Luận văn ThS Nguyễn Thùy Trang: Ảnh hưởng cảm biến đến hiệu suất phân loại hành vi bò
Nghiên cứu các yếu tố ảnh hưởng hiệu suất hệ thống phân loại hành vi bò. Phân tích các vấn đề chính và đề xuất giải pháp cải thiện độ chính xác.
Luan An
Luận văn thạc sĩ
Năm xuất bản
Số trang
76
Thời gian đọc
12 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Mục lục chi tiết
Tóm tắt nội dung
I.Ứng dụng Học máy trong Giám sát Hành vi Bò Tổng quan
Nghiên cứu hiện đại đã chứng minh tầm quan trọng của việc giám sát hành vi bò trong chăn nuôi. Việc theo dõi chính xác hành vi ăn uống của bò, hành vi nghỉ ngơi bò sữa, và các hoạt động khác giúp phát hiện sớm các vấn đề sức khỏe hoặc động dục. Hệ thống phân loại hành vi gia súc ngày càng được ứng dụng rộng rãi. Đặc biệt, học máy trong chăn nuôi bò đang mở ra kỷ nguyên mới cho việc quản lý trang trại. Các mô hình học máy phân loại được phát triển để xử lý lượng dữ liệu lớn từ cảm biến. Điều này nhằm tối ưu hóa hiệu suất chăn nuôi. Nhu cầu về một hệ thống giám sát hành vi bò bằng cảm biến hiệu quả là rất lớn. Nó giúp nâng cao năng suất, phúc lợi động vật, và quản lý chi phí. Công nghệ IoT nông nghiệp chăn nuôi đóng vai trò cốt lõi. Nó thu thập dữ liệu liên tục, cung cấp cái nhìn sâu sắc về trạng thái của từng cá thể bò. Việc này cho phép đưa ra các quyết định kịp thời và chính xác hơn.
1.1. Chăn nuôi chính xác và vai trò quan trọng
Chăn nuôi chính xác (PLF) đang cách mạng hóa ngành nông nghiệp. PLF sử dụng công nghệ tiên tiến để theo dõi và quản lý vật nuôi cá thể. Mục tiêu là tối ưu hóa sản xuất, cải thiện sức khỏe và phúc lợi động vật. Hệ thống IoT nông nghiệp chăn nuôi cung cấp dữ liệu theo thời gian thực. Dữ liệu này bao gồm các thông số sinh lý và hành vi của bò. Việc này cho phép người chăn nuôi đưa ra quyết định dựa trên dữ liệu. PLF giúp giảm lãng phí tài nguyên. Nó cũng tăng cường hiệu quả tổng thể của trang trại. Công nghệ này đặc biệt quan trọng trong việc phân loại hành vi gia súc. Nó đảm bảo mọi con bò đều được chăm sóc tối ưu.
1.2. Giám sát hành vi bò bằng cảm biến hiệu quả
Giám sát hành vi bò bằng cảm biến là cốt lõi của PLF hiện đại. Các loại cảm biến gia tốc kế đeo trên bò phổ biến. Chúng ghi lại dữ liệu về chuyển động, tư thế, và cường độ hoạt động. Dữ liệu này được sử dụng để nhận dạng hành vi động vật. Nó phát hiện hành vi ăn uống của bò, hành vi nghỉ ngơi bò sữa, đi lại, và các hoạt động khác. Cảm biến GPS giúp theo dõi vị trí và đường đi của bò. Các cảm biến khác như micro hoặc áp suất cũng được dùng. Chúng phân loại các hành vi cụ thể như nhai lại. Hệ thống này giúp phát hiện động dục ở bò sớm. Nó cảnh báo các dấu hiệu bệnh tật. Công nghệ cảm biến cung cấp một lượng lớn dữ liệu quý giá. Đây là cơ sở cho các mô hình học máy phân loại hành vi.
