Código para la detección de pollos y robots usando YOLO v8
Otros responsables
Fecha
Publicador:
Consejo Nacional de Investigaciones Científicas y Técnicas
Fecha de depósito:
31/05/2024
Fecha de creación:
01/04/2024
Clasificación temática
Palabras clave
Resumen
Los pollos de engorde tienen problemas de bienestar debido al crecimiento rápido en entornos densos y estériles. Este estudio investigó cómo los robots con navegación autónoma afectan la distribución y el comportamiento de los pollos de engorde. Un robot AviSense navegó autónomamente 2 horas al día. Se grabaron en video las zonas de influencia del robot semanalmente, y se analizaron tanto las áreas con robot como las de control.
La zona de influencia del robot se centró en su trayectoria, y la detección de aves se realizó automáticamente con un modelo de inteligencia artificial. Se contó el número de pollos dentro de la zona y se estimó la densidad relativa.
El procedimiento para la detección automática de objetos y la inferencia a partir del modelo se realizó en Python de la siguiente manera:
1.Requerimientos: Instalación de librerías de Python necesarias.
2.Extracción de frames: Un script extrae imágenes de videos en intervalos predefinidos, creando un set de imágenes para análisis.
3.Identificación automática: Utilizando el modelo YOLO8 en la plataforma Roboflow, se identifican y cuentan los pollos en las imágenes. El script registra la ubicación de los pollos y si están dentro de una zona específica, guardando los resultados en archivos CSV para análisis posterior.
Este enfoque permitió observar que la entrada del robot desencadena una rápida despoblación de la zona de influencia y promueve comportamientos exploratorios adicionales en los pollos.
Métodos
Paso 1: Requerimientos Instalación de las librerias de python que se requieren antes de correr los scripts de procesamiento de los videos.
Métodos
Paso 2: Extracción de frames a partir de videos. El script.py recibe como entrada una lista de vídeos ubicados en una carpeta específica. Posteriormente, extrae una imagen en un momento de inicio definido por el usuario, con un intervalo de tiempo predefinido. Crea una carpeta de salida que contiene el set de imagenes generadas que constituyen el input para el segundo paso del procedimiento, donde el modelo entrenado en YOLO8 se encargará de identificar los objetos.
Métodos
Paso 3: Identificación automática de pollos y extracción de resultados. El script de Python opera mediante el uso de una llave de acceso proporcionada por Roboflow para llamar al modelo entrenado en su plataforma. Las imágenes ubicadas en la carpeta creada en el paso 2, son procesadas una por una, y para cada una se extraen predicciones de objetos utilizando el modelo de Roboflow. El nivel de confianza para la detección de objetos es ajustable por el usuario. La salida del modelo es un archivo json a partir del cual se extrae la información de interés, principalmente la ubicación espacial del pollo. Además de identificar y contar los objetos detectados, en este caso, pollos, el script también registra si los pollos están dentro o fuera de un área rectangular predefinida. Los resultados de estas predicciones, junto con los recuentos de pollos dentro y fuera, se registran en archivos CSV separados para su posterior análisis. Finalmente, el script muestra la última imagen procesada, incluyendo los pollos marcados, y muestra las rutas donde se han guardado los archivos CSV generados.
Colecciones
Condiciones de uso
Las buenas prácticas científicas esperan que se otorgue el crédito adecuado mediante una citación. Utilice un formato de citación y aplique estas normas de reutilización:
Licencia Creative Commons
Excepto donde se indique lo contrario, la licencia de este ítem se describe como by-nc-sa
Archivos
ARCHIVO
NOTAS DE USO
TAMAÑO
figura1.png
Figura 1: Efectos dinámicos del robot en la densidad de pollos en la zona de influencia del robot.
3.58 MB