Aplicación de la red convolucional Mask R-CNN para la estimación del peso corporal del cuy

Autores/as

DOI:

https://doi.org/10.51252/rcsi.v4i1.614

Palabras clave:

aplicación móvil, dataset de imágenes, inteligencia artificial, redes convolucionales

Resumen

La inteligencia artificial puede contribuir en el seguimiento del ciclo productivo del cuy mediante la aplicación de redes convolucionales, siendo una necesidad la estimación de su peso. Este estudio se enfocó en la aplicación de la red convolucional Mask R-CNN, utilizando una aplicación móvil como herramienta para la captura de imágenes. La metodología abarcó las siguientes etapas: i) revisión bibliográfica, ii) recolección de datos (imágenes y pesos de cuyes), iii) procesamiento de imágenes mediante aumento de datos, iv) construcción de un dataset (selección de imágenes y transformación de datos), v) adaptación y entrenamiento de la red convolucional, vi) análisis de los resultados para validar su desempeño, y finalmente, vii) implementación de una aplicación móvil como herramienta de estimación de peso. Se logró recopilar un conjunto de 6244 imágenes de cuyes con sus respectivos pesos y máscaras, junto con la adaptación de la red Mask R-CNN. Estas tareas condujeron a una correlación de R2 = 80,2% con el conjunto de validación, así como al desarrollo de un prototipo funcional capaz de estimar el peso de los cuyes utilizando la cámara de un teléfono celular.

Citas

Abdulla, W. (2017). Mask R-CNN for object detection and instance segmentation on Keras and TensorFlow. GitHub. https://github.com/matterport/Mask_RCNN

Buayai, P., Piewthongngam, K., Leung, C. K., & Saikaew, K. R. (2019). Semi-Automatic Pig Weight Estimation Using Digital Image Analysis. Applied Engineering in Agriculture, 35(4), 521–534. https://doi.org/10.13031/aea.13084 DOI: https://doi.org/10.13031/aea.13084

Cang, Y., He, H., & Qiao, Y. (2019). An Intelligent Pig Weights Estimate Method Based on Deep Learning in Sow Stall Environments. IEEE Access, 7, 164867–164875. https://doi.org/10.1109/ACCESS.2019.2953099 DOI: https://doi.org/10.1109/ACCESS.2019.2953099

Cominotte, A., Fernandes, A. F. A., Dorea, J. R. R., Rosa, G. J. M., Ladeira, M. M., van Cleef, E. H. C. B., Pereira, G. L., Baldassini, W. A., & Machado Neto, O. R. (2020). Automated computer vision system to predict body weight and average daily gain in beef cattle during growing and finishing phases. Livestock Science, 232, 103904. https://doi.org/10.1016/j.livsci.2019.103904 DOI: https://doi.org/10.1016/j.livsci.2019.103904

Dohmen, R., Catal, C., & Liu, Q. (2022). Computer vision-based weight estimation of livestock: a systematic literature review. New Zealand Journal of Agricultural Research, 65(2–3), 227–247. https://doi.org/10.1080/00288233.2021.1876107 DOI: https://doi.org/10.1080/00288233.2021.1876107

Fernandes, A. F. A., Dórea, J. R. R., Fitzgerald, R., Herring, W., & Rosa, G. J. M. (2019). A novel automated system to acquire biometric and morphological measurements and predict body weight of pigs via 3D computer vision1. Journal of Animal Science, 97(1), 496–508. https://doi.org/10.1093/jas/sky418 DOI: https://doi.org/10.1093/jas/sky418

Gil Santos, V. (2007). Importancia del Cuy y su Competitividad en el Mercado. Archivos Latinoamericanos De Producción Animal, 15(5). https://ojs.alpa.uy/index.php/ojs_files/article/view/2741

González Marcos, A., Martínez de Pisón Ascacíbar, F., Pernía Espinoza, A., Alba Elías, F., Castejón Limas, M., Ordieres Meré, J., & Vergara González, E. (2006). Técnicas y Algoritmos Básicos de Visión Artificial (1st ed.). Universidad de La Rioja.

He, K., Gkioxari, G., Dollar, P., & Girshick, R. (2017). Mask R-CNN. 2017 IEEE International Conference on Computer Vision (ICCV), 2980–2988. https://doi.org/10.1109/ICCV.2017.322 DOI: https://doi.org/10.1109/ICCV.2017.322

Jensen, D., & Dominiak, K. (2018). Automatic estimation of slaughter pig live weight using convolutional neural networks. II International Conference on Agro BigData and Decision Support Systems in Agriculture.

