Safe Moovment

Safe Moovement: Rentabilidad y bienestar animal a través de sensores y cercas digitales.

Comment

Sistema de Cercado Virtual y Monitoreo Inteligente del Ganado

Propósito

El propósito de este proyecto es desarrollar un sistema de cercado virtual y monitoreo inteligente del ganado que permita supervisar en tiempo real el estado de salud, comportamiento y ubicación de las vacas mediante sensores y tecnologías de análisis de datos.

Este sistema busca:

  • Detectar enfermedades de forma temprana
  • Reducir costos operativos
  • Mejorar el bienestar animal
  • Optimizar la gestión del rebaño

Problema a Resolver

La ganadería enfrenta dificultades para monitorear continuamente la salud y el comportamiento del ganado, especialmente en ranchos con grandes extensiones.

Los métodos tradicionales:

  • Requieren mucha mano de obra
  • Generan altos costos operativos
  • Retrasan la detección de enfermedades
  • Dificultan prevenir escapes o estrés animal

Nuestra Solución

Implementar un sistema de monitoreo basado en collares inteligentes con sensores que registran:

  • Temperatura corporal
  • Actividad física
  • Ubicación (GPS)
  • Frecuencia cardiaca
  • Frecuencia respiratoria
  • Condiciones ambientales

Los datos se procesan con modelos de Machine Learning para detectar comportamientos anormales y generar alertas tempranas.

Objetivos

  • Monitorear la salud y actividad del ganado mediante sensores
  • Detectar enfermedades de forma temprana
  • Prevenir el escape del ganado con cerco virtual
  • Generar alertas automáticas
  • Reducir costos operativos

Sensores Involucrados

Sensores Fisiológicos

  • Frecuencia cardiaca
  • Frecuencia respiratoria
  • Temperatura corporal
  • Hidratación

Sensores Ambientales

  • Temperatura
  • Humedad

Sensores de Movimiento

  • Acelerómetro
  • GPS
  • Sensor de respiración (flex sensor)

Rangos Fisiológicos Importantes

Frecuencia Cardiaca

El ganado bovino normalmente presenta:

$$ 48 \le HR \le 84 \; bpm $$

Donde:

  • HR = Heart Rate (latidos por minuto)

Temperatura Corporal

$$ 38.0^\circ C \le T \le 39.3^\circ C $$

Estados:

  • Menor a 38 → Hipotermia
  • 39.4 – 39.9 → Alerta leve
  • Mayor a 39.9 → Fiebre

Hidratación

Una reducción del:

$$ 20\% $$

en el consumo de agua es uno de los predictores más tempranos de enfermedad.

Qué Podemos Predecir

El sistema puede detectar:

  • Enfermedad temprana
  • Estrés
  • Deshidratación
  • Dolor
  • Cambios de comportamiento
  • Disminución de actividad
  • Fiebre

Ejemplos de patrones:

  • Menor movimiento
  • Menor rumiación
  • Mayor tiempo acostada
  • Aumento de respiración
  • Cambios de temperatura

Edge Computing

El Edge Computing permite procesar datos directamente en el lugar donde se generan.

Beneficios:

  • Respuesta en tiempo real
  • Menor dependencia de internet
  • Mayor eficiencia en zonas rurales
  • Reducción de latencia

Mapas Utilizados

Google Maps

Se utiliza para:

  • Visualización de ubicación
  • Interacción del usuario

OpenTopoData

Se utiliza para:

  • Modelos de elevación digital (DEM)
  • Identificación de pendientes peligrosas

Ejemplo:

Si la inclinación es mayor a:

$$ \theta > 30^\circ $$

Se marca como:

Zona de riesgo

Infraestructura de Comunicación

Redes Mesh

Los collares se comunican entre sí.

Funcionamiento:

Nodo → Nodo → Nodo → Antena

Store and Forward

Si no hay conexión:

Los sensores almacenan datos localmente y los transmiten cuando existe señal.

Machine Learning

Algoritmo Principal

Isolation Forest

Se utiliza para:

  • Detección de anomalías
  • Identificación de comportamientos anormales
  • Predicción temprana de enfermedad

Dataset

Fuente:

MmCows Dataset
NeurIPS 2024

Datos utilizados:

  • Acelerómetro
  • Temperatura
  • Actividad
  • Humedad
  • Frecuencia cardiaca
  • Frecuencia respiratoria

Preprocesamiento

Los datos se agrupan en ventanas de:

$$ 5 \; minutos $$

Cada ventana genera estadísticas.

Normalización

Se utiliza:

StandardScaler

Transformación:

$$ z = \frac{x - \mu}{\sigma} $$

Donde:

  • ( x ) = valor original
  • ( \mu ) = media
  • ( \sigma ) = desviación estándar

Parámetros del Modelo

Número de árboles:

$$ n_estimators = 200 $$

Contaminación:

$$ contamination = 0.05 $$

Semilla:

$$ random_state = 42 $$

Anomaly Score

El modelo genera un valor:

$$ raw $$

Se normaliza:

$$ score = \frac{score_{max} - raw}{score_{max} - score_{min}} $$

Donde:

$$ score_{max} = -0.377 $$

$$ score_{min} = -0.736 $$

Health Index Score (HIS)

El índice de salud inicia en:

$$ HIS = 100 $$

Se aplican penalizaciones.

Ejemplo:

Fiebre leve:

$$ HIS = HIS - 15 $$

Taquicardia:

$$ HIS = HIS - 15 $$

Rumia crítica:

$$ HIS = HIS - 20 $$

Hidratación crítica:

$$ HIS = HIS - 18 $$

Regla de Alerta

Si:

$$ HIS < 86 $$

Entonces:

Se genera una alerta al usuario.

Ejemplo de Evaluación

Vaca Sana

Temperatura:

$$ 38.6^\circ C $$

Frecuencia cardiaca:

$$ 65 \; bpm $$

Resultado:

$$ HIS = 93 $$

Vaca Enferma

Temperatura:

$$ 40.2^\circ C $$

Frecuencia cardiaca:

$$ 92 \; bpm $$

Resultado:

$$ HIS = 28 $$

Modelo de Negocio

Sistema basado en:

Suscripción

Ventajas:

  • Bajo costo inicial
  • Escalable
  • Adaptable
  • Accesible

Beneficios Económicos

  • Reducción de enfermedades
  • Aumento de productividad
  • Optimización de recursos
  • Menor gasto operativo

Ejemplo:

Ahorro en combustible:

$$ 40\% $$

Impacto Social

El sistema permite:

  • Mejor bienestar animal
  • Producción responsable
  • Seguridad alimentaria
  • Reducción del sufrimiento animal

Impacto Ambiental

El monitoreo continuo permite:

  • Uso eficiente de agua
  • Uso eficiente de alimento
  • Reducción de desperdicio
  • Producción sostenible

Arquitectura del Sistema

Sensores → Edge Device → Gateway → Cloud → API → Frontend

Validación del Modelo

Ventanas totales:

$$ 39,581 $$

Ventanas anómalas:

$$ 1,979 $$

Porcentaje:

$$ 5\% $$

Próximos Pasos

  • Recolectar datos reales
  • Validar diagnósticos con veterinarios
  • Crear dataset supervisado
  • Entrenar modelo supervisado
  • Mejorar precisión

Built With

Share this project:

Updates