1.3. Nhu cầu cải thiện hiệu suất chăn nuôi hiện tại
Nhu cầu cải thiện hiệu suất trong chăn nuôi bò là cấp thiết. Các phương pháp giám sát thủ công tốn thời gian và không chính xác. Chúng dễ bỏ sót các dấu hiệu quan trọng. Hiệu suất thấp ảnh hưởng đến lợi nhuận và bền vững của trang trại. Việc thiếu dữ liệu chính xác cản trở việc quản lý hiệu quả. Đặc biệt, việc phát hiện động dục ở bò kịp thời là chìa khóa. Nó ảnh hưởng trực tiếp đến tỷ lệ sinh sản. Tương tự, sự thay đổi trong hành vi ăn uống của bò hoặc hành vi nghỉ ngơi bò sữa có thể báo hiệu bệnh tật. Một hệ thống phân loại hành vi bò bằng học máy có thể giải quyết các thách thức này. Nó cung cấp sự giám sát liên tục, khách quan và chính xác. Điều này giúp tối ưu hóa chu kỳ sản xuất và giảm thiểu tổn thất.
II.Các Phương pháp Học máy Phân loại Hành vi Bò Hiệu quả
Việc phân loại hành vi bò yêu cầu các phương pháp học máy mạnh mẽ. Nghiên cứu đã khám phá nhiều thuật toán để đạt được hiệu suất cao. Các mô hình học máy phân loại được huấn luyện trên dữ liệu cảm biến. Dữ liệu này thu thập từ cảm biến gia tốc kế đeo trên bò. Học máy trong chăn nuôi bò cung cấp khả năng phân tích phức tạp. Nó nhận diện các mẫu hành vi tinh tế. Phương pháp học có giám sát thường được ưu tiên. Nó sử dụng dữ liệu hành vi đã được gán nhãn. Điều này đảm bảo độ chính xác cao. Các thuật toán như Random Forest, Support Vector Machine (SVM), và Hồi quy Logistic là những lựa chọn phổ biến. Chúng có khả năng xử lý các tập dữ liệu đa dạng. Học sâu cũng nổi lên như một công cụ mạnh mẽ. Nó có thể tự động trích xuất các đặc trưng phức tạp từ dữ liệu thô. Việc lựa chọn phương pháp phù hợp là chìa khóa. Nó quyết định hiệu suất của hệ thống phân loại hành vi gia súc.
2.1. Học máy có giám sát và không giám sát
Học máy được chia thành hai loại chính: có giám sát và không giám sát. Học máy có giám sát yêu cầu dữ liệu đã được gán nhãn. Mỗi điểm dữ liệu được liên kết với một nhãn hành vi cụ thể. Thuật toán học cách ánh xạ đầu vào (dữ liệu cảm biến) tới đầu ra (nhãn hành vi). Đây là phương pháp phổ biến để phân loại hành vi bò. Ngược lại, học máy không giám sát làm việc với dữ liệu không nhãn. Nó tìm kiếm các cấu trúc hoặc mẫu ẩn trong dữ liệu. Ví dụ là phân cụm các hành vi tương tự lại với nhau. Cả hai phương pháp đều có vai trò. Tuy nhiên, học có giám sát thường được dùng để nhận dạng hành vi động vật cụ thể. Nó cung cấp kết quả phân loại chính xác.
2.2. Các thuật toán học máy phổ biến được sử dụng
Nhiều thuật toán học máy đã được áp dụng để phân loại hành vi gia súc. Phương pháp Naïve Bayes là một thuật toán dựa trên xác suất. Nó giả định các đặc trưng độc lập. Support Vector Machine (SVM) tìm một siêu phẳng tối ưu. Siêu phẳng này tách biệt các lớp dữ liệu. Hồi quy Logistic là một mô hình tuyến tính. Nó được dùng cho các bài toán phân loại nhị phân hoặc đa lớp. Random Forest là một thuật toán cây quyết định. Nó kết hợp nhiều cây để đưa ra dự đoán. Random Forest nổi bật với độ chính xác và khả năng xử lý dữ liệu phức tạp. Nó cũng ít bị quá khớp. Các thuật toán này đều có ưu điểm và nhược điểm riêng. Việc lựa chọn thuật toán phụ thuộc vào đặc điểm của dữ liệu và yêu cầu về hiệu suất của hệ thống phân loại.
