เทคโนโลยีการมองเห็นด้วยเครื่องจักรสำหรับการติดตามสวัสดิภาพสัตว์ปีก

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)
• หลังจากการประมวลผลการขยายภาพ (image augmentation) ภาพมากกว่า 10,000 ภาพถูกสร้างขึ้นสำหรับแต่ละวัน และแบบจำลองได้บรรลุอัตราความแม่นยำที่ 88.5%, 97%, 94.5% และ 90% เมื่อไก่มีอายุ 2, 9, 16 และ 23 วันตามลำดับ ในการตรวจจับไก่เนื้อบนพื้น (รูปที่ 4)

รูปที่ 1. มุมมองจากด้านบนของคอกและการกำหนดโซน กล่องสีแดง (1) โซนดื่มน้ำ; (2) โซนให้อาหาร; และ (3) โซนพักผ่อน/ออกกำลังกาย

รูปที่ 2. การเก็บข้อมูลและการวิเคราะห์

รูปที่ 3. ผลลัพธ์การจำแนกพฤติกรรมของแบบจำลอง Densenet-264 ในชุดข้อมูลไก่เนื้อ

รูปที่ 4. การตรวจจับไก่เนื้อบนพื้น

การจิก, การวางไข่ผิดที่, และการกระจายตัวของแม่ไก่ไร้กรง

ร้านอาหารและเครือข่ายซูเปอร์มาร์เก็ตหลักในสหรัฐฯ ได้ให้คำมั่นที่จะซื้อไข่จากแม่ไก่ไร้กรง (CF) เท่านั้นภายในปี 2025 หรือ 2030

• แม้ว่าบ้านไร้กรงจะช่วยให้แม่ไก่สามารถแสดงพฤติกรรมที่เป็นธรรมชาติได้มากขึ้น (เช่น การอาบฝุ่น, การเกาะที่, และการหาอาหารบนพื้นขี้เลน) แต่ก็มีความท้าทายบางประการสำหรับระบบไร้กรง เช่น อัตราการตายและการบาดเจ็บที่สูง รวมถึงการวางไข่บนพื้น
• การจิกเป็นหนึ่งในปัญหาหลักด้านความเป็นอยู่ที่ดีของสัตว์ในฟาร์มแม่ไก่ไร้กรงเชิงพาณิชย์ เนื่องจากสามารถลดความเป็นอยู่ที่ดีของไก่ได้อย่างรุนแรงและก่อให้เกิดการสูญเสียทางเศรษฐกิจสำหรับผู้ผลิตไข่

• หลังจากที่การตัดปากไก่ได้รับการวิพากษ์วิจารณ์อย่างมากในยุโรปและสหรัฐอเมริกา จึงจำเป็นต้องมีวิธีการทางเลือกในการจัดการและติดตามการจิกของไก่
• หนึ่งในวิธีการที่เป็นไปได้ในการลดปัญหาคือการตรวจจับพฤติกรรมการจิกและความเสียหายตั้งแต่ระยะเริ่มต้น เพื่อป้องกันไม่ให้ปัญหานี้แพร่กระจายหรือลุกลาม เนื่องจากการจิกขนเป็นพฤติกรรมที่เรียนรู้ได้

วิธีการมองเห็นด้วยเครื่องจักรถูกพัฒนาและทดสอบในการติดตามการกระจายตัวของไก่บนพื้นและในพื้นที่ (รูปที่ 5 และ รูปที่ 6) รวมถึงการระบุพฤติกรรมการจิกของแม่ไก่และความเสียหายที่อาจเกิดขึ้น (รูปที่ 7 และ รูปที่ 8) ในสถานที่วิจัยฟาร์มแม่ไก่ไร้กรงที่ UGA โดยแบบจำลอง YOLOv5x สำหรับการจิกได้รับการทดสอบด้วยความแม่นยำที่ 88.3% ในการติดตามการจิก

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

รูปที่ 6. จำนวนไก่ที่ถูกระบุภายใต้มุมแนวนอนและมุมตั้งฉากโดยแบบจำลองของเรา: มุมแนวนอน (a) และมุมตั้งฉาก

รูปที่ 7. พฤติกรรมการจิกและความเสียหายในแม่ไก่ไข่

รูปที่ 8. ประสิทธิภาพของแบบจำลองการเรียนรู้เชิงลึก YOLOv5-pecking ในการตรวจจับการจิก: a – การจิกในโซนพักผ่อน, b – การจิกในโซนให้อาหาร, c – การจิกในโซนดื่มน้ำ; d – ไก่สองตัวกำลังจิกไก่ตัวเดียว (เช่นเดียวกับใน c ที่ไก่ตัวเดียวถูกจิกโดยไก่สองตัวในเวลาเดียวกัน).

นอกจากนี้ ภาพประมาณ 5,400 ภาพถูกรวบรวมและใช้ในการฝึกแบบจำลองการเรียนรู้เชิงลึกอีกตัวหนึ่ง (เช่น YOLOv5m-FELB – พฤติกรรมการวางไข่บนพื้น) ซึ่งมีความแม่นยำถึง 90% (รูปที่ 9)

รูปที่ 9. พฤติกรรมการวางไข่บนพื้นที่ตรวจจับในข้อมูลทดสอบโดยใช้แบบจำลอง YOLOv5s สำหรับสัดส่วนแม่ไก่ที่แตกต่างกัน: a) การตรวจจับแม่ไก่ตัวเดียว; และ b) การตรวจจับแม่ไก่กลุ่ม

นอกจากนี้ วิธีการนี้ยังสามารถใช้ในการตรวจจับหรือสแกนไข่บนพื้นได้อีกด้วย (รูปที่ 10)

รูปที่ 10. การสแกนไข่บนพื้นด้วยการมองเห็นของเครื่องจักร

สรุป

วิธีการมองเห็นด้วยเครื่องจักรและการเรียนรู้เชิงลึกได้รับการพัฒนาในภาควิชาวิทยาศาสตร์สัตว์ปีกที่มหาวิทยาลัยจอร์เจีย เพื่อใช้ในการเฝ้าติดตามความเป็นอยู่และพฤติกรรมของไก่เนื้อและแม่ไก่ไร้กรง ผลการวิจัยเหล่านี้เป็นข้อมูลสำคัญในการพัฒนาระบบฟาร์มไก่ที่แม่นยำ ซึ่งจะช่วยแก้ไขปัญหาที่เกี่ยวข้องกับการผลิตสัตว์ปีก, ความเป็นอยู่ที่ดี, และสุขภาพของสัตว์ปีกในฟาร์มไก่เนื้อและฟาร์มไข่เชิงพาณิชย์ โครงการของ Dr. Lilong Chai ได้รับการสนับสนุนจากหน่วยงานต่างๆ เช่น USDA-NIFA, USDA ARS, Egg Industry Center, Georgia Research Alliance, UGA, Oracle, และบริษัทที่เกี่ยวข้องกับสัตว์ปีก เป็นต้น