelo según el rango de peso, los cerdos se dividieron en tres rangos de peso diferentes: por debajo de 55 kg, entre 55 y 90 kg, y por encima de 90 kg. Para los diferentes grupos de peso, los cerdos que pesaban menos de 55 kg fueron los mejor predichos con el modelo. Los resultados mostraron claramente que el aprendizaje profundo 3D sobre conjuntos de puntos tiene un buen potencial para la predicción precisa del peso, incluso con un conjunto de datos de entrenamiento limitado. Por lo tanto, este estudio confirma la utilidad del aprendizaje profundo 3D sobre conjuntos de puntos para la predicción del peso de los animales de granja, mientras que se necesita utilizar un conjunto de datos más grande para garantizar las predicciones más precisas.