L ỜI CẢM ƠN
4.5.4. Quản lý dữ liệu huấn luyện và mô hình huấn luyện
Ngƣời sử dụng có thể trực tiếp huấn luyện mô hình phân loại một cách tiện lợi cho từng cá thể bò ngay trên phần mềm thử nghiệm này. Thao tác này đƣợc thực hiện bằng việc tải lên file excel (theo format định sẵn) chứa dữ liệu cảm biến gia tốc của
một đối tƣợng bò sữa để huấn luyện mô hình. Sau đó việc quá trình huấn luyện mô
hình đƣợc tiến hành thông qua một tác vụ chạy nền (background task), tác vụnày đƣợc khởi tạo và quản lý bởi Celery và Redis nhƣ mô tảở mục 4.3.4.
ình 4-16: Huấn luyện mô hình cho cá thể bò sữa
Một cá thể bò sữa có thể có nhiều mô hình phân loại đƣợc huấn luyện bởi các tập dữ liệu khác nhau nhƣ hình 4-12. Ngƣời sử dụng có thể tải lên tập dữ liệu khác để
huấn luyện mô hình mới cho một cá thể đã có sẵn mô hình phân loại từ trƣớc. Tuy nhiên, chỉ có duy nhất một mô hình duy nhất đƣợc sử dụng cho việc suy luận và phân loại (inference) sau đó. Ở đây, mô hình này đƣợc mặc định là mô hình mới nhất đƣợc tạo ra.
ình 4-17: Danh sách các tập dữ liệu huấn luyện
Kết quả của việc huấn luyện mô hình có thểđƣợc kiểm tra từ lịch sử các tác vụ
ình 4-18: Lịch sử kết quả tác vụ huấn luyện mô hình phân loại 4.5.5. Quản lý dữ liệu suy luận và kết quả phân loại Sau khi đã có đƣợc mô hình phân loại từ dữ liệu huấn luyện, việc tiến hành suy luận phân loại đối với dữ liệu đầu vào mới.
Nhƣ đƣợc đề cập ở mục
4.1, có hai cách để nạp dữ liệu này vào hệ thống. Cách thứ nhất thủ công là bằng việc
ình 4-19: Danh sách tập dữ liệu phân loại được tải lên thủ
tải lên file excel nhƣ đối với dữ liệu huấn luyện (hình 4-14), sau đó quá trình suy luận
cũng đƣợc thực thi bởi một tác vụ chạy nền bằng Celery.
Sau khi tác vụ chạy nền này
kết thúc, kết quả phân loại sẽ đƣợc tự động cập nhật nhƣ ví dụở hình 4-16.
Cách thứhai để nạp dữ liệu suy luận vào hệ thống là tựđộng đẩy dữ liệu thô từ
cảm biến gia tốc đến máy chủ thông qua HTTP API. Ở phía thiết bị cảm biến gia tốc, việc này có thểđƣợc thực hiện bằng phƣơng thức POST với định dạng dữ liệu json.
ình 4-20: Tải lên dữ liệu mới phục vụ phân
POST /api/2.2/auth/inference HTTP/1.1 HOST: testserver.com Content-Type:application/json Accept:application/json { "data": { "type": "inference-data", "cattle-id": "123", "time": "2020-08-22T08:56:29.000Z", "x-axis": "-0.93", "y-axis": "0.08", "z-axis": "-0.01", } }
Sau đó, việc xử lý chia đoạn dữ liệu, suy luận phân loại cũng sẽ tự động đƣợc thực thi bằng tiền trình chạy nền Celery.
4.5.6. Thống kê kết quả
Một chức năng quan trọng đó là thống kê hoạt động của mỗi cá thể bò sữa theo ngày hoặc theo một khoảng thời gian nhất định. Điều này cho phép ngƣời chăn nuôi
nhận diện một cách trực quan và định tính sự bất thƣờng trong hoạt động của mõi cá thể, giúp phát hiện sớm bệnh tật hoặc bất thƣờng. Hình 4-17 là đồ thị thông tin hành vi của một cá thể trong 7 ngày gần nhất.
CHƢƠNG 5: KẾT LUẬN
Cảm biến gia tốc có thểđƣợc sử dụng để nhận biết các kiểu hành vi khác nhau ở
gia súc. Luận văn này đã thiết kế một công cụƣớc tính hành vi của bò có thể phân loại dữ liệu gia tốc thành bảy trạng thái chuyển động: ăn, nằm, đứng, nằm, đứng lên, đi bình thƣờng, đi nhanh. Các đặc trƣng cho dữ liệu gia tốc của từng hành vi đƣợc nghiên cứu và áp dụng trong một số mô hình phân loại. Việc sử dụng hợp lý các đặc trƣng
thống kê cho độ chính xác tổng thể tốt là 86%. Kết quảnày đã cho thấy rằng các hành vi quan trọng của bò sữa có thểđƣợc phân loại chính xác bằng cách sử dụng một thuật toán Gradient Boosted Decision Tree đơn giản đƣợc áp dụng cho dữ liệu đƣợc thu thập từ một máy đo gia tốc ba trục gắn trên chân.