2.3. Tiềm năng của học sâu trong phân loại hành vi
Học sâu (Deep Learning) đang thể hiện tiềm năng to lớn. Nó cải thiện hiệu suất phân loại hành vi bò. Các mô hình học sâu phân loại, như Mạng nơ-ron hồi quy (RNN) và Mạng bộ nhớ dài-ngắn (LSTM), đặc biệt phù hợp. Chúng xử lý dữ liệu chuỗi thời gian từ cảm biến gia tốc kế đeo trên bò. Học sâu có khả năng tự động học các đặc trưng phức tạp. Việc này loại bỏ nhu cầu trích xuất đặc trưng thủ công. Điều này giúp mô hình nhận dạng hành vi động vật chính xác hơn. Nó xử lý các biến thể trong chuyển động của bò. Mặc dù yêu cầu nhiều dữ liệu và tài nguyên tính toán hơn, học sâu mang lại độ chính xác vượt trội. Nó mở ra hướng mới cho các ứng dụng giám sát hành vi bò bằng cảm biến.
III.Cải thiện Hiệu suất Phân loại Hành vi Bò bằng Cảm biến
Nghiên cứu tập trung vào việc cải thiện hiệu suất phân loại hành vi bò. Việc này được thực hiện thông qua tối ưu hóa vị trí cảm biến và áp dụng các mô hình học máy phân loại tiên tiến. Cảm biến gia tốc kế đeo trên bò là công cụ chính để thu thập dữ liệu. Dữ liệu này sau đó được phân đoạn và trích xuất đặc trưng. Các hành vi quan trọng như hành vi ăn uống của bò, hành vi nghỉ ngơi bò sữa, và đi lại được phân tích. Random Forest được sử dụng làm thuật toán phân loại chính. Nghiên cứu cũng đánh giá tác động của độ lệch vị trí cảm biến. Nó so sánh dữ liệu từ cảm biến đeo ở cổ và ở chân bò. Kết quả thực nghiệm cung cấp cái nhìn sâu sắc. Nó giúp xác định cấu hình cảm biến tối ưu. Việc này cải thiện đáng kể khả năng nhận dạng hành vi động vật. Đồng thời, nó tăng cường độ tin cậy của hệ thống giám sát hành vi bò bằng cảm biến.
3.1. Phân loại hành vi bò dùng Random Forest
Thuật toán Random Forest được áp dụng rộng rãi trong nghiên cứu này. Nó phân loại các hành vi khác nhau của bò. Dữ liệu thô từ cảm biến gia tốc kế đeo trên bò được xử lý. Các đặc trưng thời gian và tần số được trích xuất. Random Forest xây dựng nhiều cây quyết định độc lập. Sau đó, nó tổng hợp kết quả để đưa ra dự đoán cuối cùng. Phương pháp này giảm thiểu lỗi. Nó tăng cường độ chính xác của việc nhận dạng hành vi động vật. Khả năng xử lý dữ liệu phức tạp của Random Forest rất phù hợp. Nó giải quyết các biến động trong hành vi bò. Điều này đảm bảo rằng các hành vi như hành vi ăn uống của bò hoặc hành vi nghỉ ngơi bò sữa được phân loại chính xác.
