Site icon aviNews, la revista global de avicultura

Memajukan kesihatan ayam: peranan analitik prediktif dalam pencegahan penyakit

Escrito por: Talha Siddique
PDF
poultry

Conteúdo disponível em: English Indonesia (Indonesian) ไทย (Thai) Tiếng Việt (Vietnamese) Philipino

MEMAJUKAN KESIHATAN AYAM

Rajah 1. Gambaran ringkas analitik prediktif (Sumber: Ogirala et al., 2024).

Penyakit dan ketidak bersihan adalah dua daripada masalah yang dihadapi oleh sektor pengeluaran ayam. Coccidiosis, Newcastle, Gumboro pullorum, dan Salmonella adalah antara penyakit yang paling lazim (Machuve et al., 2022).

Ujian bakterologi pada najis ayam, sebagai contoh, boleh menelan kos purata USD 30 dari makmal-makmal Amerika (contohnya, GPLN dan lain-lain), dengan harga yang berfluktuasi berdasarkan jumlah ayam yang diuji (GPLN, 2024; CEVDL, 2024).

Di sinilah analitik prediktif menyediakan penyelesaian terobosan untuk industri peladangan ayam.

KUMPULAN DATA DAN PENGURUSANNYA

Rajah 2. Gambaran keseluruhan IoT dan ML dalam kesihatan ayam
pengurusan (Sumber: Ojo et al., 2022).

 

Rekod kesihatan, yang merangkumi sejarah vaksinasi, rekod ubat-ubatan, dan diagnosis perubatan terdahulu, merupakan satu lagi set data penting.

Skala dan kerumitan jenis data ini memerlukan sistem yang boleh dipercayai untuk memproses, mengesahkan, dan menggunakan semua maklumat ini bagi membuat kesimpulan secara masa nyata.

Peranti Internet of Things (IoT) dan sensor terutamanya mengautomasi pengumpulan data, memberikan input berterusan kepada sistem pengurusan bersepadu.

Pangkalan data terkini dan penyelesaian storan awan menyimpan sejumlah besar data.

Platform analitik data menggunakan algoritma canggih dan model pembelajaran mesin untuk menganalisis data, mencari hubungan tersembunyi atau corak dalam cara yang telah diproses, dan meramalkan kemungkinan hasil (LeCun et al., 2015) (Rajah 3).

Rajah 3. Aliran kerja umum sistem pemantauan ayam berasaskan pembelajaran mesin (Sumber: Okinda et al., 2020)..

MODEL RAMALAN UNTUK PENGESANAN PENYAKIT

Teknik berasaskan pembelajaran mesin menggunakan pengekstrak ciri untuk mengubah data mentah, seperti nilai piksel dari foto, menjadi vektor ciri.

Algoritma pembelajaran mendalam, yang berasal dari teknik pembelajaran mesin konvensional, mempunyai keupayaan untuk secara autonomi menemui ciri-ciri atau representasi data daripada data mentah, menghapuskan keperluan untuk pengetahuan dalam kejuruteraan pengekstrakan ciri (LeCun et al., 2015).

Kebanyakan sistem pembelajaran mesin menggunakan data lampau sebagai input untuk meramalkan nilai output masa hadapan. Algoritma pembelajaran (contohnya, ANN, SVR, hutan rawak, CNN, GLM) dan banyak model pembelajaran (contohnya, klasifikasi, regresi, pengelompokan) mentakrifkan pembelajaran mesin sebagai sama ada berasaskan seliaan atau tanpa seliaan (Milosevic et al., 2019).

KAJIAN KES

KELEBIHAN PENGESANAN AWAL

CABARAN PELAKSANAAN DAN PENYELESAIAN

Masalah infrastruktur, cabaran ekonomi, dan kebimbangan tadbir urus data akan menjadi antara cabaran yang dihadapi dalam pembangunan sistem yang distandardkan untuk meramalkan kemunculan penyakit dalam ayam.

Penerapan teknologi baharu di ladang memerlukan penternak untuk memperoleh pengetahuan dan latihan dalam bidang tersebut. Masalah bias dan bunyi dalam sumber data tertentu adalah halangan lain yang perlu diatasi oleh algoritma ramalan.

