Mga machine vision technologies para subaybayan ang kapakanan ng manok

Figure 3. Behavior classification results of the Densenet-264 model in broilers dataset.

Figure 4. Broilers detection on the floor.

PANUNUKA, MALING PANGINGITLOG, AT DISTRIBUSYON NG CAGE FREE LAYERS

Nangako ang maraming pangunahing restaurants at grocery chains sa US na bibili lamang sila ng cage-free (CF) eggs pagsapit ng 2025 o 2030.

• Bagaman ang mga manok sa CF house ay nakakakilos at nagagawa ang kanilang natural na kagawian, (e.g.., dust bathing, perching, at paghahanap ng pagkain sa sahig), may ilang partikular na hamon sa sistemang ito, tulad ng high mortality and injury rate at mas mataas na bilang ng floor eggs.
• Ang panunuka ay isa sa mga pangunahing isyu sa kapakanan ng mga manok sa commercial cage-free houses dahil maaaring lubhang maapektuhan nito ang kalagayan ng mga ibon at magdulot ng pagkalugi sa mga egg producers.
  • Dahil sa matinding kritisismo sa beak trimming sa Europe at US, kinakailangang ng mga alternatibong pamamaraan para sa pagsubaybay at pamamahala ng pagtuka.
  • Isang posibleng solusyon upang mabawasan ang problema ay ang maagang detection ng panunuka at mga pinsalang dulot nito upang maiwasan ang pagkalat o paglala, dahil ang feather pecking ay isang natutunang kagawian.

Na-develop ang mga machine vision methods at sinubukan sa pagsubaybay ng sahig at spatial distribution ng mga manok (Figure 5 at Figure 6), pati na rin sa pagtukoy ng mga gawi sa panunuka ng mga inahin at posibleng pinsala (Figure 7 at Figure 8) sa mga research cage-free facilities sa UGA. Sinubukan ang YOLOv5x-pecking model na umabot sa 88.3% ang precision sa pagsubaybay sa pagtuka.

Figure 5. Number of chickens identified under low density and moderate density by our model: low density (a) vs. moderate density (b).

Figure 6. Number of chickens identified under horizontal angle and vertical angle by our model: horizontal angle (a) and vertical angle (b).

Figure 7. Pecking behavior and damages in layers.

Figure 8. Performance of YOLOv5-pecking deep learning model in pecking detection: a – pecking in a rest zone, b – pecking in a feeding zone, c –pecking in a drinking zone; d – two birds are pecking one bird (i.e., the same bird in c was pecked by the two birds at the same time).

Bukod dito, humigit-kumulang 5400 larawan ang nalipon at ginamit upang sanayin ang isa pang deep learning model (YOLOv5m-FELB – floor egg laying behavior), na umabot sa 90% ang precision (Figure 9).

Figure 9. The floor egg laying behaviors detected in test data using the YOLOv5s model for different hen proportions: a) individual hen detection; and b) group hens detection.

Dagdag pa rito, maaaring gamitin ang pamamaraang ito upang matukoy o ma-scan ang mga itlog sa sahig (Figure 10).

Figure 10. Floor egg scanning with machine vision.

BUOD

Iba’t ibang pamamaraan ng machine vision o deep learning ang na-develop sa poultry science department ng University of Georgia upang subaybayan ang kalusugan at kagawian ng mga broiler at cage-free layers.

Ang mga findings na ito ay nagbibigay ng mga sanggunian para sa pag-develop ng mga sistema ng precision poultry farming sa mga commercial broiler at egg farms upang matugunan ang mga isyu kaugnay ng produksiyon, kapakanan, at kalusugan ng mga manok. Ang mga proyekto ni Dr. Lilong Chai ay pinondohan ng USDA-NIFA, USDA ARS, Egg Industry Center, Georgia Research Alliance, UGA, Oracle, at mga kumpanya ng manok, atbp.