Kandungan boleh didapati di:
English Indonesia (Indonesian) ไทย (Thai) Tiếng Việt (Vietnamese) Philipino
LATAR BELAKANG KEBAJIKAN AYAM
Pengeluaran ayam memainkan peranan penting dalam memberi makan kepada populasi dunia yang semakin meningkat dengan protein yang berpatutan (iaitu, ayam dan telur). Amerika Syarikat kini merupakan pengeluar ayam pedaging terbesar di dunia dan pengeluar telur kedua terbesar akibat inovasi berterusan dalam pembiakan haiwan, pengurusan pemakanan, kawalan persekitaran, dan pencegahan penyakit, dan lain-lain.
Namun, ladang ayam dan telur di AS menghadapi beberapa cabaran pengeluaran seperti kebimbangan terhadap kebajikan haiwan.
Sebagai contoh, ayam pedaging yang tumbuh dengan cepat dilaporkan mengalami masalah kaki atau tempang.
Sistem pengeluaran telur dalam sangkar didorong untuk beralih kepada operasi tanpa sangkar, yang tidak dapat menjamin kebajikan ayam betina yang lebih baik kerana kadar kematian yang tinggi, kadar kecederaan yang meningkat, dan kualiti udara yang buruk.
Untuk menangani isu-isu ini, penyelidik di University of Georgia (UGA, makmal penternakan ayam ketepatan Dr. Lilong Chai) telah membangunkan beberapa teknologi penternakan ketepatan untuk memantau kebajikan dan tingkah laku ayam pedaging dan ayam penelur tanpa sangkar.
TABURAN LANTAI DAN TINGKAH LAKU AYAM PEDAGING
Taburan ruang ayam pedaging adalah petunjuk sama ada kawanan itu sihat atau tidak. Pemeriksaan rutin taburan lantai ayam pedaging dilakukan secara manual di rumah ayam komersial setiap hari atau beberapa kali sehari, yang memerlukan tenaga kerja yang banyak, mengambil masa yang lama, dan terdedah kepada kesilapan kakitangan ladang.
Tugas ini memerlukan sistem ketepatan yang boleh memantau taburan lantai ayam secara automatik.
Kaedah berasaskan penglihatan mesin telah dibangunkan dan diuji dalam rumah ayam pedaging eksperimen di UGA.Untuk menjejak taburan individu ayam, lantai reban telah ditentukan/dibahagikan secara maya kepada zon minum, makan, dan rehat/senaman (Rajah 1).
Sekitar 7000 kawasan/profil ayam digunakan untuk membina model rangkaian neural (BP – backward propagation) bagi analisis taburan lantai.
Keputusan menunjukkan bahawa ketepatan pengecaman taburan ayam di zon minum dan makan masing-masing adalah 0.9419 dan 0.9544.
Pasukan penyelidik seterusnya berinovasi dengan model pembelajaran mendalam berasaskan CNN (convolutional neural network) untuk mengesan tingkah laku ayam seperti makan, minum, berehat, dan...
