Site icon aviNews، مجلّة الدواجن العالمية

تحسين صحة الدواجن: دور التحليلات التنبؤية في تفادي الأمراض

Escrito por: Talha Siddique
poultry

الرسم 1. تصوير بسيط للتحليلات التنبؤية (المصدر: Ogirala والآخرون، 2024).

المرض والنظافة غير الكافية هما من المشكلات العديدة التي تواجه قطاع إنتاج الدجاج. تعد الكوكسيديا ونيوكاسل وجومبورو بولوروم والسالمونيلا من بين الأمراض الأكثر انتشارًا (Machuve والآخرون، 2022).

يمكن أن يكلف الاختبار البكتريولوجي على فضلات الدجاج، على سبيل المثال، ما متوسطه 30 دولارًا من المختبرات الأمريكية (على سبيل المثال، GPLN وغيرها)، مع تقلب الأسعار بناءً على كمية الطيور التي تم اختبارها (GPLN، 2024 ؛ CEVDL، 2024).

هذا هو المكان الذي قدمت فيه التحليلات التنبؤية حلاً مبتكرًا لصناعة الدواجن.

جمع البيانات وإدارتها

تعد السجلات الصحية، التي تشمل تاريخ التلقيح وسجلات الأدوية والتشخيصات الطبية السابقة، مجموعة بيانات مهمة أخرى.

يتطلب حجم وتعقيد أنواع البيانات هذه أنظمة موثوقة لمعالجة كل هذه المعلومات والتحقق منها واستخدامها للاستنتاجات في الوقت الفعلي.

تعمل أجهزة وأجهزة استشعار إنترنت الأشياء في المقام الأول على أتمتة جمع البيانات، مما يوفر مدخلات مستمرة لأنظمة الإدارة المتكاملة.

تخزن قواعد البيانات الحديثة وحلول التخزين السحابي الكم الهائل من البيانات.

تستخدم منصات تحليل البيانات خوارزميات متقدمة ونماذج التعلم الآلي لتحليل البيانات والبحث عن العلاقات أو الأنماط المخفية في الطرق المعالجة والتنبؤ بالنتائج المحتملة (LeCun والآخرون، 2015) (الرسم 3).

الرسم 3.  سير العمل العام لأنظمة مراقبة الدجاج القائمة على التعلم الآلي (المصدر: Okinda  والآخرون، 2020).

النماذج التنبؤية للكشف عن الأمراض

تستخدم التقنيات القائمة على التعلم الآلي مستخلصات الميزات لتحويل البيانات الأولية، مثل قيم البكسل من الصور، إلى متجهات الميزات.

تتمتع خوارزميات التعلم العميق، المستمدة من تقنيات التعلم الآلي التقليدية، بالقدرة على اكتشاف الميزات أو تمثيلات البيانات بشكل مستقل من البيانات الأولية، مما يلغي الحاجة إلى المعرفة في هندسة استخراج الميزات (LeCun والآخرون، 2015).

تستخدم معظم أنظمة التعلم الآلي البيانات السابقة كمدخلات لإسقاط قيم المخرجات المستقبلية. تُعرّف خوارزميات التعلم (على سبيل المثال، ANN، SVR، RANDOM FOREST، CNN، GLM) والعديد من نماذج التعلم (على سبيل المثال، التصنيف، الانحدار، التجميع) نماذج التعلم الآلي على أنه إما خاضع للإشراف أو غير خاضع للإشراف (Milosevic والآخرون، 2019). تضمن طرق التعلم الخاضعة للإشراف صحة تصنيفاتها أو تنبؤاتها عن طريق بيانات موسومة.

دراسات الحالة

فوائد الكشف المبكر

تحديات التنفيذ والحلول

ستكون مشكلات البنية التحتية والتحديات الاقتصادية ومخاوف حوكمة البيانات من بين التحديات التي تواجه تطوير نظام موحد للتنبؤ بظهور الأمراض في الدواجن. 

يتطلب اعتماد التكنولوجيا الجديدة في المزارع أن يكتسب المزارعون المعرفة والتدريب في تلك المجالات. مشكلة التحيز والضوضاء في مصادر بيانات معينة هي عقبة أخرى يجب على الخوارزميات التنبؤية التغلب عليها.