Sử dụng các kết quả của phép phân loại này, luận vănnày đề xuất xây dựng một phần mềm thử nghiệm trên nền tảng web nhằm quản lý dữ liệu một cách tập trung,
đồng thời tiến hành huấn luyện mô hình phân loại và sử dụng các mô hình phân loại ấy
để tiến hành suy luận dựđoán các dữ liệu hành vi mới đƣợc nạp vào. Ngoài ra, chƣơng
trình còn có chức năng thống kê các kết quả phân loại theo ngày nhằm theo dõi hoạt
TÀI LIỆU THAM KHẢO
[1] European Commission. Directorate General for Health and Food Safety. (2017). Welfare of cattle on dairy farms: overview report. Publications Office. https://doi.org/10.2875/815860
[2] Porto, S. M. C., et al. "Localisation and identification performances of a real-time location system based on ultra wide band technology for monitoring and tracking dairy cow behaviour in a semi-open free-stall barn." Computers and Electronics in Agriculture 108 (2014): 221-229.
[3] Rahman, Ashfaqur, et al. "Cattle behaviour classification from collar, halter, and ear tag sensors." Information processing in agriculture 5.1 (2018): 124-133.
[4] Wang, Jun, et al. "Development and validation of an ensemble classifier for real- time recognition of cow behavior patterns from accelerometer data and location data."
PloS one 13.9 (2018): e0203546.
[5] Atallah, Louis, et al. "Sensor positioning for activity recognition using wearable accelerometers." IEEE transactions on biomedical circuits and systems 5.4 (2011): 320-329.
[6] Davila, Juan Carlos, Ana-Maria Cretu, and Marek Zaremba. "Wearable sensor data classification for human activity recognition based on an iterative learning framework."
Sensors 17.6 (2017): 1287.
[7] Zehner, Nils, et al. "System specification and validation of a noseband pressure sensor for measurement of ruminating and eating behavior in stable-fed cows."
Computers and Electronics in Agriculture 136 (2017): 31-41.
[8] Müller, Roger, and Lars Schrader. "A new method to measure behavioural activity levels in dairy cows." Applied Animal Behaviour Science 83.4 (2003): 247-258.
[9] O‟Driscoll, Keelin, Laura oyle, and Alison Hanlon. "A brief note on the
validation of a system for recording lying behaviour in dairy cows." Applied Animal Behaviour Science 111.1-2 (2008): 195-200.
[10] Sugiyama, Masashi, and Motoaki Kawanabe. Machine learning in non-stationary environments: Introduction to covariate shift adaptation. MIT press, 2012.
[11] Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning. MIT press.
[12] Borchers, M. R., Chang, Y. M., Tsai, I. C., Wadsworth, B. A., & Bewley, J. M. (2016). A validation of technologies monitoring dairy cow feeding, ruminating, and lying behaviors. Journal of dairy science, 99(9), 7458-7466.
[13] Shahriar, M. S., Smith, D., Rahman, A., Freeman, M., Hills, J., Rawnsley, R., ... & Bishop-Hurley, G. (2016). Detecting heat events in dairy cows using accelerometers and unsupervised learning. Computers and electronics in agriculture, 128, 20-26. [14] Arcidiacono, C., Porto, S. M. C., Mancino, M., & Cascone, G. (2017). Development of a threshold-based classifier for real-time recognition of cow feeding and standing behavioural activities from accelerometer data. Computers and electronics in agriculture, 134, 124-134.
[15] Diosdado, J. A. V., Barker, Z. E., Hodges, H. R., Amory, J. R., Croft, D. P., Bell, N. J., & Codling, E. A. (2015). Classification of behaviour in housed dairy cows using an accelerometer-based activity monitoring system. Animal Biotelemetry, 3(1), 1-14. [16] Ravi, N., Dandekar, N., Mysore, P., & Littman, M. L. (2005, July). Activity recognition from accelerometer data. In Aaai (Vol. 5, No. 2005, pp. 1541-1546).
[17] Lutz, M. (2001). Programming python. " O'Reilly Media, Inc.".
[18] Chun, W. (2001). Core python programming (Vol. 1). Prentice Hall Professional. [19] Hsu, C. W., Chang, C. C., & Lin, C. J. (2003). A practical guide to support vector classification.