3.2. Ảnh hưởng của vị trí cảm biến đến hiệu suất
Nghiên cứu đã khảo sát chi tiết ảnh hưởng của vị trí cảm biến. Vị trí cảm biến gia tốc kế đeo trên bò có tác động lớn đến dữ liệu thu thập. Cảm biến đeo ở cổ và ở chân cung cấp các thông tin chuyển động khác nhau. Cảm biến ở cổ có thể tốt hơn cho các hành vi liên quan đến đầu và thân trên. Ví dụ như hành vi ăn uống của bò. Cảm biến ở chân phù hợp hơn cho các hành vi liên quan đến đi lại hoặc đứng. Độ lệch vị trí cảm biến có thể dẫn đến sự khác biệt đáng kể về hiệu suất phân loại. Việc này được thể hiện qua các chỉ số Accuracy, Precision, Recall. Nghiên cứu chỉ ra rằng việc kết hợp dữ liệu từ nhiều vị trí cảm biến có thể cải thiện hiệu suất tổng thể. Nó tạo ra một hệ thống giám sát hành vi bò bằng cảm biến toàn diện hơn.
3.3. Kết quả thực nghiệm và đánh giá hiệu suất chi tiết
Kết quả thực nghiệm cho thấy hiệu suất của mô hình phân loại. Nó sử dụng dữ liệu từ cảm biến gia tốc kế đeo trên bò. Các chỉ số Accuracy, Precision, và Recall được dùng để đánh giá. Phân loại hành vi gia súc đạt được độ chính xác cao. Điều này xác nhận hiệu quả của Random Forest. Các biểu đồ và bảng số liệu minh họa chi tiết. Chúng so sánh hiệu suất giữa các bộ dữ liệu khác nhau. Đặc biệt là dữ liệu từ cảm biến cổ và chân. Dữ liệu 1CowData_2sensor được sử dụng để đánh giá. Kết quả làm nổi bật tầm quan trọng của việc lựa chọn vị trí cảm biến phù hợp. Nó cũng cho thấy tiềm năng của học máy trong chăn nuôi bò. Nó mang lại khả năng giám sát chính xác và đáng tin cậy. Điều này giúp phát hiện động dục ở bò và các thay đổi hành vi khác.
IV.Thách thức và Hướng Phát triển Học máy cho Chăn nuôi Bò
Lĩnh vực học máy trong chăn nuôi bò đang phát triển nhanh chóng. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua. Việc thu thập dữ liệu chất lượng cao, đã được gán nhãn là một trong số đó. Môi trường chăn nuôi bò rất đa dạng. Nó tạo ra dữ liệu phức tạp và nhiễu. Việc này đòi hỏi các mô hình học sâu phân loại mạnh mẽ hơn. Các hệ thống cần có khả năng thích ứng với các giống bò và điều kiện chuồng trại khác nhau. Hướng nghiên cứu tương lai sẽ tập trung vào việc tích hợp nhiều loại cảm biến hơn. Việc này tạo ra một hệ thống IoT nông nghiệp chăn nuôi toàn diện. Việc này cũng bao gồm phát triển các mô hình học máy thời gian thực. Các mô hình này sẽ cung cấp thông tin tức thì. Chúng giúp người nông dân đưa ra quyết định nhanh chóng. Tiềm năng ứng dụng thực tiễn của công nghệ này là rất lớn. Nó hứa hẹn một tương lai chăn nuôi hiệu quả và bền vững hơn.
4.1. Những đóng góp chính từ nghiên cứu
Nghiên cứu này đã đưa ra những đóng góp quan trọng. Nó xác định các vấn đề ảnh hưởng đến hiệu suất của hệ thống phân loại hành vi bò. Đặc biệt là tầm quan trọng của vị trí cảm biến gia tốc kế đeo trên bò. Nghiên cứu chứng minh hiệu quả của Random Forest trong việc nhận dạng hành vi động vật. Nó bao gồm hành vi ăn uống của bò và hành vi nghỉ ngơi bò sữa. Các kết quả thực nghiệm cung cấp bằng chứng cụ thể. Chúng ủng hộ việc sử dụng học máy trong chăn nuôi bò. Nghiên cứu này đặt nền tảng cho việc phát triển các hệ thống giám sát hành vi bò bằng cảm biến đáng tin cậy hơn. Nó góp phần vào sự phát triển của phân loại hành vi gia súc chính xác.
