Konten ini tersedia dalam:
English Melayu (Malay) ไทย (Thai) Tiếng Việt (Vietnamese) Philipino
LATAR BELAKANG
Produksi unggas memainkan peran penting dalam memenuhi kebutuhan protein yang terjangkau bagi populasi dunia yang terus meningkat (misalnya, ayam dan telur). Amerika Serikat saat ini merupakan produsen ayam pedaging terbesar di dunia dan produsen telur terbesar ke-2 berkat inovasi berkelanjutan dalam breeding, manajemen nutrisi, pengendalian lingkungan, dan pencegahan penyakit, dll.
Namun, peternakan unggas dan telur di AS menghadapi beberapa tantangan produksi seperti masalah kesejahteraan hewan.
Misalnya, ayam pedaging yang tumbuh cepat dilaporkan mengalami masalah kaki atau pincang.
Sistem produksi telur yang dikurung terpaksa beralih ke operasional bebas sangkar, yang tidak dapat menjamin kesejahteraan ayam yang lebih baik karena tingginya angka kematian, tingkat cedera, dan kualitas udara yang buruk.
Untuk mengatasi masalah tersebut, para peneliti di University of Georgia (UGA, laboratorium peternakan unggas presisi yang dikepalai Dr. Lilong Chai) mengembangkan sejumlah teknologi peternakan presisi untuk memantau kesejahteraan dan perilaku ayam pedaging dan ayam petelur yang dipelihara di luar sangkar.
DISTRIBUSI DAN PERILAKU AYAM PEDAGING DI LANTAI
Distribusi spasial ayam pedaging merupakan indikasi apakah flok tersebut sehat atau tidak. Pemeriksaan rutin distribusi lantai kandang ayam pedaging dilakukan secara manual di kandang komersial setiap hari atau beberapa kali sehari, yang membutuhkan banyak tenaga kerja, waktu, dan rentan terhadap kesalahan staf peternakan.
Tugas ini memerlukan sistem presisi yang dapat memantau distribusi lantai ayam secara otomatis.
Metode berbasis mesin penglihatan dikembangkan dan diuji di kandang ayam pedaging eksperimental di UGA. Untuk melacak distribusi masing-masing unggas, lantai kandang secara virtual didefinisikan/dibagi menjadi zona minum, makan, dan istirahat/aktivitas (Gambar 1).
Sekitar 7000 area/profil ayam digunakan untuk membangun model jaringan neural (BP – backward propagation) untuk analisis distribusi lantai.
Hasil penelitian menunjukkan bahwa akurasi identifikasi distribusi ayam di zona minum dan makan masing-masing adalah 0,9419 dan 0,9544.
Tim tersebut selanjutnya menginovasi model deep learning berbasis CNN (convolutional neural network) untuk mendeteksi perilaku ayam dalam hal makan, minum, beristirahat, dan berdiri pada usia yang berbeda (Gambar 2 & Gambar 3)...
