Luận văn ThS Nguyễn Thùy Trang: Ảnh hưởng cảm biến đến hiệu suất phân loại hành vi bò

Chăn nuôi chính xác (Precision Livestock Farming - PLF) là xu hướng toàn cầu. PLF áp dụng công nghệ cảm biến, học máy vào quản lý đàn gia súc. Hệ thống cho ăn tự động là ví dụ điển hình. PLF giúp tối ưu hóa nguồn lực, giảm chi phí sản xuất. Xu hướng nghiên cứu PLF tăng mạnh từ năm 2000 đến nay. Số lượng ấn phẩm về chăn nuôi chính xác liên tục gia tăng. PLF hỗ trợ phát hiện sớm bệnh tật, tối ưu dinh dưỡng cho bò sữa. Công nghệ này thay đổi cách thức quản lý trang trại truyền thống.

Nhu cầu sữa toàn cầu tăng cao đòi hỏi hiệu suất sản xuất tốt hơn. Hệ thống cảm biến hỗ trợ hoạt động chăn nuôi bò sữa ngày càng phổ biến. Giám sát hành vi giúp phát hiện sớm các vấn đề sức khỏe. Phát hiện động dục ở bò là ứng dụng quan trọng. Thời gian cho ăn thay đổi cảnh báo bệnh lý tiềm ẩn. Bò bị hôi chân thể hiện qua thay đổi lượng thức ăn ăn vào. Hệ thống cảm biến trong ngành sữa nghiên cứu khái niệm giám sát liên tục. Hiệu suất và phúc lợi bò sữa được cải thiện đáng kể.

Gia tốc kế đo gia tốc trên ba trục X, Y, Z. Thiết bị đeo trên cổ hoặc chân bò. Tần số lấy mẫu ảnh hưởng đến chất lượng dữ liệu thu thập. Dữ liệu gia tốc kế phục vụ phân tích chuyển động chi tiết. Phân đoạn dữ liệu là bước tiền xử lý quan trọng. Trích xuất đặc trưng từ tín hiệu thô tạo đầu vào cho học máy. Độ lệch vị trí cảm biến ảnh hưởng đến hiệu suất phân loại. Cảm biến đặt ở vị trí khác nhau cho kết quả khác nhau. Nghiên cứu đánh giá ảnh hưởng này trên nhiều dataset thực nghiệm.

GPS xác định vị trí không gian, phân loại hành vi di chuyển. Cảm biến áp suất ghi nhận lực nhai, hoạt động miệng. Microphone thu âm thanh đặc trưng cho từng hành vi. Cảm biến nhiệt độ theo dõi thân nhiệt bò sữa. Camera video hỗ trợ ghi hình hành vi chi tiết. Mỗi loại cảm biến có ưu nhược điểm riêng. Kết hợp nhiều cảm biến cải thiện độ chính xác phân loại. Cảm biến và công cụ khác mở rộng phạm vi giám sát hành vi. Hệ thống đa cảm biến là hướng phát triển tương lai.

Random Forest kết hợp nhiều cây quyết định để dự đoán. Thuật toán chống overfitting tốt, hoạt động ổn định. SVM tìm dòng phân tách tốt nhất giữa hai lớp hành vi. Siêu phẳng trong SVM tối ưu lề phân tách xa nhất. SVM hiệu quả với dữ liệu có chiều cao. Random Forest xử lý tốt dữ liệu mất cân bằng lớp. Cả hai thuật toán được áp dụng rộng rãi trong phân loại hành vi gia súc. So sánh hiệu suất giữa các thuật toán là cần thiết. Lựa chọn thuật toán phụ thuộc vào đặc điểm dữ liệu cụ thể.

Naïve Bayes dựa trên định lý Bayes với giả định độc lập. Phương pháp đơn giản, tính toán nhanh chóng. Hồi quy Logistic ước lượng xác suất thuộc lớp hành vi. Hàm Logistic chuyển đổi giá trị tuyến tính sang khoảng (0,1). Mạng RNN có vòng lặp xử lý dữ liệu chuỗi thời gian. LSTM là biến thể RNN giải quyết vấn đề gradient biến mất. Học sâu tự động trích xuất đặc trưng từ dữ liệu thô. Mô hình học sâu phân loại đạt hiệu suất cao với dữ liệu lớn. Kết hợp nhiều phương pháp cải thiện nhận dạng hành vi động vật.