4.2. Định hướng nghiên cứu và phát triển tương lai
Định hướng nghiên cứu trong tương lai bao gồm nhiều khía cạnh. Việc mở rộng tập dữ liệu là cần thiết. Nó bao gồm nhiều loại bò và điều kiện môi trường. Việc này giúp cải thiện khả năng tổng quát hóa của mô hình học máy phân loại. Nghiên cứu tiếp theo có thể tập trung vào việc kết hợp dữ liệu từ nhiều loại cảm biến. Ví dụ như cảm biến nhiệt độ, cảm biến vị trí, và cảm biến âm thanh. Điều này sẽ tạo ra một cái nhìn toàn diện hơn về hành vi bò. Phát triển các mô hình học sâu phân loại phức tạp hơn. Chúng có khả năng tự động học đặc trưng. Điều này cũng là một hướng đi quan trọng. Việc này sẽ đưa IoT nông nghiệp chăn nuôi lên một tầm cao mới.
4.3. Tiềm năng ứng dụng thực tiễn trong nông nghiệp
Các kết quả từ nghiên cứu có tiềm năng ứng dụng thực tiễn rộng lớn. Hệ thống phân loại hành vi bò bằng học máy có thể được tích hợp vào các trang trại thông minh. Nó giúp người chăn nuôi theo dõi sức khỏe và phúc lợi của đàn bò. Việc phát hiện động dục ở bò sớm giúp tối ưu hóa sinh sản. Việc theo dõi hành vi ăn uống của bò có thể báo hiệu các vấn đề tiêu hóa. Giám sát hành vi nghỉ ngơi bò sữa giúp đánh giá mức độ thoải mái. Ứng dụng này không chỉ nâng cao hiệu suất. Nó còn cải thiện chất lượng sản phẩm và giảm chi phí vận hành. Đây là bước tiến quan trọng trong việc hiện đại hóa ngành chăn nuôi, hướng tới một nền nông nghiệp thông minh và bền vững.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (76 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ NGUYỄN THÙY TRANG LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THÔNG TIN NGHIÊN CỨU MỘT SỐ VẤN ĐỀ ẢNH HƯỞNG ĐẾN HIỆU SUẤT CỦA HỆ THỐNG PHÂN LOẠI HÀNH VI BÒ Hà Nội - 2023 BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Nguyễn Thùy Trang NGHIÊN CỨU MỘT SỐ VẤN ĐỀ ẢNH HƯỞNG ĐẾN HIỆU SUẤT CỦA HỆ THỐNG PHÂN LOẠI HÀNH VI BÒ LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN Mã số: 8480104 NGƯỜI HƯỚNG DẪN KHOA HỌC: 1.Trần Đức Nghĩa 2.Hồ Thị Phượng Hà Nội - 2023 LỜI CAM ĐOAN Tôi xin cam đoan đề tài nghiên cứu trong luận văn này là công trình nghiên cứu của tôi dựa trên những tài liệu, số liệu do chính tôi tự tìm hiểu và nghiên cứu. Chính vì vậy, các kết quả nghiên cứu đảm bảo trung thực và khách quan nhất. Đồng thời, kết quả này chưa từng xuất hiện trong bất cứ một nghiên cứu nào. Các số liệu, kết quả nêu trong luận văn là trung thực nếu sai tôi hoàn chịu trách nhiệm trước phát luật.
Hà Nội, ngày 1 tháng 12 năm 2023 HỌC VIÊN Nguyễn Thùy Trang 3 LỜI CẢM ƠN Luận văn được thực hiện tại Học viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và Công nghệ Việt Nam, dưới sự hướng dẫn của TS. Trần Đức Nghĩa và TS.Hồ Thị Phượng. Tôi xin bày tỏ lòng biết ơn sâu sắc đến thầy cô về định hướng khoa học, thầy cô đã động viên, trao đổi nhiều kiến thức và chỉ bảo tôi vượt qua những khó khăn để hoàn thành luận văn này. Tôi trân trọng cảm ơn Học viện Khoa học và Công nghệ và Viện Công nghệ thông tin - Viện Hàn lâm Khoa học và Công nghệ Việt Nam đã tạo điều kiện thuận lợi cho tôi trong suốt quá trình nghiên cứu và hoàn thiện luận văn.
