| Student: | Stijn Debyser |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | Het analyseren van de verschillende gedragingen bij melkkoeien kan zeer belangrijke inzichten verschaffen in het algemene welzijn en de gezondheid van het dier. In de loop der jaren is het gemiddelde aantal dieren per bedrijf toegenomen. Handmatige observaties door de veehouder zijn daarom moeilijk en er is behoefte aan automatische monitoringsystemen om het gedrag van de koeien nauwkeurig en automatisch te volgen. Het doel van deze studie is het detecteren van houdingsovergangen van koeien (d.w.z. van liggen naar staan en van staan naar liggen) met behulp van locatie- en accelerometergegevens. Zodra dit is gedetecteerd, werd bij elke overgang tussen liggen en opstaan een onderscheid gemaakt. De gedragingen werden simultaan geregistreerd met video-opnamen als referentie. Er werden 24 uur gegevens opgenomen. Uit de ruwe gegevens werden verschillende kenmerken geëxtraheerd en voor de classificatie werden algoritmen voor machinaal leren gebruikt.
Naast de gegevens na preprocessing worden ook experimenten uitgevoerd met data augmentation en feature selection technieken om de effecten daarvan te bestuderen. Er werden 4 verschillende classificatiealgoritmen gebruikt: support vector machine (SVM), logistische regressie (LR), beslissingsboom (DT) en K-nearest neighbor (KNN). Het detecteren van een overgang tussen alle andere gedragingen leverde de beste resultaten op bij gebruik van oversampling met krimping vooraf. Wanneer het SVM-model met deze gegevens werd gebruikt, leverde het 42% precisie, 71% recall en 53% F-score op. Als onmiddellijk een onderscheid wordt gemaakt tussen deze overgangen via het gebruik van classificatiemodellen, resulteert dit in een precisie van 48%, een recall van 50% en een F-score van 49% voor rechtop staan via KNN, terwijl de resultaten voor liggen via SVM neerkomen op een precisie van 18%, een recall van 53%, en een F-score van 27%. Als alleen gegevens van de overgangen worden gebruikt, kan met behulp van lokalisatie zeer nauwkeurig onderscheid worden gemaakt tussen rechtop staan (93,44% recall) en liggen (96,46% recall). Dit toont het potentieel aan van het gebruik van lokalisatie om onderscheid te maken tussen de verschillende transities, terwijl het detecteren van deze transities met behulp van nekversnellingsmeters vrij moeilijk is in vergelijking met andere studies die transities detecteerden.
Trefwoorden: Gedragsclassificatie, versnellingsmeter, melkkoeien, machinaal leren, internet-of-animals.
|
|---|
| Abstract (Eng): | Analyzing the different behaviors of dairy cows can provide very important insights into the general welfare and health of the animal. Over the years, the average number of animals per farm has increased. Making manual observations by the farmer is therefore difficult and there is a need for automatic monitoring systems to accurately and automatically monitor the behavior of the cows. The aim of this study is to detect cows's posture transitions (i.e., lying to standing and standing to lying) using location and accelerometer data. Once this has been detected, a distinction was made with each transition between lying down and standing up. The behaviours were simultaneously recorded using video recordings as a reference. 24 hours of data were recorded. Different features were extracted from the raw data and machine learning algorithms were used for the classification.
In addition to the data after preprocessing, experiments are also carried out with data augmentation and feature selection techniques to study their effects. 4 different classification algorithms were used: support vector machine (SVM), logistic regression (LR), decision tree (DT) and K-nearest neighbor (KNN). Detecting a transition between all other behaviors yielded the best results when using oversampling with shrinkage beforehand. When using the SVM model with this data, it yielded a 42% precision, 71% recall, and 53% F-score. If a distinction is made immediately between these transitions via the use of classification models, this results in a 48% precision, 50% recall and 49% F-score for standing up via KNN, while the results for lying down via SVM amounts to an 18% precision, 53% recall, and 27% F score. If only data from the transitions is used, a distinction can be made very accurately by using localization between standing up (93.44% recall) and lying down (96.46% recall). This demonstrates the potential for using localization to discriminate between transition types, while detecting transitions using neck accelerometers is quite challenging compared to other studies in this field.
Keywords: Behaviors classification, accelerometer, dairy cows, machine learning, internet-of-animals. |
|---|