Los feedlots operan a una escala donde el monitoreo de miles de animales genera cuellos de botella operativos, sesgos y latencia en las decisiones. Automatizar esto mejora la eficiencia operativa y el…
Los feedlots operan a una escala donde el monitoreo de miles de animales genera cuellos de botella operativos, sesgos y latencia en las decisiones. Automatizar esto mejora la eficiencia operativa y el bienestar animal, pero exige procesar grandes volúmenes de datos visuales en entornos altamente dinámicos.
En esta charla presentamos la arquitectura de un sistema de visión computacional que procesa video en tiempo real transmitido por drones en vuelo. Analizaremos cómo el backend ingesta el streaming en vivo, identifica dinámicamente los corrales y recorta las áreas de interés para alimentar un pipeline de inferencia concurrente.
Profundizaremos en la implementación y optimización de los modelos de Redes Neuronales Convolucionales (CNNs) diseñados para resolver tres problemas técnicos clave:
- Detección: Conteo preciso de hacienda abordando los desafíos de alta oclusión.
- Clasificación: Evaluación automática del nivel de alimento en los comederos.
- Segmentación: Estimación de métricas de condición corporal y volumen mediante vistas cenitales.
Finalmente, discutiremos el gran desafío de ejecutar la inferencia on-the-fly mientras el vuelo está en curso. Mostraremos cómo esta orquestación de IA minimiza la latencia y transforma los píxeles en indicadores productivos de alto valor al instante, reduciendo tareas manuales y modernizando la gestión del feedlot.
Sobre Jeremías Avaro: Desarrollador de software especializado en Ruby on Rails, visión por computadora e inteligencia artificial aplicada a problemas del mundo real. Actualmente vivo en Rio Cuarto. Graduado en la Universidad Nacional de Rio Cuarto en la carrera de Analista en Ciencias de la Computacion. Finalizando el ultimo año en la carrera de Licenciatura en Ciencias de la Computacion.
Sobre Edgar Agustin Balestra: I'm Edgar Agustín Balestra, a 24-year-old Computer Science student, teaching assistant at Universidad Nacional de Río Cuarto (UNRC), and Software Engineer at PlumLabs. I work on computer vision applied to agriculture, combining drones, real-time video processing, and detection, classification, and segmentation models to automate feedlot monitoring. I'm also a researcher in the MFIS group at UNRC's Computer Science Department, with a paper published at the IEEE International Conference on Software Testing, Verification and Validation (ICST) 2026 on improving dynamic specification inference using LLMs.
Automatización para la gestión de feedlots con CNNs para inferencia en tiempo real
DATA SCIENCE / AI
🌎 Argentina 2026📅 2026-09-24 17:40📍 Gran sala
Los feedlots operan a una escala donde el monitoreo de miles de animales genera cuellos de botella operativos, sesgos y latencia en las decisiones. Automatizar esto mejora la eficiencia operativa y el…
Los feedlots operan a una escala donde el monitoreo de miles de animales genera cuellos de botella operativos, sesgos y latencia en las decisiones. Automatizar esto mejora la eficiencia operativa y el bienestar animal, pero exige procesar grandes volúmenes de datos visuales en entornos altamente dinámicos.
En esta charla presentamos la arquitectura de un sistema de visión computacional que procesa video en tiempo real transmitido por drones en vuelo. Analizaremos cómo el backend ingesta el streaming en vivo, identifica dinámicamente los corrales y recorta las áreas de interés para alimentar un pipeline de inferencia concurrente.
Profundizaremos en la implementación y optimización de los modelos de Redes Neuronales Convolucionales (CNNs) diseñados para resolver tres problemas técnicos clave:
- Detección: Conteo preciso de hacienda abordando los desafíos de alta oclusión.
- Clasificación: Evaluación automática del nivel de alimento en los comederos.
- Segmentación: Estimación de métricas de condición corporal y volumen mediante vistas cenitales.
Finalmente, discutiremos el gran desafío de ejecutar la inferencia on-the-fly mientras el vuelo está en curso. Mostraremos cómo esta orquestación de IA minimiza la latencia y transforma los píxeles en indicadores productivos de alto valor al instante, reduciendo tareas manuales y modernizando la gestión del feedlot.
Sobre Jeremías Avaro: Desarrollador de software especializado en Ruby on Rails, visión por computadora e inteligencia artificial aplicada a problemas del mundo real. Actualmente vivo en Rio Cuarto. Graduado en la Universidad Nacional de Rio Cuarto en la carrera de Analista en Ciencias de la Computacion. Finalizando el ultimo año en la carrera de Licenciatura en Ciencias de la Computacion.
Sobre Edgar Agustin Balestra: I'm Edgar Agustín Balestra, a 24-year-old Computer Science student, teaching assistant at Universidad Nacional de Río Cuarto (UNRC), and Software Engineer at PlumLabs. I work on computer vision applied to agriculture, combining drones, real-time video processing, and detection, classification, and segmentation models to automate feedlot monitoring. I'm also a researcher in the MFIS group at UNRC's Computer Science Department, with a paper published at the IEEE International Conference on Software Testing, Verification and Validation (ICST) 2026 on improving dynamic specification inference using LLMs.
Ver charla