Cuối cùng tôi xin gửi lời cảm ơn sâu sắc đến gia đình, bạn bè và những người đã luôn ủng hộ và giúp đỡ tôi về mọi mặt để tôi yên tập học tập thật tốt. Hà Nội, ngày 1 tháng 12 năm 2023 HỌC VIÊN Nguyễn Thùy Trang 4 5 MỤC LỤC LỜI CAM ĐOAN. 10 Chương 1: Tổng quan về chăn nuôi chính xác .1 Chăn nuôi chính xác .1 Một số ứng dụng của PLF .2 Cảm biến và xử lý thông tin .3 Động lực thay đổi theo hướng chăn nuôi chính xác .2 Nhu cầu tương lai về hệ thống sản xuất sữa .1 Hiệu suất và phúc lợi của bò sữa .2 Hệ thống cảm biến hỗ trợ hoạt động chăn nuôi bò sữa.3 Nghiên cứu khái niệm hệ thống cảm biến trong ngành sữa .3 Cảm biến trong nghiên cứu sữa chính xác .1 Gia tốc kế để phân loại hành vi .2 GPS để phân loại vị trí và hành vi .3 Các cảm biến và công cụ khác để phân loại hành vi. 35 Chương 2: Một số phương pháp học máy.
Bộ tính năng cho máy học. Học máy có giám sát và không giám sát. Thuật toán học máy. Học máy dựa trên tập Luật.
Phương pháp Naïve Bayes. Phương pháp Support Vector Machine (SVM). Phương pháp Hồi quy Logistic (Logistic regression). Phương pháp tiếp cận học sâu (Deep Learning).
51 6 Chương 3: Phân loại hành vi bằng Random Forest và ảnh hưởng của độ lệch vị trí cảm biến đến hiệu suất phân loại hành vi. Vật liệu và phương pháp. Phân loại hành vi. Phân tích chuyển động.
Phân đoạn và trích xuất đặc trưng. Dự đoán hành vi. Phân loại hành vi bằng Random Forest. Kết quả thực nghiệm.
72 Những đóng góp của luận văn. 72 Định hướng nghiên cứu trong tương lai. 72 Tài liệu tham khảo. 73 7 Mục lục hình ảnh Hình 1: Hệ thống cho ăn tự động trong chăn nuôi bò [42] …………………12 Hình 2: Xu hướng nghiên cứu được công bố về PLF trong giai đoạn 2000- 2018 sử dụng từ khóa “chăn nuôi chăn nuôi chính xác”.
Biểu đồ hiển thị tổng số lượt tìm kiếm là 234 ấn phẩm được sản xuất kể từ năm 2000 do Web of Science lập chỉ mục (Thomson Reuters, 2019) ………………. 14 Hình 3: Những thay đổi về lượng thức ăn ăn vào, thời gian cho ăn và tỷ lệ cho ăn trước và sau khi bò được chẩn đoán (ngày 0) bị hôi chân. Chuyển thể từ González et al. (2008) ………………………………………………………23 Hình 4: Ví dụ về cảm biến ghi âm và áp suất được sử dụng để phân loại hành vi của động vật nhai lại.
