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).
- Setelah pemrosesan augmentasi gambar, lebih dari 10.000 gambar dihasilkan setiap hari dan model mencapai tingkat akurasi 88,5%, 97%, 94,5%, dan 90% saat ayam berusia 2, 9, 16, dan 23 hari, masing-masing, dalam mendeteksi ayam pedaging di lantai (Gambar 4).
Gambar 1. Tampilan atas pen dan definisi zona. Kotak merah (1) zona minum; (2) zona makan; dan (3) zona istirahat/aktivitas.
Gambar 2. Pengumpulan dan analisis data.
Gambar 3. Hasil klasifikasi perilaku model Densenet-264 pada dataset ayam pedaging.
Gambar 4. Deteksi ayam pedaging di lantai.
MEMATUK, SALAH BERTELUR, DAN DISTRIBUSI PADA AYAM PETELUR BEBAS SANGKAR
Restoran-restoran besar dan jaringan toko kelontong di Amerika Serikat telah berjanji untuk membeli telur bebas kandang (cage free – CF) hanya pada tahun 2025 atau 2030.
- Meski kandang CF memperbolehkan ayam melakukan perilaku yang lebih alami (misalnya mandi debu, bertengger, dan mencari makan di lantai kotoran), ada beberapa tantangan khusus untuk sistem bebas kandang, seperti tingkat kematian dan cedera yang tinggi serta telur di lantai.
- Mematuk merupakan salah satu masalah utama kesejahteraan di kandang ayam petelur komersial tanpa sangkar karena hal itu dapat secara serius mengurangi kesejahteraan unggas dan menyebabkan kerugian ekonomi bagi produsen telur.
- Setelah pemotongan paruh sangat dikritik di Eropa dan AS, metode alternatif diperlukan untuk mematuk, memantau, dan mengelola.
- Salah satu kemungkinan untuk meminimalisir masalah ini adalah dengan melakukan deteksi dini terhadap perilaku mematuk dan kerusakannya untuk mencegah penyebaran atau peningkatannya, karena mematuk bulu merupakan perilaku yang dipelajari.
Metode mesin penglihatan dikembangkan dan diuji dalam melacak lantai dan distribusi spasial ayam (Gambar 5 dan Gambar 6), dan mengidentifikasi perilaku mematuk ayam betina dan potensi luka (Gambar 7 dan Gambar 8) di fasilitas penelitian bebas sangkar di UGA. Model YOLOv5xpecking diuji dengan presisi 88,3% dalam melacak mematuk.
Gambar 5. Jumlah ayam yang diidentifikasi pada kepadatan rendah dan kepadatan sedang oleh model kami: kepadatan rendah (a) vs. kepadatan sedang (b).
Gambar 6. Jumlah ayam yang diidentifikasi berdasarkan sudut horizontal dan sudut vertikal oleh model kami: sudut horizontal (a) dan sudut vertikal (b).
Gambar 7. Perilaku mematuk dan luka pada ayam petelur.
Gambar 8. Performa model deep learning YOLOv5-pecking dalam deteksi mematuk: a – mematuk di zona istirahat, b – mematuk di zona makan, c – mematuk di zona minum; d – dua ayam mematuk satu ayam (dengan kata lain, ayam yang sama dalam c dipatuk oleh dua ayam tersebut pada waktu yang sama).
Selain itu, sekitar 5400 gambar dikumpulkan dan digunakan untuk melatih model deep learning lainnya (yaitu, YOLOv5m-FELB – perilaku bertelur di lantai), yang mencapai 90% presisi (Gambar 9).
Gambar 9. Perilaku bertelur di lantai yang terdeteksi dalam data uji menggunakan model YOLOv5s untuk proporsi ayam yang berbeda: a) deteksi ayam secara individu; dan b) deteksi ayam secara berkelompok.
Selain itu, metode ini juga dapat digunakan untuk mendeteksi atau memindai telur lantai (Gambar 10).
Gambar 10. Pemindaian telur lantai dengan mesin penglihatan.
RINGKASAN
Berbagai metode mesin penglihatan atau deep learning dikembangkan di departemen ilmu unggas Universitas Georgia untuk memantau kesejahteraan dan perilaku ayam pedaging dan ayam petelur tanpa sangkar.
Temuan tersebut memberikan referensi untuk mengembangkan sistem peternakan unggas presisi pada peternakan ayam pedaging dan telur komersial untuk mengatasi masalah terkait produksi, kesejahteraan, dan kesehatan unggas. Proyek Dr. Lilong Chai disponsori oleh USDA-NIFA, USDA ARS, Egg Industry Center, Georgia Research Alliance, UGA, Oracle, dan perusahaan unggas, dll.
Bibliografi tersedia berdasarkan permintaan
