OVIS System : A research platform for online and embedded monitoring of sheep behavior

Abstract

This thesis presents the design, implementation, and evaluation of the OVIS system, a research system for online behavioral monitoring of sheep in extensive livestock systems. The OVIS system includes a custom made collar, referred to as the OVIS device, capable of collecting motion and location data, running an embedded classification algorithm, and transmitting processed information to the OVIS cloud server through Narrowband IoT (NB-IoT). The resulting architecture enables remote behavior analysis without requiring proprietary infrastructure or raw data transmission. In this work, the signal processing pipeline is presented as a proof of concept, intended to illustrate the potential of the developed tool rather than as a finalized, production solution. The OVIS device features Actinius’ Icarus IoT Board, which includes an nRF9160 System in Package (from Nordic Semiconductor) with NB-IoT and Global Navigation Satellite System (GNSS) capabilities. The Icarus IoT Board incorporates the LIS2DH12 three-axis accelerometer from STMicroelectronics and a power management circuit, based on the BQ24074 chip from Texas Instruments, allowing the device to be powered from various sources: three solar panels (totaling 2.8 W), a 2500 mAh Lithium Polymer (LiPo) rechargeable battery, and a micro-B USB port. The embedded software, referred to as the OVIS application, was built on Zephyr Real Time Operating System (RTOS) and adapted from a Nordic Semiconductor application. It is responsible for periodically acquiring location data, accelerometer readings, battery level, and cellular signal strength. The OVIS application implements online behavior classification using a Random Forest (RF) algorithm, which was trained on a Personal Computer (PC) and translated into C code using Emlearn (a tool to convert trained machine learning models into C code). This enables on-animal inference, meaning that behavior is classified directly on the device worn by the animal. The inference is done by computing signal features over acceleration windows and classifying behaviors on-device, which are then transmitted to be available online. In this context, online classification refers to the ability to transmit raw sensor data for live, server based classification, or to transmit already classified behaviors so that they become available on a computer or server with minimal delay. The OVIS application can transmit both raw and processed data via NB-IoT to the OVIS cloud server for further storage, analysis, and visualization. Designed with autonomy in mind, it incorporates low power modes. The OVIS application also supports system scalability, enabling future integration of additional sensors and a low transmission mode where only processed data and location data are sent at extended intervals, significantly reducing bandwidth and power consumption. In normal operation, the OVIS device demonstrated over 11 days of autonomy without solar input, with potential for more than 150 days in a low transmission mode. The OVIS cloud server was built using AWS services, including IoT Core, Lambda, and DynamoDB, to ensure secure, scalable communication between the OVIS devices and the OVIS cloud server. Message Queuing Telemetry Transport (MQTT) over ransport Layer Security (TLS) ensures secure, low latency transmission of data, which is then processed and made accessible through a responsive web interface built with NextJS 13. The OVIS cloud server supports visualization of battery levels, predicted behaviors, and GNSS locations over selectable time periods, allowing users to monitor animals individually or at flock level. The OVIS classifier aims to distinguish three distinct locomotion classes: still, walking, and running. The evaluation of the OVIS classifier was done in three stages. First, an embedded version trained using a public dataset and tested with OVIS data (i.e., data collected in the present work by the OVIS device), achieved an overall accuracy of 81%. To improve performance, a second model was trained and tested on the PC using exclusively OVIS data, reaching 84% accuracy. Finally, a third version for binary classification (still vs. movement) was also was trained and tested on the PC with OVIS data, achieving 86% accuracy. Although classification of walking and running remained challenging due to the inherent difficulty in distinguishing dynamic behaviors under natural grazing conditions, the classification algorithm successfully fulfilled its role as a proof of concept. Thirty OVIS devices were manufactured, and a subset of them was evaluated in laboratory and on-farm scenarios. The mechanical design was developed to ensure durability, proper fit, and animal comfort under extensive grazing conditions. The collar worn enclosure (3D printed in polyethylene terephthalate glycol modified with transparent polycarbonate windows) was iteratively refined to withstand impacts, moisture, and long term outdoor exposure. Adjustable straps and multiple sizes enabled secure attachment across sheep morphologies, while design features such as neutral coloring, USB protection, and antenna placement supported usability and signal performance. Compared to state of the art and commercial systems, the OVIS system stands out for its modular design, on-animal classification, cloud based architecture, and its possibility to extend autonomy through solar panels. Unlike most alternatives, it relies exclusively on public cellular infrastructure, reducing deployment barriers. Moreover, it supports future enhancements, including additional sensors, extensions to the behavior classification algorithm, and cloud-device collaboration. Despite these strengths, some challenges remain. NB-IoT coverage in rural Uruguay is inconsistent, leading to packet losses exceeding 40% in some areas. Furthermore, GNSS accuracy is limited by signal quality and modem transmission constraints. These issues motivate future exploration of advanced filtering strategies, and differential GNSS correction. In conclusion, this work provides a foundation for a flexible behavioral monitoring system tailored to the needs of extensive livestock farming. The OVIS system integrates an embedded device equipped with sensors and reliable connectivity, and a user friendly cloud server. This system enables autonomous, scalable monitoring, supporting both scientific investigations and practical flock management. Continued development and optimization of the OVIS system could transform it into a viable long term solution for deployments in agriculture and animal science. These developments include: behavior classifier refinement, cost reduction strategies, enhanced autonomy via solar harvesting or a low transmission mode, improved data logging under poor connectivity conditions (e.g., SD card buffering), and simplified collar management through remote configuration and firmware updates.

