Klassifisering av bevegelse hos kyr ved bruk av tilbakevendende nevrale nettverk

Abstract

Ved å kunne klare å klassifisere atferder hos kalv på beite så vil man kunne gi bonden en nyttig indikator på dyrets generelle velvære, og muliggjøre en mer bærekraftig husdyrbeitedrift. Målet for denne oppgaven var å studere potensialet tilbakevendende nevrale nettverk hadde for klassifisering av atferd hos kalv med hjelp av kun akselerometerdata. Videoobservasjoner og akselerometerdata fra to kalver ble koblet sammen for å danne datasett til maskinlæring. Gated Recurrent Unit (GRU) og Long Short-Term Memory (LSTM) arkitekturer ble prøvd ut på et utvalg av atferder fra tre dannede datasett med to ulike oppdelinger, som til sammen ga 24 forskjellige modeller. Modellene ble optimalisert med de beste parameterne ut ifra et forhåndsdefinert utvalg. Atferdene som ble satt i fokus for denne studien var hvile, bevegelse, beiting, diing og drøvtygging. Resultatene viste at den mer moderne arkitekturen GRU gjorde det bedre enn LSTM i flesteparten av modellene, men at begge slet med å klassifisere atferden diing. Det blir konkludert med at det trengs mer data eller andre typer sensorer for at tilbakevendende nevrale nettverk nøyaktig skal kunne klassifisere og skille mellom flere atferder. Framtiden vil bringe enda større fokus for bærekraftig husdyrbeitedrift, og siden tingenes internett (IoT) stadig sprer seg og allerede har fått feste i enkelte deler av landbruks-industrien, så danner denne oppgaven et godt grunnlag for videre analyse.

By being able to classify behaviors of calves on pasture, one will be able to give the farmer a useful indicator of the animal’s general well-being and enable a more sustainable animal husbandry. The aim of this thesis was to study the potential of Recurrent Neural Networks (RNN) for classification of behavior in calves using only accelerometer data. Video observations accelerometer data from two calves were linked to form datasets for machine learning. Gated Recurrent Unit and Long Short-Term Memory architectures were tested on a range of behaviors from three formed datasets with two different splits, which together yielded 24 different models. The models were optimized with the best parameters based on a predefined range. The behaviors that were put in focus for this study were rest, movement, grazing, suckle and chewing. The results showed that the more modern architecture GRU did better than LSTM in most of the models, but that both struggled to classify the behavior suckle. It is concluded that more data or other types of sensors are needed for a Recurrent Neural Network to be able to accurately classify and distinguish between several behaviors. The future will bring even greater focus on sustainable animal husbandry. Internet of things are constantly evolving and has already gained a foothold in some parts of the agricultural industry. This thesis does therefore form a good basis for further study.