ربما واجه المزارعون مشكلات في إدارة البيانات عند النظر في نماذج التنبؤ المنسقة مع العديد من أصحاب المصلحة. في حين يجب أن تتضمن النماذج معلومات من أكبر عدد ممكن من المزارع للتنبؤ بتطور الأمراض، فقد لا يرغب المنتجون في نشر بياناتهم.

يمكن أن يؤدي تحسين جودة البيانات وبناء الخبرة الفنية وتقليل الحواجز الاقتصادية والتشغيلية إلى تنفيذ التحليلات التنبؤية بفعالية، مما يؤدي إلى تعزيز إدارة الأمراض وتحسين الكفاءة التشغيلية (الرسم 4).


الرسم 4
. الحلول المقترحة.

يتكون إطار العمل من عدة مكونات أساسية، وهي وحدة التعلم العميق (DL)، ووحدة التوأم الرقمي، ووحدة الحوسبة السحابية (المستندة إلى الضباب السحابي)، ووحدة الاتصالات، ووحدة الأمان، ووحدة واجهة المستخدم (الرسم 5).

الرسم 5. إطار إدارة صحة ورفاهية الدواجن الذكية (المصدر: Ojo والآخرون، 2022).

الآفاق والابتكارات المستقبلية

يجب أن تعالج النهج المتكاملة في علوم وهندسة الثروة الحيوانية هذه التحديات لتحسين الأداء العام لرصد الدجاج في PLF وزيادة مرونته (الرسم 6).

الرسم 6. الآفاق

أنظمة تقدير الوزن الحي

تساعد مراقبة وزن الحيوان على النمو على تقييم وقت الذبح وخطط التغذية. في حالة انحراف الوزن المقاس عن منحنى النمو المتوقع، فإنه يشير إلى حالة مثل المرض أو مشكلات حيوية أخرى تتطلب ردود فعل مضادة. وبالتالي فإن الوزن الحي يحدد رفاهية الحيوانات.

ستعالج مستشعرات الصور المرنة والكاميرات الثابتة المضيئة للمزارع مشكلة الضوء المتغير. يستفيد تقدير الوزن من كاميرات العمق القائمة على الأشعة تحت الحمراء مثل Microsoft Kinect (Mortensen والآخرون، 2016).

أنظمة الكشف عن العرج

التنقل أمر بالغ الأهمية للكائنات الحية. يرتبط التنقل باللياقة البدنية والعافية.

يمكن أن تتضور الطيور التي تعاني من مشكلات في المشي جوعًا، مما يقلل من نسبة تحويل العلف والوزن والنمو وتلوث الصدر وحروق العصافير وتكون عرضة للحيوانات المفترسة.

وفقًا لـ Wellbeing – Quality ® (2009)، تشير المتغيرات السابقة إلى ضعف رفاهية الحيوان. وبالتالي، فإن تتبع حركة الطائر يشير إلى سلامته.

أنظمة تصنيف الحالة الصحية

أنظمة تتبع الدواجن

يعتمد تقييم العوامل السلوكية (أنواع الأنشطة) والجسدية (العرج والصحة) في رعاية الدواجن بشكل حاسم على تتبع الدواجن.

قام Zhuang وZhang (2019) بالفعل بتنفيذ الكشف عن كائنات متعددة في الكشف عن دجاج التسمين غير الصحي، والذي حظي مؤخرًا باهتمام كبير.

دمج إنترنت الأشياء والبيانات الضخمة

عندما نفكر في دمج أجهزة إنترنت الأشياء مع البيانات الضخمة، فإنها تحدث ثورة في التحليلات التنبؤية في تربية الدواجن من خلال تزويد المزارعين بمعلومات أكثر تفصيلاً.

نأمل أن تستمر الزيادة في دقة وكفاءة النماذج التنبؤية في الاتجاه بهذه الطريقة مع تحسن الحلول التي تجمع بين التحليلات الحيوية والذكاء الاصطناعي والتعلم الآلي بمرور الوقت.

الاستنتاج

Exit mobile version