Συσκευές αναγνώρισης συμπεριφοράς ζώων και η αξιοποίηση της μηχανικής μάθησης
Animal activity recognition devices and the use of machine learning
Θεματική επικεφαλίδα
TPSH::Επιστήμη Υπολογιστών::Βάσεις ΔεδομένωνΛέξεις κλειδιά
Μηχανική μάθηση ; Machine learning ; MATLAB ; Ανάλυση δεδομένων ; Πρωτόκολλα ; Αισθητήρες ; Τεχνολογίες παρακολούθησης κατοικιδίωνΠερίληψη
Η μηχανική μάθηση έχει κάνει την εμφάνιση της με τεχνολογίες μεγάλου όγκου δεδομένων και υπολογιστές υψηλής απόδοσης, δημιουργώντας νέες ευκαιρίες για την εντατική μελέτη δεδομένων στον τομέα των διεπιστημονικών τεχνολογιών. Σε αυτήν την εργασία, παρουσιάζουμε μια ολοκληρωμένη ανασκόπηση η οποία αναφέρεται σε εφαρμογές μηχανικής μάθησης και σε συστήματα που συντελούν στην ευζωία και ανάπτυξη της γεωργικής παραγωγής, των κατοικίδιων αλλά και των άγριων ζώων. Τα αναφερόμενα, αναλύθηκαν και κατηγοριοποιήθηκαν στις εξής κατηγορίες: (α) τη διαχείριση των καλλιεργειών, συμπεριλαμβανομένων των εφαρμογών σχετικά με την πρόβλεψη απόδοσης και την ανίχνευση ασθενειών στα ζώα εκτροφής, (β) τη διαχείριση των ζώων, συμπεριλαμβανομένων των εφαρμογών για την καλή μεταχείριση των ζώων, τόσο των εκτρεφόμενων όσο και των κατοικίδιων, (γ) και τη διάγνωση του υγιούς περιβάλλοντος των άγριων ζώων προκειμένου να επιβιώνουν σωστά σε αυτό. Το φιλτράρισμα και η ταξινόμηση των κατηγοριών που παρουσιάζονται καταδεικνύουν πώς η γεωργία, τα οικόσιτα ζώα και η άγρια ζωή θα ωφεληθούν από τις τεχνολογίες μηχανικής μάθησης. Εφαρμόζοντας την μηχανική μάθηση σε δεδομένα αισθητήρων, τα συστήματα διαχείρισης εξελίσσονται σε προγράμματα με δυνατότητα τεχνητής νοημοσύνης σε πραγματικό χρόνο που παρέχουν πλούσιες προτάσεις και πληροφορίες για την υποστήριξη αποφάσεων και ενεργειών.
Περίληψη
Machine learning has emerged with big data technologies and high-performance computing to create new opportunities for intensive data science in the multi-disciplinary technologies’ domain. In this paper, we present a comprehensive review of research dedicated to applications of machine learning applications in systems that contribute to the well-being and development of agricultural production, as well as pets and wildlife. The works were analyzed and categorized into (a) crop management, including applications for performance forecasting, disease detection, (b) animal management, including applications for good management of animals, both farmed and domestic, (c) diagnosis of the healthy environment of wild animals in order to survive properly in it. The filtering and classification of the categories demonstrate how agriculture, pets and wildlife will benefit from machine learning technologies. By applying machine learning to sensor data, management systems evolve into real-time artificial intelligence programs that provide rich recommendations and insights to support decisions and actions.