Áp Dụng Công Nghệ Thị Giác Máy Tính Để Giám Sát Tình Trạng Sức Khỏe Gia Cầm

• Ví dụ, những con gà thịt lớn nhanh được báo là có vấn đề về chân hoặc bị khập khiễng.
• Hệ thống chăn nuôi gà đẻ trứng lồng được chuyển sang hệ thống chăn nuôi không-lồng. Nhưng không thể bảo đảm hệ thống này cung cấp phúc lợi tốt hơn cho gà mái do tỷ lệ chết và tỷ lệ thương tích cao và chất lượng không khí kém.

Để giải quyết những vấn đề đó, các nhà nghiên cứu tại Đại học Tiểu bang Georgia (UGA, phòng thí nghiệm chăn nuôi gia cầm chuẩn xác của Tiến sĩ Lilong Chai) đã phát triển một số công nghệ chăn nuôi chuẩn xác để theo dõi phúc lợi và hành vi của gà thịt và gà đẻ nuôi không lồng.

PHÂN BỐ TRÊN SÀN NUÔI VÀ HÀNH VI CỦA GÀ THỊT

Sự phân bố không gian của gà thịt là dấu hiệu cho biết đàn gà có khỏe mạnh hay không. Việc kiểm tra thường xuyên sự phân bố đàn gà thịt trên sàn nuôi thường được thực hiện thủ công tại các chuồng nuôi thương mại hằng ngày hoặc nhiều lần trong ngày, tốn nhiều công sức, thời gian và dễ xảy ra sai sót từ nhân viên trang trại.

• Công việc này đòi hỏi một hệ thống chuẩn xác có thể tự động theo dõi sự phân bố đàn gà trên sàn nuôi.
• Một phương pháp dựa trên thị giác máy tính đã được phát triển và đánh giá trong một chuồng gà thịt thử nghiệm tại UGA . Để theo dõi sự phân bố của từng con vật, sàn nuôi được xác định/chia thành các khu vực uống, cho ăn và nghỉ ngơi/đi lại (Hình 1) .
• Khoảng 7000 khu vực/profile đã được sử dụng để xây dựng mô hình mạng thần kinh (neural network model) (BP – backward propagation – truyền ngược) nhằm phân tích phân bố sàn.
• Kết quả cho thấy độ chuẩn xác định dạng phân bố gia cầm ở vùng uống nước và vùng cho ăn lần lượt là 0.9419 và 0.9544.
• Nhóm nghiên cứu đã cải tiến thêm các mô hình học sâu dựa trên CNN (convolutional neural network – mạng thần kinh tích chập) để phát hiện hành vi kiếm ăn, uống nước, nghỉ ngơi và đi đứng của chim ở các độ tuổi khác nhau (Hình 2 và Hình 3).
• Sau khi xử lý tăng cường hình ảnh (image augmentation) , hơn 10,000 hình ảnh được tạo ra mỗi ngày và mô hình đạt tỷ lệ chuẩn xác là 88.5%, 97%, 94.5% và 90% khi gà lần lượt được 2, 9, 16 và 23 ngày tuổi trong việc phát hiện gà thịt trên sàn nuôi (Hình 4).

Hình 1. Góc nhìn từ trên xuống của một chuồng và xác định vùng. Hộp đỏ (redbox) (1) vùng uống; (2) vùng cho ăn; và (3) vùng nghỉ ngơi/đi lại.

Hình 2. Thu thập và phân tích dữ liệu.

Hình 3. Kết quả phân loại hành vi của mô hình Densenet-264 trong tập dữ liệu gà thịt.

Hình 4. Phát hiện gà thịt trên sàn nuôi.

CẮN MỔ, ĐẺ SAI VỊ TRÍ VÀ PHÂN BỐ CỦA ĐÀN GÀ ĐẺ NUÔI HỆ THỐNG KHÔNG-LỒNG

Các nhà hàng và chuỗi cửa hàng tạp hóa lớn ở Hoa Kỳ đã cam kết chỉ mua trứng gà nuôi không-lồng (CF – cage free) vào năm 2025 hoặc 2030.