A = máy ghi IGER (áp suất); B = Rumiwatch (áp suất); C = micro gắn trên đầu; D = micrô gắn trên đầu và thiết bị ghi âm (b và a tương ứng) …………………………………………………………………35 Hình 5: SVM tìm dòng tốt nhất phân tách hai lớp………………………….45 Hình 6: Ví dụ về siêu phẳng trong SVM…………………………………….46 Hình 7: Siêu phẳng phân chia lề xa nhất ……………………………………47 Hình 8: Minh họa đồ thị của hàm Logistic khi t thuộc (-6,6)……………….49 Hình 9: Mạng RNN có vòng lặp………………………………………….51 Hình 10: Mô đun lặp lại trong RNN…………………………………………52 Hình 11: Mô đun lặp lại trong một LSTM………………………………….53 Hình 12: Dữ liệu 1CowData_2sensor phụ vụ đánh giá…………………….63 Hình 13a: Xác suất của 4 hành vi với 7 dataset với thiết bị đeo trên cổ…….63 Hình 13b: Xác suất của 4 hành vi với 7 dataset với thiết bị đeo trên cổ và chân………………………………………………………………………….64 Hình 13c: Recall 4 hành vi của 7 dataset chỉ dùng cổ……………………….64 Hình 14a: Accuracy 4 hành vi của 7 dataset dùng chân + cổ……………….66 Hình 14b: Precision 4 hành vi của 7 dataset dùng chân + cổ……………….67 Hình 14c: Recall 4 hành vi của 7 dataset dùng chân + cổ ………………….68 8 Mục lục Bảng biểu Bảng 1: Số liệu về độ chính xác theo chiều ngang được sử dụng để đo hiệu suất GPS theo định nghĩa của Viện Điều hướng (1997)……………………33 Bảng 2: Bình quân các chỉ số của cảm biến cổ…………………………….75 Bảng 3: Bình quân các chỉ số của cảm biến gắn chân và cổ……………….76 9 Mở đầu Trong lĩnh vực chăn nuôi thì Việt Nam có nhiều hướng mũi nhọn như chăn nuôi lợn, gà và gần đây là lĩnh vực chăn nuôi bò lấy thịt và lấy sữa đang thu hút được nhiều sự quan tâm nhà sản xuất. Việc phát triển chăn nuôi bò đang đem lại nhiều lợi ích kinh tế cho các hộ nông dân, nông trường, nông trại trên cả nước [1]. Trước đây, việc chăn nuôi bò đã phát triển tại các nông trại của các hộ gia đình của nhiều quốc trên thế giới. Với các hộ gia đình chăn nuôi nhỏ lẻ từ 1-5 con thì người chăn nuôi rất dễ dàng có thể theo dõi được sức khỏe và tình trạng khác của bò.
Tuy nhiên, với quy mô đàn lớn hơn đặc biệt với quy mô hàng ngàn con thì việc theo dõi thủ công gây rất nhiều khó khăn và tốn kém chi phí cho chủ trang trại. Từ đó, việc đầu tư công nghệ cao vào chăn nuôi được nhiều chủ trang trại quan tâm và hướng đến nhằm đem lại lợi ích kinh tế cho họ. Việc giám sát hoạt động và hành vi của bò tự động tại chuồng cũng như khi chăn thả là cần thiết [2,3]. Từ những dữ liệu này, giúp quá trình phân tích các thay đổi về mặt hành vi của vật nuôi có thể giúp chủ trang trại nắm bắt được tình trạng sức khỏe của vật nuôi và có hướng xử lý cho vật nuôi.
Điều này giúp quá trình quản lý một trang trại chăn nuôi ngày càng tốt hơn [4,5]. Cho đến nay, hầu hết các công việc liên quan đến giám sát bò ăn cỏ đều quan tâm đến thời gian chăn thả và lượng cỏ ăn vào [1, 6, 7]. Phân loại hành vi của bò có thể được chia thành hai loại, đeo thiết bị và không đeo thiết bị. Giám sát bằng camera thuộc loại không đeo thiết bị.
Phương pháp này thoải mái cho bò (vì không có gì để mặc) nhưng có nhiều hạn chế về độ chính xác và phạm vi triển khai, hạn chế (đối với bò ăn cỏ). Có nhiều loại cảm biến có thể được gắn vào bò trong cách tiếp cận của đeo thiết bị. Chẳng hạn như xây dựng hệ thống giám sát thông qua GPS, cảm biến nhiệt độ, gia tốc kế và cảm biến từ trường 3 trục. 10 Hệ thống giám sát dựa trên gia tốc kế có thể phát hiện và phân loại nhất quán các hành vi của bò [8, 9, 10].
