IA en Ganadería de Precisión

La competencia finaliza el 18 de Noviembre de 2019, quedan aún 28 días para participar.

Introducción

La ganadería es una de las actividades económicas más importantes de Argentina, tanto para el mercado interno como en materia de exportación. El sector ganadero está en continua búsqueda de tecnologías que permitan aumentar la productividad y los márgenes de la actividad. Un área específica dentro de la ganadería de precisión es el monitoreo alimentario, que permite un control de la salud y bienestar de los animales, como así también constituye una herramienta para la selección genética de los más aptos para su reproducción. Mediante el análisis y caracterización de los sonidos que los animales producen al comer es posible estimar la cantidad de alimento ingerido durante el pastoreo, brindando un mayor control sobre la alimentación de cada animal.

Los rumiantes, como las ovejas o las vacas, presentan tres tipos de movimientos mandibulares característicos al pastar:

  • Masticación (o chew, del inglés): Consiste en el triturado del alimento ingerido. El animal utiliza las piezas dentarias posteriores. Se da mayormente durante la rumia pero también está presente durante el pastoreo.
  • Arranque (o bite, del inglés): Consiste en el corte y rasgado de la pastura. El animal utiliza las piezas dentarias anteriores. Se da únicamente en el pastoreo.
  • Arranque-masticación (o chew-bite, del inglés): Es un solo movimiento que consiste en la combinación de los dos anteriores. Se da únicamente en el pastoreo.

Cada uno de estos movimientos generan un sonido particular, que puede ser grabado mediante un micrófono ubicado en la frente del animal. El objetivo de la competencia es identificar eventos masticatorios a partir de estas grabaciones, utilizando métodos de inteligencia artificial.


Premios

  • Primer puesto: Elige entre Auriculares o Parlante portátil.
  • Segundo puesto: Se queda con la opción restante.
  • Tercer puesto: Libro “Big Data”

Foro

Canal de Slack para discutir cuestiones de la competencia y enviar novedades

Evaluación

La métrica que se usará para evaluar será el balanced accuracy con los pesos del conjunto privado de prueba. Las respuestas de los participantes deberán ser archivos .csv con columnas grabación y etiqueta.

0001, 0

0002, 1

0003, 1

0004, 0

0005, 2

donde grabación será el nombre del archivo wav (sin “.wav”) y etiqueta corresponde a la categoría predicha por el modelo (ver descripción más abajo).

Las soluciones finales se deberán desarrollar de forma obligatoria en la plataforma Google Colaboratory. Las notebooks deberán tomar como entrada los archivos antes mencionados y generar un archivo de nombre ‘predicciones.csv’ con las predicciones. A modo de ejemplo, se desarrollaron dos notebooks con dos posibles enfoques para enfrentar el problema:

En estas notebooks de ejemplo se muestra como cargar los datos y como descargar la solución final. Es importante aclarar que, en caso de utilizar GPU, la notebook deberá correr en una sesión, ya que las notebooks tienen tiempo límite de ejecución con GPU en esta plataforma. Para la presentación final, las notebooks deberán estar correctamente comentadas y los participantes deben explicar qué tratamiento hicieron de los datos, y qué decisiones tomaron para el modelado, utilizando gráficas donde sea necesario. La calificación final de la competencia se calcula como un 80% del resultado de las clasificaciones y un 20% del puntaje asignado a la presentación y detalle de la notebook. Se leerán todos los informes presentados, incluso aquellos con bajo puntaje en la clasificación. ¡A no desalentarse!

Soluciones tramposas serán detectadas en las notebooks y quedarán descalificadas.

Bueno, ya ¡dame la data!

En caso que los datos aquí brindados se utilicen con otros fines que no sean los de la competencia, le pedimos que cite los siguientes trabajos:

Automatic recognition of ingestive sounds of cattle based on hidden Markov models. D. H. Milone, J. Galli, C. Cangiano, H. L. Rufiner, E. Laca. Computers and Electronics in Agriculture, Volume 87, page 51--55 - sep 2012.

A real-time algorithm for acoustic monitoring of ingestive behavior of grazing cattle. J. O. Chelotti, S. R. Vanrell, D. H. Milone, J. Galli, S.A Utsumi, H. L. Rufiner, L. Giovanini. Computers and Electronics in Agriculture, Volume 127, Number 64 -75 - 2016.

Descripción

Grabaciones:

El conjunto de datos está compuesto por grabaciones (WAV) de un corpus perteneciente al sinc(i) (UNL-CONICET) y a la Facultad de Ciencias Agrarias de la UNR, especialmente etiquetados para esta competencia. Cada grabación tiene una duración fija de 800 ms y corresponde a uno de los eventos masticatorios descriptos anteriormente.

Etiquetas de entrenamiento:

Las etiquetas están organizadas en un archivo csv, donde cada número corresponde a una categoría diferente:

  • 0: bite
  • 1: chew
  • 2: chew-bite

Además, cada grabación del conjunto de entrenamiento tiene anotadas las características de la pastura que se estaba consumiendo:

  • pasture: tipo de pastura (alfalfa / fescue)
  • height: altura de la pastura al momento de la grabación ( short / tall )