Penternak mungkin telah mengalami masalah tadbir urus data apabila mempertimbangkan model ramalan yang diselaraskan dengan pelbagai pihak berkepentingan. Walaupun model seharusnya memasukkan maklumat dari sebanyak mungkin ladang untuk meramalkan perkembangan penyakit, pengeluar mungkin tidak mahu data mereka didedahkan kepada umum.

Meningkatkan kualiti data, membina kepakaran teknikal, dan mengurangkan halangan ekonomi dan operasi boleh melaksanakan analitik ramalan dengan berkesan, yang seterusnya membawa kepada pengurusan penyakit yang lebih baik dan peningkatan kecekapan operasi (Rajah 4).

Rajah 4. Penyelesaian yang Dicadangkan.

Rangka kerja ini terdiri daripada beberapa komponen asas, iaitu modul pembelajaran mendalam (DL), modul Digital Twin, modul pengkomputeran awan tepi (berdasarkan awan-kabus), modul komunikasi, modul keselamatan, dan modul antara muka pengguna (Rajah 5).

Rajah 5. Rangka Kerja Pengurusan Kesihatan dan Kesejahteraan Ayam Pintar (Sumber: Ojo et al., 2022).

PROSPEK DAN INOVASI MASA DEPAN

Pendekatan bersepadu dalam sains ternakan dan kejuruteraan perlu menangani cabaran-cabaran ini untuk meningkatkan prestasi keseluruhan pemantauan ayam dalam peladangan ayam presisi (PLF) dan meningkatkan ketahanannya (Rajah 6).

Rajah 6. Prospek

SISTEM ANGGARAN BERAT HIDUP

Pemantauan berat haiwan sepanjang perkembangan membantu untuk menilai masa penyembelihan dan pelan pemakanan. Sekiranya berat yang diukur menyimpang daripada lengkung pertumbuhan yang dijangkakan, ini menunjukkan keadaan seperti penyakit atau masalah vitaliti lain yang memerlukan tindak balas. Oleh itu, berat hidup menentukan kesejahteraan haiwan.

Sensor imej fleksibel dan kamera yang tidak terjejas oleh pencahayaan untuk ladang dapat menangani masalah cahaya yang berubah-ubah. Anggaran berat memanfaatkan kamera kedalaman berasaskan IR seperti Microsoft Kinect (Mortensen et al., 2016).

SISTEM PENGESANAN KEPINCANGAN

Mobiliti adalah penting untuk organisma hidup. Keupayaan bergerak dikaitkan dengan kecergasan dan kesejahteraan.

Ayam yang mengalami masalah berjalan boleh kelaparan, menurunkan nisbah penukaran makanan, berat badan dan pertumbuhan, pencemaran dada, luka pada sendi kaki, dan lebih terdedah kepada pemangsa.

Menurut wellbeing-Quality® (2009), faktor pembolehubah tersebut menunjukkan kesejahteraan haiwan yang buruk. Oleh itu, menjejaki mobiliti ayam menunjukkan kesejahteraannya.

SISTEM KLASIFIKASI KESIHATAN AYAM

SISTEM PENJEJAKAN AYAM

Penilaian faktor tingkah laku (jenis aktiviti) dan fizikal (kepincangan dan kesihatan) dalam kesejahteraan ayam bergantung secara kritikal kepada penjejakan ayam.

Zhuang dan Zhang (2019) telah pun melaksanakan pengesanan objek pelbagai dalam pengesanan ayam pembiak pedaging yang tidak sihat, yang baru-baru ini menarik perhatian yang signifikan.

INTEGRASI IoT DAN DATA BESAR

Apabila kita mempertimbangkan integrasi peranti IoT dengan data besar, ia merevolusikan analitik ramalan dalam peladangan ayam dengan memberikan penternak maklumat yang lebih terperinci.

Kami berharap peningkatan ketepatan dan kecekapan model ramalan akan terus berkembang ke arah ini apabila penyelesaian yang menggabungkan bio-analitik, AI, dan pembelajaran mesin semakin berkembang dari semasa ke semasa.

KESIMPULAN

 

PDF
Exit mobile version