Từ đó, hệ thống giám sát là một yếu tố đầu vào cần thiết cho việc phát triển một hệ thống hỗ trợ chăn nuôi. Hệ thống này sử dụng phương pháp học máy nhằm phân tích dữ liệu gia tốc giúp phân loại và đưa ra các quyết định. Đối với một vấn đề có thể được giải quyết bằng ML, dữ liệu là rất quan trọng. Để thu thập dữ liệu hoạt động của con bò bằng gia tốc kế thì có hai cách cơ bản.
Gắn gia tốc kế vào cổ hoặc chân của bò. Sự lựa chọn vị trí gắn gia tốc kế chủ yếu phụ thuộc việc muốn phân tích hành vi nào của vật nuôi, chẳng hạn như dữ liệu gia tốc được gắn trên cổ sẽ tốt hơn để phân biệt hành vi ăn. Tuy nhiên, việc sử dụng gia tốc kế có thể dẫn đến một số hành vi phân loại nhầm lẫn nhau. Ví dụ: nếu chúng chứa các cử chỉ tương tự (hành vi đứng và hành vi ăn – với dữ liệu gia tốc kế gắn trên chân vật nuôi).
Vấn đề đặt ra là trong quá trình vận động của vật nuôi, các thiết bị có thể bị đeo lệch. Điều này gây ảnh hưởng đến độ chính xác của dữ liệu thu thập được từ thiết bị. Mục tiêu của luận văn hướng đến việc mô phỏng khi thiết bị bị đeo lệch sẽ gây ra ảnh hưởng ra sao đến kết quả phân loại dữ liệu. Trong luân văn trình bày việc thu thập dữ liệu cho 4 hoạt động của bò gồm: đứng, nằm, đi và ăn.
Để phân loại các hành vi, luân văn sử dụng kĩ thuật Random Forest với số cây là 25 để phân loại cùng với việc đánh giá qua các chỉ số Accuracy, Precision và Recall cho tập huấn luyện và dữ liệu thử nghiệm. Luận văn xây dựng 7 dataset ứng với việc thiết bị bị đeo lệch 0, 4, 8, 12, 16, 24, và 28 độ. Từ đó, rút ra được mức độ ảnh hưởng của việc đeo lệch thiết bị ảnh hưởng đến quá trình phân loại dữ liệu. Chính vì vậy, em lựa chọn đề tài nghiên cứu “Nghiên cứu một số vấn đề ảnh hưởng đến hiệu suất của hệ thống phân loại hành vi bò.” 11 Chương 1: Tổng quan về chăn nuôi chính xác 1.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Cải thiện hiệu suất phân loại hành vi bò bằng học máy" nghiên cứu về vấn đề gì?
Nghiên cứu các yếu tố ảnh hưởng hiệu suất hệ thống phân loại hành vi bò. Phân tích các vấn đề chính và đề xuất giải pháp cải thiện độ chính xác.
Luận án "Cải thiện hiệu suất phân loại hành vi bò bằng học máy" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Học viện Khoa học và Công nghệ. Năm bảo vệ: 2023.
Luận án "Cải thiện hiệu suất phân loại hành vi bò bằng học máy" thuộc chuyên ngành gì?
Luận án "Cải thiện hiệu suất phân loại hành vi bò bằng học máy" thuộc chuyên ngành Hệ thống thông tin. Danh mục: Chăn Nuôi.
Luận án "Cải thiện hiệu suất phân loại hành vi bò bằng học máy" có bao nhiêu trang?
Luận án "Cải thiện hiệu suất phân loại hành vi bò bằng học máy" có 76 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Cải thiện hiệu suất phân loại hành vi bò bằng học máy" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.