[20] Myles, A. J., Feudale, R. N., Liu, Y., Woody, N. A., & Brown, S. D. (2004). An introduction to decision tree modeling. Journal of Chemometrics: A Journal of the Chemometrics Society, 18(6), 275-285.
[21] Safavian, S. R., & Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE transactions on systems, man, and cybernetics, 21(3), 660-674. [22] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). New York: springer.
[23] Twomey, N., Diethe, T., Fafoutis, X., Elsts, A., McConville, R., Flach, P., & Craddock, I. (2018, June). A comprehensive study of activity recognition using accelerometers. In Informatics (Vol. 5, No. 2, p. 27). Multidisciplinary Digital Publishing Institute.
[24] Martiskainen, P., Järvinen, M., Skön, J. P., Tiirikainen, J., Kolehmainen, M., & Mononen, J. (2009). Cow behaviour pattern recognition using a three-dimensional accelerometer and support vector machines. Applied animal behaviour science, 119(1- 2), 32-38.
[25] Rossant, C. (2015). An illustrated introduction to the t-SNE algorithm. Oreilly [en línia], 3.
[26] Zhao, M., Fu, C., Ji, L., Tang, K., & Zhou, M. (2011). Feature selection and parameter optimization for support vector machines: A new approach based on genetic algorithm with feature chromosomes. Expert Systems with Applications, 38(5), 5197- 5204.
[27] Hoang, Q. T., Phung, C. P. K., Bui, T. N., Chu, T. P. D., & Tran, D. T. (2018). Cow behavior monitoring using a multidimensional acceleration sensor and multiclass SVM. International Journal of Machine Learning and Networked Collaborative Engineering, 2(3), 110-118.
[28] Guo, Y., Corke, P., Poulton, G., Wark, T., Bishop-Hurley, G., & Swain, D. (2006, November). Animal behaviour understanding using wireless sensor networks. In
Proceedings. 2006 31st IEEE Conference on Local Computer Networks (pp. 607-614). IEEE.
[29] Yoshioka, H., Ito, M., & Tanimoto, Y. (2010). Effectiveness of a real-time radiotelemetric pedometer for estrus detection and insemination in Japanese Black cows. Journal of Reproduction and Development, 1003190258-1003190258.
[30] Tran, T. D., Dao, D. V., Bui, T. T., Nguyen, L. T., Nguyen, T. P., & Susumu, S. (2008, January). Optimum design considerations for a 3-DOF micro accelerometer
using nanoscale piezoresistors. In 2008 3rd IEEE International Conference on
Nano/Micro Engineered and Molecular Systems (pp. 770-773). IEEE.
[31] Tan, T. D., Ha, L. M., Long, N. T., Duc, N. D., & Thuy, N. P. (2007, November). Integration of inertial navigation system and global positioning system: Performance
analysis and measurements. In 2007 International Conference on Intelligent and
Advanced Systems (pp. 1047-1050). IEEE.
[32] Luu, Manh Ha, Duc Tan Tran, Thanh Long Nguyen, Dinh Duc Nguyen, and Phu
Thuy Nguyen. "Errors determination of the MEMS IMU." (2006). VNU Journal of
Science: Mathematics-Physics 22, no. 4
[33] Van, T. N., Duc, T. C., & Duc-Tan, T. (2015). Application of street tracking
algorithm in an INS/GPS integrated navigation system. IETE Journal of
Research, 61(3), 251-258.
[34] Pham, V. T., Nguyen, D. A., Dang, N. D., Pham, H. H., Tran, V. A., Sandrasegaran, K., & Tran, D. T. (2018). Highly accurate step counting at various walking states using low-cost inertial measurement unit support indoor positioning
system. Sensors, 18(10), 3186.
[35] Tan, T. D., Anh, N. T., & Anh, G. Q. (2011, January). Low-cost Structural Health
Monitoring scheme using MEMS-based accelerometers. In 2011 Second International
Conference on Intelligent Systems, Modelling and Simulation (pp. 217-220). IEEE.
[36] Khanh, P. C. P., Long, T. T., Chinh, N. D., & Duc-Tan, T. (2018, January).
Performance evaluation of a multi-stage classification for cow behavior. In 2018 2nd
International Conference on Recent Advances in Signal Processing,
[37] Cong Phi Khanh, P., Tran, D. T., Van Duong, T., Hong Thinh, N., & Tran, D. N. (2020). The new design of cows' behavior classifier based on acceleration data and
proposed feature set. Mathematical Biosciences and Engineering, 17(4), 2760-2780.
[38] Phung Cong Phi, K., Nguyen Thi, K., Nguyen Dinh, C., Tran Duc, N., & Tran
Duc, T. (2019). Classification of cow‟s behaviors based on 3-DoF accelerations from
cow‟s movements.International Journal of Electrical and Computer Engineering, 9(3), 1656-1662.