Automatic cattle activity recognition on grazing systems

• Autores: John Fredy Ramírez, Sebastian Bedoya Mazo, Sandra Lucía Posada, Ricardo Rosero Noguera
• Localización: Biotecnología en el Sector Agropecuario y Agroindustrial: BSAA, ISSN-e 1909-9959, ISSN 1692-3561, Vol. 20, Nº. 2 (Julio-diciembre), 2022, págs. 117-128
• Idioma: inglés
• Títulos paralelos:
  • Reconocimiento automático de la actividad de vacunos en pastoreo
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El uso de collares o podómetros para el reconocimiento del comportamiento del ganado en períodos cortos (24 h) es costoso. En esta situación particular, el desarrollo de tecnologías de bajo costo y fáciles de usar es relevante. Al igual que las aplicaciones de celulares para el reconocimiento de la actividad humana, desarrollamos una aplicación de Android para registrar la actividad en el ganado. Se siguieron cuatro pasos: a) adquisición de datos para el entrenamiento del modelo, b) entrenamiento del modelo, c) implementación de aplicaciones y, d) utilización de la aplicación. Para la adquisición de datos, desarrollamos un sistema con tres componentes: dos teléfonos y una cuenta de Google Firebase para el almacenamiento de datos. Se creó un conjunto de datos con 945415 filas y cuatro columnas. Cada fila corresponde a los valores del acelerómetro y las actividades del ganado (comer, descansar o rumiar). La base de datos generada se utilizó para entrenar una red neuronal recurrente. El entrenamiento se evaluó mediante una matriz de confusión. Para todas las actividades, el modelo tuvo una precisión alta (> 96 %). El modelo entrenado se utilizó para desarrollar una aplicación de Android con la API de TensorFlow. Finalmente, se utilizaron tres celulares (LG gm 730) para probar la aplicación y registrar la actividad de seis vacas Holstein (3 lactantes y 3 no lactantes). Se realizaron observaciones directas y no sistemáticas de los animales para evaluar el desempeño de la aplicación. Después del entrenamiento, la precisión del modelo fue del 100, 99 y 96 % para comer, rumiar y descansar, respectivamente. Nuestros resultados muestran coherencia entre las observaciones directas y la actividad registrada por nuestra aplicación de Android. En conclusión, este trabajo muestra que es posible desarrollar tecnologías de bajo costo para registrar la actividad diaria de las vacas en pastoreo utilizando el análisis de datos de aceleración de teléfonos inteligentes.

  • English

    The use of collars, pedometers or activity tags for cattle behavior recognition in short periods (e.g. 24 h) is expensive. Under this particular situation, the development of low-cost and easy-to-use technologies is relevant. Similar to smartphone apps for human activity recognition, which analyzes data from embedded triaxial accelerometer sensors, we develop an Android app to record activity in cattle. Four main steps were followed: a) data acquisition for model training, b) model training, c) app deploy, and d) app utilization. For data acquisition, we developed a system in which three components were used: two smartphones and a Google Firebase account for data storage. A dataset with 945415 rows and four columns was made. Each row corresponds to the threeaxis accelerometer values and the cattle activities (Eating, Resting, or Rumination). For model training, the generated database was used to train a recurrent neural network. The performance of the training was assessed by a confusion matrix. For all actual activities, the trained model provided a high prediction (> 96 %). The trained model was used to deploy an Android app by using the TensorFlow API. Finally, three cell phones (LG gm730) were used to test the app and record the activity of six Holstein cows (3 lactating and 3 non-lactating). Direct and non-systematic observations of the animals were made to evaluate the performance of the app. After training, the model’s accuracy was 100, 99, and 96 % for Eating, Rumination, and Resting, respectively. Our results show consistency between the direct observations and the activity recorded by our Android app. In conclusion, this work shows that it is possible to develop lowcost technologies to record the daily activity of grazing cows using the smartphone acceleration data analysis.