เนื้อหาดูได้ที่:
English (อังกฤษ) Indonesia (อินโดนีเซีย) Melayu (Malay) Tiếng Việt (เวียดนาม) Philipino (ฟิลิปปินส์)
ภูมิหลังของสวัสดิภาพสัตว์ปีก
การผลิตสัตว์ปีกมีบทบาทสำคัญในการเลี้ยงดูประชากรโลกที่เพิ่มขึ้นด้วยโปรตีนที่สามารถเข้าถึงได้ในราคาที่ไม่สูง (เช่น ไก่และไข่) สหรัฐอเมริกาคือผู้ผลิตไก่เนื้อรายใหญ่ที่สุดในโลกและผู้ผลิตไข่รายที่สองของโลก เนื่องจากนวัตกรรมที่ต่อเนื่องในด้านการผสมพันธุ์สัตว์ การจัดการโภชนาการ การควบคุมสิ่งแวดล้อม และการป้องกันโรค เป็นต้น
อย่างไรก็ตาม ฟาร์มไก่และฟาร์มไข่ในสหรัฐอเมริกากำลังเผชิญกับความท้าทายหลายประการในการผลิต โดยเฉพาะอย่างยิ่งในเรื่องของความเป็นอยู่ที่ดีของสัตว์
เช่น ไก่เนื้อที่เติบโตอย่างรวดเร็วมักประสบปัญหาขาไม่แข็งแรงหรือขาลาก
นอกจากนี้ ระบบการผลิตไข่ที่ใช้กรงก็ถูกบังคับให้ปรับเปลี่ยนไปสู่การผลิตแบบไร้กรง ซึ่งในบางกรณีกลับไม่สามารถรับประกันสวัสดิภาพของแม่ไก่ได้ เนื่องจากมีอัตราการตายและการบาดเจ็บที่สูง รวมถึงคุณภาพอากาศที่ไม่ดี
เพื่อแก้ไขปัญหาเหล่านี้ นักวิจัยจากมหาวิทยาลัยจอร์เจีย (UGA) โดยการนำของ Dr. Lilong Chai ได้พัฒนาเทคโนโลยีการเกษตรที่แม่นยำหลายตัว เพื่อใช้ในการตรวจสอบความเป็นอยู่ที่ดีและพฤติกรรมของไก่เนื้อและแม่ไก่ในระบบไร้กรงอย่างมีประสิทธิภาพ
การกระจายตัวและพฤติกรรมของไก่เนื้อบนพื้น
การกระจายตัวและพฤติกรรมของไก่เนื้อบนพื้นเป็นปัจจัยสำคัญที่สะท้อนถึงสุขภาพของฝูงไก่ หากสุขภาพของไก่ไม่ดี อาจส่งผลกระทบต่อพฤติกรรมของพวกมันได้ การตรวจสอบการกระจายตัวของไก่เนื้อบนพื้นมักจะดำเนินการเป็นประจำในฟาร์มเชิงพาณิชย์ หรืออาจทำหลายครั้งในหนึ่งวัน ซึ่งเป็นงานที่ต้องใช้แรงงานมากและใช้เวลานาน นอกจากนี้ยังมีโอกาสเกิดข้อผิดพลาดจากพนักงานได้อีกด้วย
เพื่อให้การตรวจสอบนี้มีความแม่นยำมากขึ้น จึงมีความจำเป็นต้องพัฒนาระบบที่สามารถตรวจสอบการกระจายตัวของไก่เนื้อบนพื้นได้โดยอัตโนมัติ
โดยใช้เทคโนโลยีการมองเห็นของเครื่องจักร ซึ่งถูกพัฒนาและทดสอบในบ้านไก่เนื้อทดลองที่มหาวิทยาลัยจอร์เจีย (UGA) การติดตามการกระจายตัวของไก่แต่ละตัว จะช่วยให้สามารถแบ่งพื้นที่ในคอกออกเป็นโซนต่าง ๆ เช่น โซนดื่มน้ำ โซนให้อาหาร และโซนพักผ่อนหรือออกกำลังกาย (ดูรูปที่ 1)
พื้นที่หรือข้อมูลโปรไฟล์ของไก่ประมาณ 7,000 ตัว ถูกนำมาใช้ในการสร้างแบบจำลองเครือข่ายประสาทเทียมแบบ BP (Backpropagation) เพื่อวิเคราะห์การกระจายตัวของไก่บนพื้น
ผลลัพธ์ที่ได้แสดงให้เห็นว่าความแม่นยำในการระบุการกระจายตัวของไก่ในพื้นที่ดื่มน้ำและพื้นที่ให้อาหารอยู่ที่ 0.9419 และ 0.9544 ตามลำดับ
นอกจากนี้ ทีมงานยังได้พัฒนาการวิจัยต่อไปโดยการนำแบบจำลองการเรียนรู้เชิงลึกแบบ CNN (Convolutional Neural Network) มาใช้ในการสังเกตพฤติกรรมของไก่ในกิจกรรมต่าง ๆ เช่น การกิน, การดื่มน้ำ, การพักผ่อน และการยืน ซึ่งพิจารณาจากช่วงอายุที่แตกต่างกัน (ตามที่แสดงในรูปที่ 2 และรูปที่ 3)
หลังจากการประมวลผล...