Esta tesis presenta el diseño, la implementación y la evaluación del sistema OVIS, un sistema de investigación para el monitoreo de comportamiento online de ovinos en sistemas de ganadería extensiva. El sistema OVIS incluye un collar diseñado a medida, denominado dispositivo OVIS, capaz de recolectar datos de movimiento y localización, ejecutar un algoritmo de clasificación embebido y transmitir información procesada al servidor en la nube de OVIS a través de Narrowband IoT (NB-IoT). La arquitectura resultante permite el análisis remoto del comportamiento sin requerir infraestructura propietaria ni la transmisión de datos crudos. En este trabajo, el procesamiento de señales se presenta como una prueba de concepto, destinado a ilustrar el potencial de la herramienta desarrollada más que como una solución final de producción. El dispositivo OVIS incorpora la placa Icarus IoT Board de Actinius, que incluye un nRF9160 (de Nordic Semiconductor) con capacidades de NB-IoT y Sistema Global de Navegación por Satélite (GNSS). La Icarus IoT Board integra el acelerómetro triaxial LIS2DH12 de STMicroelectronics y un circuito de gestión de energía basado en el chip BQ24074 de Texas Instruments, lo que permite alimentar el dispositivo a partir de diversas fuentes: tres paneles solares (con una potencia total de 2.8 W), una batería recargable de Polímero de Litio (LiPo) de 2500 mAh y un puerto USB micro-B. El software embebido, denominado aplicación OVIS, fue desarrollado sobre el Sistema Operativo en Tiempo Real (RTOS) Zephyr y adaptado a partir de una aplicación de Nordic Semiconductor. Es responsable de adquirir periódicamente datos de localización, lecturas del acelerómetro, nivel de batería e intensidad de la señal celular. La aplicación OVIS implementa clasificación de comportamiento en línea utilizando un algoritmo de Random Forest (RF), que fue entrenado en una Computadora Personal (PC) y traducido a código C mediante Emlearn (una herramienta para convertir modelos de aprendizaje automático entrenados a código C). Esto habilita la inferencia on-animal, es decir, que el comportamiento se clasifica directamente en el dispositivo que lleva el animal. La inferencia se realiza mediante el cálculo de características de la señal sobre ventanas de aceleración y la clasificación del comportamiento en el propio dispositivo, cuyos resultados luego se transmiten para estar disponibles online. En este contexto, la clasificación online se refiere a la capacidad de transmitir datos crudos de sensores para su clasificación en vivo basada en el servidor, o de transmitir comportamientos ya clasificados para que estén disponibles en una computadora o un servidor con un retardo mínimo. La aplicación OVIS puede transmitir tanto datos crudos como procesados vía NB-IoT al servidor OVIS para su posterior almacenamiento, análisis y visualización. Diseñada con la autonomía como objetivo, incorpora modos de bajo consumo. La aplicación OVIS también soporta la escalabilidad del sistema, permitiendo la futura integración de sensores adicionales y un modo de baja transmisión en el que solo se envían datos procesados y datos de localización a intervalos extendidos, reduciendo significativamente el uso de ancho de banda y el consumo energético. En operación normal, el dispositivo OVIS demostró más de 11 días de autonomía sin aporte solar, con potencial para superar los 150 días en un modo de baja transmisión. El servidor OVIS fue construido utilizando servicios de AWS, incluyendo IoT Core, Lambda y DynamoDB, para garantizar una comunicación segura y escalable entre los dispositivos OVIS y el servidor OVIS. El protocolo Message Queuing Telemetry Transport (MQTT) sobre Transport Layer Security (TLS) asegura la transmisión segura y de baja latencia de los datos, que luego son procesados y puestos a disposición a través de una interfaz web de tipo responsiva desarrollada con NextJS 13. El servidor OVIS permite la visualización de niveles de