Monitoraggio della Salute Guidato dal Machine Learning per Bovini da Latte

Abstract

La sostenibilità operativa dell'industria lattiero-casearia globale dipende dal benessere del bestiame, in particolare dalla salute della mammella. Il monitoraggio manuale tradizionale è oneroso e soggettivo. Questa tesi presenta la progettazione e l'implementazione di un ecosistema AI end-to-end per il monitoraggio della salute bovina. Adottando un approccio ingegneristico iterativo, la ricerca affronta inizialmente il divario infrastrutturale. La prototipazione iniziale con Raspberry Pi ha rivelato limiti di stabilità energetica. Di conseguenza, l'architettura si è evoluta in un Mobile Edge Gateway utilizzando smartphone commerciali e telecamere Tapo, garantendo un'acquisizione dati robusta e asincrona in ambienti agricoli difficili. Per superare la scarsità di dati annotati, è stata ingegnerizzata una Piattaforma di Annotazione Ibrida proprietaria. Questo strumento web implementa un flusso di lavoro "Human-in-the-Loop", utilizzando un modello YOLOv8 preliminare per generare automaticamente proposte di annotazione. Questo approccio ha ridotto il tempo di annotazione del 73,3% rispetto ai metodi manuali. Infine, un modello YOLOv8n è stato addestrato su questo dataset, ottenendo un mAP@0.5 di 0.824 e un'alta precisione (>95%) sulle caratteristiche anatomiche visibili. Questa tesi dimostra che la combinazione di hardware edge a basso costo con pipeline di dati semi-automatizzate fornisce una base scalabile ed economica per la Zootecnia di Precisione.

The operational sustainability of the global dairy industry relies on livestock welfare, specifically udder health. Traditional manual monitoring is labor-intensive and subjective. This thesis presents the design and deployment of an end-to-end, AI-driven ecosystem for Cow Health Monitoring. Adopting an iterative engineering approach, the research first addresses the "Infrastructure Gap". Initial prototyping with Raspberry Pi revealed limitations in power and stability. Consequently, the architecture evolved into a Mobile Edge Gateway using commodity smartphones and Tapo cameras, ensuring robust, asynchronous data acquisition in harsh farm environments. To overcome the "Data Scarcity" bottleneck, a proprietary Hybrid Annotation Platform was engineered. This web-based tool implements a "Human-in-the-Loop" workflow, utilizing a preliminary YOLOv8 model to auto-generate bounding box proposals. This approach reduced annotation time by 73.3% compared to manual methods. Finally, a YOLOv8n model was trained on this curated dataset, achieving an mAP@0.5 of 0.824 and high precision (>95%) on visible anatomical features. This thesis demonstrates that combining low-cost edge hardware with semi-automated data pipelines provides a scalable, cost-effective foundation for Precision Livestock Farming.