Nghiên cứu sử dụng bảy dataset khác nhau để đánh giá. Thiết bị đeo trên cổ và chân bò sữa thu thập dữ liệu. Bốn hành vi chính được phân loại trong thí nghiệm. Dữ liệu gia tốc kế ba trục được ghi liên tục. Phân đoạn dữ liệu tạo các cửa sổ thời gian cố định. Trích xuất đặc trưng từ mỗi đoạn dữ liệu. Đặc trưng bao gồm giá trị trung bình, độ lệch chuẩn, tần số. Bộ dữ liệu đa dạng đảm bảo tính tổng quát hóa kết quả. Đánh giá trên nhiều dataset tăng độ tin cậy nghiên cứu.

Xác suất phân loại bốn hành vi với thiết bị đeo trên cổ biến động. Recall của bốn hành vi khi chỉ dùng cảm biến cổ đạt mức trung bình. Accuracy cải thiện rõ rệt khi kết hợp cảm biến chân và cổ. Precision tăng đáng kể với hệ thống cảm biến kép. Recall của bốn hành vi tăng khi dùng cả chân và cổ. Độ chính xác theo chiều ngang được đo bằng chỉ số đánh giá. Kết hợp nhiều vị trí cảm biến cho kết quả ổn định hơn. Chênh lệch hiệu suất giữa các vị trí cần được tối ưu hóa.

Dữ liệu được chia tập huấn luyện và kiểm tra theo tỷ lệ. Cross-validation đảm bảo tính khách quan của kết quả. Các chỉ số đánh giá bao gồm Accuracy, Precision, Recall. F1-score cân bằng giữa Precision và Recall. Confusion matrix hiển thị chi tiết kết quả phân loại. Siêu tham số mô hình được tối ưu hóa qua tìm kiếm lưới. Quá trình huấn luyện lặp lại nhiều lần để ổn định kết quả. Đánh giá đa chỉ số cho cái nhìn toàn diện về hiệu suất. So sánh với các thuật toán khác xác định ưu điểm Random Forest.

Hành vi ăn uống của bò được phân loại với độ chính xác cao. Hành vi nghỉ ngơi bò sữa nhận diện tốt qua dữ liệu gia tốc. Các hành vi khác nhau có đặc trưng chuyển động riêng biệt. Kết hợp cảm biến chân và cổ nâng cao đáng kể hiệu suất. Accuracy bốn hành vi đạt mức cao với hệ thống cảm biến kép. Precision và Recall cân bằng tốt trên các lớp hành vi. Phát hiện động dục ở bò ứng dụng kết quả phân loại hành vi. Kết quả thực nghiệm chứng minh tính khả thi của hệ thống. Mô hình sẵn sàng triển khai trong điều kiện chăn nuôi thực tế.

Hệ thống cảm biến giám sát hành vi bò sữa hoạt động liên tục 24/7. Dữ liệu tự động truyền về máy chủ trung tâm. Giao diện trực quan giúp nông dân theo dõi đàn bò dễ dàng. Cảnh báo tự động khi phát hiện hành vi bất thường. Phát hiện động dục ở bò qua thay đổi hành vi hoạt động. Hệ thống cho ăn tự động điều chỉnh dựa trên dữ liệu hành vi. Quản lý sức khỏe đàn bò dựa trên phân tích dữ liệu lớn. Chi phí đầu tư giảm dần theo thời gian triển khai. Lợi ích kinh tế vượt trội so với phương pháp truyền thống.

Nghiên cứu tương lai tập trung vào tối ưu vị trí cảm biến. Phát triển thuật toán học sâu phân loại hiệu quả hơn. Kết hợp dữ liệu đa nguồn cải thiện độ chính xác. Mô hình học chuyển giao áp dụng cho nhiều giống bò khác nhau. Tối ưu hóa năng lượng tiêu thụ của thiết bị cảm biến. Xây dựng dataset lớn, đa dạng cho huấn luyện mô hình. Nghiên cứu ảnh hưởng môi trường đến hiệu suất phân loại. Đánh giá phúc lợi bò sữa qua dữ liệu hành vi. Hướng phát triển bền vững trong chăn nuôi chính xác Việt Nam.