• Trong khi chuồng CF giúp gà mái thể hiện các hành vi tự nhiên hơn (ví dụ như tắm bụi, có chỗ đậu và kiếm ăn trên sàn chuồng), thì vẫn có một số vấn đề cụ thể đối với hệ thống không lồng như tỷ lệ cao của gà chết và thương tích cao và đẻ trứng trên sàn.
• Cắn mổ nhau là một trong những vấn đề phúc lợi chính ở các chuồng gà nuôi không-lồng thương mại vì điều này có thể làm giảm nghiêm trọng sức khỏe gia cầm và gây thiệt hại kinh tế cho nhà sản xuất trứng.
  • Sau khi việc cắt mỏ bị chỉ trích mạnh mẽ ở Âu châu và Hoa Kỳ, người ta cần những phương pháp thay thế để kiểm soát sự cắn mổ trong đàn.
  • Một giải pháp để giảm thiểu vấn đề này là phát hiện sớm hành vi cắn mổ trong đàn để ngăn chặn tình trạng này lây lan hoặc gia tăng trong đàn vì chúng có thể bắt chước lẫn nhau.

Các phương pháp dựa trên thị giác máy tính đã được phát triển và đánh giá trong việc theo dõi đàn gà trên sàn nuôi và phân bố không gian của đàn (Hình 5 và Hình 6) và xác định hành vi cắn mổ của gà mái và thiệt hại tiềm ẩn (Hình 7 và Hình 8) trong các cơ sở nghiên cứu hệ thống nuôi không-lồng tại UGA. Mô hình mổ YOLOv5x đã được thử nghiệm với độ chuẩn xác là 88.3% trong việc theo dõi hành vi cắn mổ.

Hình 5. Số lượng gà được xác định ở mật độ thấp và mật độ trung bình theo mô hình của chúng tôi: mật độ thấp (a) so với mật độ trung bình (b).

Hình 6. Số lượng gà được xác định theo góc ngang và góc dọc theo mô hình của chúng tôi: góc ngang (a) và góc dọc (b).

Hình 7. Hành vi cắn mổ và tổn thương ở đàn gà mái đẻ.

Hình 8. Hiệu suất của mô hình học sâu YOLOv5-pecking trong phát hiện hành vi cắn mổ: a – cắn mổ ở vùng nghỉ ngơi, b – cắn mổ ở vùng cho ăn, c – mổ ở vùng uống nước; d – hai con vật mổ một con (tức là một con trong hình c bị hai con khác mổ cùng một lúc).

Ngoài ra, khoảng 5,400 hình ảnh đã được thu thập và sử dụng để huấn luyện một mô hình học sâu khác (tức là YOLOv5m-FELB – hành vi đẻ trứng trên sàn) với độ chuẩn xác 90% (Hình 9).

Hình 9. Hành vi đẻ trứng trên sàn được phát hiện trong dữ liệu thử nghiệm bằng cách sử dụng mô hình YOLOv5s cho các tỷ lệ gà mái khác nhau: a) phát hiện từng con gà mái; và b) phát hiện đàn gà mái.

Ngoài ra, phương pháp này cũng có thể được sử dụng để phát hiện hoặc truy quét trứng trên sàn (Hình 10).

Hình 10. Truy quét trứng trên sàn bằng công nghệ thị giác máy tính.

TÓM TẮT

Bộ môn Gia cầm của Đại học Tiểu bang Georgia đã phát triển nhiều phương pháp học sâu hoặc thị giác máy tính khác nhau để theo dõi phúc lợi và hành vi của gà thịt và gà mái nuôi hệ thống không-lồng.

Những phát hiện này cung cấp tài liệu tham khảo để phát triển các hệ thống chăn nuôi gia cầm chuẩn xác tại các trang trại nuôi gà thịt và trứng thương mại nhằm giải quyết các vấn đề liên quan đến sản xuất gia cầm, phúc lợi và sức khỏe. Các dự án của Tiến sĩ Lilong Chai được tài trợ bởi USDA-NIFA, USDA ARS, Egg Industry Center, Georgia Research Alliance, UGA, Oracle và các công ty gia cầm, v.v.

Tài liệu tham khảo cung cấp theo yêu cầu