Teknologi penglihatan mesin untuk pemantauan kebajikan ayam

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 berdiri pada usia yang berbeza (Rajah 2 & Rajah 3).
• Selepas pemprosesan augmentasi imej, lebih daripada 10,000 imej dijana untuk setiap hari, dan model ini mencapai kadar ketepatan sebanyak 88.5%, 97%, 94.5%, dan 90% ketika ayam berumur 2, 9, 16, dan 23 hari, masing-masing, dalam mengesan ayam pedaging di lantai (Rajah 4).

Rajah 1. Pandangan atas kandang dan definisi zon.
Kotak merah (1) zon minum; (2) zon makan; dan (3) zon rehat/senaman.

Rajah 2. Pengumpulan dan analisis data.

Rajah 3. Keputusan klasifikasi tingkah laku model Densenet-264 dalam set data ayam pedaging

Rajah 4. Pengesanan ayam pedaging di lantai.

PECKING, MISLAYING, DAN TABURAN AYAM PENELUR TANPA SANGKAR

Restoran utama dan rangkaian pasar raya di Amerika Syarikat telah berjanji untuk membeli telur tanpa sangkar (CF) sahaja menjelang 2025 atau 2030.

• Walaupun sistem CF membolehkan ayam betina melakukan tingkah laku semula jadi seperti mandi debu, bertenggek, dan mencari makan di lantai, terdapat beberapa cabaran tertentu dalam sistem tanpa sangkar seperti kadar kematian dan kecederaan yang tinggi serta masalah telur lantai.
• Mematuk adalah salah satu isu kebajikan utama dalam rumah ayam penelur tanpa sangkar komersial kerana ia boleh menjejaskan kesejahteraan ayam dan menyebabkan kerugian ekonomi kepada pengeluar telur.
  • Memandangkan pemotongan paruh mendapat kritikan hebat di Eropah dan AS, kaedah alternatif diperlukan untuk pemantauan dan pengurusan masalah mematuk.
  • Satu kemungkinan untuk mengurangkan masalah ini adalah dengan pengesanan awal terhadap tingkah laku mematuk dan kerosakan bagi mengelakkannya daripada merebak atau meningkat, kerana mematuk bulu adalah tingkah laku yang dipelajari.

Kaedah visi mesin telah dibangunkan dan diuji untuk menjejak taburan lantai dan ruang ayam (Rajah 5 dan Rajah 6), serta mengenal pasti tingkah laku mematuk ayam betina dan potensi kerosakan (Rajah 7 dan Rajah 8) dalam fasiliti penyelidikan bebas sangkar di UGA. Model YOLOv5xpecking telah diuji dengan ketepatan 88.3% dalam menjejak tingkah laku mematuk.

Rajah 5. Bilangan ayam yang dikenal pasti di bawah kepadatan rendah dan kepadatan sederhana oleh model kami: kepadatan rendah (a) vs. kepadatan sederhana (b).

Rajah 6. Bilangan ayam yang dikenal pasti di bawah sudut mendatar dan sudut menegak oleh model kami: sudut mendatar (a) dan sudut menegak (b).

Rajah 7. Tingkah laku mematuk dan kerosakan pada ayam penelur.

Rajah 8. Prestasi model pembelajaran mendalam YOLOv5-pecking dalam pengesanan mematuk: a – mematuk di zon rehat, b – mematuk di zon pemakanan, c – mematuk di zon minuman, d – dua ekor ayam sedang mematuk seekor ayam (iaitu, ayam yang sama dalam c dipatuk oleh dua ekor ayam pada masa yang sama).

Selain itu, kira-kira 5400 imej telah dikumpulkan dan digunakan untuk melatih model pembelajaran mendalam lain (iaitu, YOLOv5m-FELB – tingkah laku bertelur di lantai), yang mencapai ketepatan 90% (Rajah 9).

Rajah 9. Tingkah laku bertelur di lantai yang dikesan dalam data ujian menggunakan model YOLOv5s untuk pelbagai perkadaran ayam betina: a) pengesanan ayam individu; b) pengesanan ayam dalam kumpulan.

Selain itu, kaedah ini juga boleh digunakan untuk mengesan atau mengimbas telur lantai (Rajah 10).

Rajah 10. Pengimbasan telur lantai menggunakan visi mesin.

RUMUSAN

Pelbagai kaedah visi mesin atau pembelajaran mendalam telah dibangunkan di jabatan sains unggas Universiti Georgia untuk memantau kesejahteraan dan tingkah laku ayam pedaging serta ayam penelur bebas sangkar.

Penemuan ini memberikan rujukan untuk pembangunan sistem penternakan ayam yang lebih tepat di ladang ayam pedaging dan telur komersial bagi menangani isu berkaitan pengeluaran ayam, kesejahteraan, dan kesihatan. Projek Dr. Lilong Chai disokong oleh USDA-NIFA, USDA ARS, Egg Industry Center, Georgia Research Alliance, UGA, Oracle, dan syarikat unggas, dan lain-lain.