Jun, K., Kim, S. J., & Ji, H. W. (2018). Estimating pig weights from images without constraint on posture and illumination. Computers and Electronics in Agriculture, 153, 169–176. https://doi.org/10.1016/j.compag.2018.08.006 DOI: https://doi.org/10.1016/j.compag.2018.08.006

Kashiha, M., Bahr, C., Ott, S., Moons, C. P. H., Niewold, T. A., Ödberg, F. O., & Berckmans, D. (2014). Automatic weight estimation of individual pigs using image analysis. Computers and Electronics in Agriculture, 107, 38–44. https://doi.org/10.1016/j.compag.2014.06.003 DOI: https://doi.org/10.1016/j.compag.2014.06.003

Konovalov, D. A., Saleh, A., Efremova, D. B., Domingos, J. A., & Jerry, D. R. (2019). Automatic Weight Estimation of Harvested Fish from Images. 2019 Digital Image Computing: Techniques and Applications (DICTA), 1–7. https://doi.org/10.1109/DICTA47822.2019.8945971 DOI: https://doi.org/10.1109/DICTA47822.2019.8945971

Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common Objects in Context (pp. 740–755). https://doi.org/10.1007/978-3-319-10602-1_48 DOI: https://doi.org/10.1007/978-3-319-10602-1_48

Ma, W., Li, Q., Li, J., Ding, L., & Yu, Q. (2021). A method for weighing broiler chickens using improved amplitude-limiting filtering algorithm and BP neural networks. Information Processing in Agriculture, 8(2), 299–309. https://doi.org/10.1016/j.inpa.2020.07.001 DOI: https://doi.org/10.1016/j.inpa.2020.07.001

Miller, G. A., Hyslop, J. J., Barclay, D., Edwards, A., Thomson, W., & Duthie, C.-A. (2019). Using 3D Imaging and Machine Learning to Predict Liveweight and Carcass Characteristics of Live Finishing Beef Cattle. Frontiers in Sustainable Food Systems, 3. https://doi.org/10.3389/fsufs.2019.00030 DOI: https://doi.org/10.3389/fsufs.2019.00030

Mortensen, A. K., Lisouski, P., & Ahrendt, P. (2016). Weight prediction of broiler chickens using 3D computer vision. Computers and Electronics in Agriculture, 123, 319–326. https://doi.org/10.1016/j.compag.2016.03.011 DOI: https://doi.org/10.1016/j.compag.2016.03.011

Pezzuolo, A., Guarino, M., Sartori, L., González, L. A., & Marinello, F. (2018). On-barn pig weight estimation based on body measurements by a Kinect v1 depth camera. Computers and Electronics in Agriculture, 148, 29–36. https://doi.org/10.1016/j.compag.2018.03.003 DOI: https://doi.org/10.1016/j.compag.2018.03.003

Qiao, Y., Truman, M., & Sukkarieh, S. (2019). Cattle segmentation and contour extraction based on Mask R-CNN for precision livestock farming. Computers and Electronics in Agriculture, 165, 104958. https://doi.org/10.1016/j.compag.2019.104958 DOI: https://doi.org/10.1016/j.compag.2019.104958

Wang, Y., Yang, W., Winter, P., & Walker, L. (2008). Walk-through weighing of pigs using machine vision and an artificial neural network. Biosystems Engineering, 100(1), 117–125. https://doi.org/10.1016/j.biosystemseng.2007.08.008 DOI: https://doi.org/10.1016/j.biosystemseng.2007.08.008

Wilding-McBride, D., & Pun, D. (2018). Mask R-CNN utils. GitHub. https://github.com/DiUS/MaskRCNN-utils

Wongsriworaphon, A., Arnonkijpanich, B., & Pathumnakul, S. (2015). An approach based on digital image analysis to estimate the live weights of pigs in farm environments. Computers and Electronics in Agriculture, 115, 26–33. https://doi.org/10.1016/j.compag.2015.05.004 DOI: https://doi.org/10.1016/j.compag.2015.05.004

RCSI

Publicado

2024-01-10

Cómo citar

Ormeño-Ayala, Y. I., & Zapata-Ttito, A. G. (2024). Aplicación de la red convolucional Mask R-CNN para la estimación del peso corporal del cuy. Revista Científica De Sistemas E Informática, 4(1), e614. https://doi.org/10.51252/rcsi.v4i1.614