Makikita ang content sa: English Indonesia (Indonesian) Melayu (Malay) ไทย (Thai) Tiếng Việt (Vietnamese)
BACKGROUND SA KAPAKANAN NG MANOK
Mahalaga ang papel ng produksyon ng manok sa pagpapakain ng abot-kayang protina (i.e. manok at itlog) sa lumalaking populasyon ng mundo. Sa kasalukuyan, ang US ang pinakamalaking producer ng broiler sa mundo at pangalawa naman sa itlog dahil sa patuloy na innovation sa animal breeding, nutrition management, environmental contro, disease prevention, at iba pa.
Gayunpaman, nakakaranas ang mga poultry at egg farms sa US ng ilang mga hamon sa produksyon tulad ng mga isyu sa animal welfare o kapakanan ng hayop.
- Halimbawa, naiulat na ang mabibilis lumaking broiler ay may mga isyu sa paa o pagkapilay.
- Ang mga caged production systems ay naisantabi para sa cage-free operations na hindi kayang garantiyahan ang mas maayos na kapakanan ng mga manok dahil sa mataas na mortality, injury rate, at di-magandang kalidad ng hangin.
Upang matugunan ang mga isyung ito, ang mga researchers sa University of Georgia (UGA, sa precision poultry farming lab ni Dr. Lilong Chai) ay nag-develop ng ilang mga teknolohiya sa precision farming para sa pagmamanman ng kalagayan at kagawian ng mga broiler at cage-free layers.
PAGKAKALAT AT MGA GAWI NG MGA BROILER SA SAHIG
Isang palatandaan kung ang flock ay malusog o hindi ay ang spatial distribution ng mga broiler sa sahig. Ginagawa nang manu-mano ang karaniwang inspeksyon ng floor distribution ng mga manok sa commercial farms araw-araw o maraming beses sa isang araw. Kaya ito ay labor intensive, matagal gawin, at maaaring magkamali dahil sa limitasyon ng mga tauhan sa farm.
- Kinakailangan ng gawaing ito ang isang precision system na kayang awtomatikong subaybayan ang floor distribution ng mga manok.
- Isang pamamaraan na nakabatay sa machine vision ang na-develop at sinubukan sa isang experimental broiler house sa UGA. Upang masubaybayan ang distribusyon ng bawat ibon, ang sahig ng kulungan ay virtual na hinati sa mga lugar para sa pag-inom, pagpapakain, at pagpapahinga/pag-eehersisyo (Figure 1).
- Gumamit ng humigit-kumulang 7000 lugar o profile ng manok upang bumuo ng isang neural network model (BP – backward propagation) para sa pagsusuri ng floor distribution.
- Nakita sa mga resulta na ang identification accuracies ng bird distribution sa mga zone ng pag-inom at pagpapakain ay 0.9419 at 0.9544, ayon sa pagkakabanggit.
- Higit pang nag-innovate ang grupo sa CNN (convolutional neural network) na nakabatay sa deep learning upang matukoy ang mga gawi ng mga ibon sa pagpapakain, pag-inom, pagpapahinga, at pagtayo sa iba’t ibang edad ( (Figure 2 & Figure 3).
- Matapos ang image augmentation processing, mahigit 10,000 larawan ang nabuo bawat araw. Naabot ng modelo ang accuracy rate na 88.5%, 97%, 94.5%, at 90% sa pagtukoy ng mga broiler sa sahig noong sila ay 2, 9, 16, at 23 araw gulang, ayon sa pagkakabanggit (Figure 4).
Figure 1. A top view of a pen and zone definition. The redbox (1) drinking zone; (2) feeding zone; and (3) resting/exercise zone.
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 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).
Dagdag pa rito, maaaring gamitin ang pamamaraang ito upang matukoy o ma-scan ang mga itlog sa sahig (Figure 10).
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.
Bibliography available upon request
