Identificação do comportamento bovino a partir dos dados de movimentação e do posicionamento do animal

Abstract

Este trabalho aborda a identificação automática do comportamento bovino, utilizando os dados de movimentação e posicionamento do animal e algoritmos de classificação supervisionada. Um colar composto por GPS, acelerômetro, giroscópio e magnetômetro foi desenvolvido e utilizado no pescoço de novilhas, mantidas no pasto experimental da Embrapa Gado de Corte, na cidade de Campo Grande / MS. Quatro unidades do colar coletaram mais de 500 horas de dados, sendo 71 horas com observação e anotação simultânea de um pesquisador. Os dados dos colares e das observações foram unificados e utilizados para construir o modelo de classificação automática dos comportamentos. Para classificar quatro comportamentos primário (Pastando/Procurando, Andando, Em Pé e Deitado), o algoritmo Random Forest obteve acurácia média de 93,99%. Separando os momentos que o animal estava Em Pé / Deitado Parado ou Ruminando, o modelo apresentou acurácia média de 89,55%. O trabalho também propõe uma metodologia para classificação dos comportamentos utilizando os dados dos colares e outras variáveis, tais como locais de interesse ou comportamentos já identificados. O comportamento Bebendo Água foi classificado utilizando as coordenadas geográficas e apresentou acurácia de 94,1%, enquanto sem elas a acurácia foi de apenas 71,2%. Esta pesquisa é fruto da parceria entre a FACOM / UFMS e a Embrapa Gado de Corte, dentro da linha de pesquisa de Tecnologias Computacionais para Pecuária.

ABSTRACT - This work approaches the automatic identification of cattle behavior, using animals’ movement and positioning data and supervised classification algorithms. A collar assembled with GPS, accelerometer, gyroscope and magnetometer was developed and it was used in the neck of heifers kept in the experimental pasture at Embrapa, in Campo Grande / MS. Four collars collected more than 500 hours of data, 71 hours with simultaneous viewing and annotation of a researcher. Data from collars and observations were unified and used to build a model for behavior automatic classification. To classify the four primary behaviors (Grazing / Looking, Walking, On Foot and laying), Random Forest algorithm had an average accuracy of 93.99%. By separating the moments the animal was On Foot or Laying in behaviors Stationary or Ruminating, the model had a mean accuracy of 89.55%. This work also proposes a methodology for classification of behaviors using data from collars and other variables, such as places of interest or behaviors already identified. The Drinking Water behavior was classified using geographic coordinates, and it presented an accuracy of 94.1%, while without the coordinates, the accuracy was only 71.2%. This research is a result of the partnership between FACOM / UFMS and Embrapa Beef Cattle, within Computational Technologies for Livestock research line.