batería, comportamientos clasificados y datos de ubicación en períodos de tiempo seleccionables, permitiendo a los usuarios monitorear animales de forma individual o a nivel de majada. El clasificador OVIS tiene como objetivo distinguir tres clases de locomoción diferentes: quieto, caminando y corriendo. La evaluación del clasificador OVIS se realizó en tres etapas. En primer lugar, una versión embebida entrenada utilizando un conjunto de datos público y evaluada con datos OVIS (es decir, datos recolectados en el presente trabajo por el dispositivo OVIS) alcanzó una precisión global del 81 %. Para mejorar el desempeño, un segundo modelo fue entrenado y evaluado en la PC utilizando exclusivamente datos OVIS, alcanzando una precisión del 84 %. Finalmente, una tercera versión para clasificación binaria (quieto vs. movimiento) también fue entrenada y evaluada en la PC con datos OVIS, alcanzando una precisión del 86 %. Si bien la clasificación de caminar y correr resultó desafiante debido a la dificultad inherente de distinguir comportamientos dinámicos bajo condiciones naturales de pastoreo, el algoritmo de clasificación cumplió exitosamente su rol como prueba de concepto. Se fabricaron treinta dispositivos OVIS, y un subconjunto de ellos fue evaluado en escenarios de laboratorio y en campo. El diseño mecánico fue desarrollado para garantizar durabilidad, ajuste adecuado y confort animal bajo condiciones de pastoreo extensivo. El encapsulado del collar (impreso en 3D en tereftalato de polietileno modificado con glicol, con ventanas transparentes de policarbonato) fue refinado iterativamente para resistir impactos, humedad y exposición prolongada al aire libre. Correas ajustables y múltiples tamaños permitieron una sujeción segura para distintas morfologías ovinas, mientras que características de diseño como coloración neutra, protección del puerto USB y ubicación de la antena favorecieron la usabilidad y el desempeño de la señal. En comparación con el estado del arte y con sistemas comerciales, el sistema OVIS se destaca por su diseño modular, la clasificación on-animal, su arquitectura basada en la nube y la posibilidad de extender la autonomía mediante paneles solares. A diferencia de la mayoría de las alternativas, se apoya exclusivamente en infraestructura celular pública, reduciendo las barreras de despliegue. Además, soporta mejoras futuras, incluyendo sensores adicionales, extensiones del algoritmo de clasificación de comportamiento y colaboración de procesamiento nube-dispositivo. A pesar de estas fortalezas, persisten algunos desafíos. La cobertura NB-IoT en zonas rurales de Uruguay es inconsistente, lo que conduce a pérdidas de paquetes que superan el 40 % en algunas áreas. Asimismo, la precisión GNSS está limitada por la calidad de la señal y las restricciones de transmisión del módem. Estos aspectos motivan la exploración futura de estrategias avanzadas de filtrado y corrección GNSS diferencial. En conclusión, este trabajo proporciona una base para un sistema flexible de monitoreo de comportamiento ovino adaptado a las necesidades de la ganadería extensiva. El sistema OVIS integra un dispositivo embebido equipado con sensores y conectividad confiable, y un servidor en la nube fácil de usar. Este sistema permite un monitoreo autónomo y escalable, apoyando tanto investigaciones científicas como la gestión práctica de majadas. El desarrollo y la optimización del sistema OVIS podrían transformarlo en una solución viable a largo plazo para despliegues en agricultura y ciencias animales. Estos desarrollos incluyen: refinamiento del clasificador de comportamiento, estrategias de reducción de costos, mejora de la autonomía mediante cosecha solar o un modo de baja transmisión, registro de datos mejorado bajo condiciones de conectividad deficiente (por ejemplo, almacenamiento en búfer mediante tarjeta SD) y una gestión simplificada de collares mediante configuración remota y actualizaciones de firmware.