Monitoreo del comportamiento ingestivo de bovinos de pastoreo mediante el desarrollo e implementación de modelos de Machine Learning
Los bovinos de pastoreo son agentes exógenos que contaminan el medio ambiente, ya que como consecuencia de su proceso de ingesta emiten metano. Por ello, es de interés caracterizar, monitorear y realizar estadísticas del tiempo que un bovino rumia y mastica. Debido a esto, el presente proyecto de gr...
- Autores:
-
Rojas Lozano, Daniela del Pilar
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/44640
- Acceso en línea:
- http://hdl.handle.net/1992/44640
- Palabra clave:
- Sensores remotos
Sistemas de recolección automática de datos
Aprendizaje automático (Inteligencia artificial)
Aplicaciones Web
Bovinos
Tierras de pastoreo
Metano
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
Summary: | Los bovinos de pastoreo son agentes exógenos que contaminan el medio ambiente, ya que como consecuencia de su proceso de ingesta emiten metano. Por ello, es de interés caracterizar, monitorear y realizar estadísticas del tiempo que un bovino rumia y mastica. Debido a esto, el presente proyecto de grado tiene como objetivo principal identificar y diferenciar los estados del comportamiento de ingesta en bovinos de pastoreo a partir de movimiento. Por lo tanto, se buscó que un modelo de aprendizaje de máquina fuese capaz de distinguir los movimientos de masticación y rumia en los bovinos. Para ello, se desarrolló un sistema de adquisición de datos con un servidor web, con su correspondiente prototipo. Además, para la verificación de la implementación se tomaron datos en tiempo real en una salida de campo. La Figura 1 muestra que este sistema desarrollado ya fue puesto en prueba y se adquirieron datos del movimiento durante cinco horas de tres bovinos masculinos. Los datos fueron almacenados y posteriormente se utilizaron para el entrenamiento supervisado de los modelos. Como resultado se tienen tres diferentes clasificadores: uno utilizando el algoritmo de random forest, una red neuronal, y una red neuronal convolucional, los cuales son capaces de diferenciar los estados con un rango error. De acuerdo con los indicadores de porcentaje de precisión, los modelos fueron comparados y fue seleccionado como modelo más preciso la red neuronal convolucional con un porcentaje de acierto igual a 83.80%. |
---|