Site icon aviNews, la revista global de avicultura

Cải Thiện Sức Khỏe Gia Cầm: Vai Trò của Phân Tích Dự Đoán trong Phòng Bệnh ở Vật Nuôi

Escrito por: Talha Siddique
PDF
poultry

Conteúdo disponível em: English Indonesia (Indonesian) Melayu (Malay) ไทย (Thai) Philipino

CẢI THIỆN SỨC KHỎE GIA CẦM

Hình 1. Mô tả đơn giản về phân tích dự đoán (Nguồn: Ogirala và cộng sự, 2024). 

Dịch bệnh và vệ sinh không bảo đảm là hai trong số nhiều vấn đề mà ngành chăn nuôi sản xuất gà phải đối mặt. Bệnh cầu trùng, Newcastle, Gumboro pullorum và Salmonella là một trong những bệnh phổ biến nhất (Machuve và cộng sự, 2022).

Xét nghiệm vi khuẩn trên phân gà có thể tốn trung bình 30 đô la từ các phòng thí nghiệm của Hoa Kỳ (ví dụ: GPLN và các phòng thí nghiệm khác), với giá cả thay đổi tùy theo số lượng gia cầm được xét nghiệm (GPLN, 2024; CEVDL, 2024).

Đây là nơi phân tích dự đoán đã cung cấp một giải pháp đột phá cho ngành gia cầm.

THU THẬP VÀ QUẢN LÝ DỮ LIỆU

Hình 2. Tổng quan về IoT và ML trong quản lý sức khỏe gia cầm (Nguồn: Ojo và cộng sự, 2022).

Hồ sơ sức khỏe vật nuôi, bao gồm lịch sử chủng ngừa, hồ sơ dùng thuốc và chẩn đoán bệnh trước đó, là một tập dữ liệu quan trọng.

Quy mô và độ phức tạp của các dạng dữ liệu này đòi hỏi phải có hệ thống đáng tin cậy để xử lý, xác thực và sử dụng tất cả thông tin này để đưa ra kết luận theo thời gian thực.

Các thiết bị và cảm biến Internet vạn vật (Internet of Things-IoT) chủ yếu tự động hóa việc thu thập dữ liệu, cung cấp dữ liệu đầu vào liên tục cho các hệ thống quản lý tích hợp. 

State-of-the-art databases and cloud storage solutions store the massive amount of data.Cơ sở dữ liệu hiện đại và các giải pháp lưu trữ đám mây (cloud storage) có thể chứa được lượng dữ liệu rất khổng lồ.

Các nền tảng phân tích dữ liệu sử dụng các thuật toán tiên tiến và mô hình máy học để phân tích dữ liệu, tìm kiếm các mối liên hệ hoặc mô hình/mô thức bị ẩn giấu qua nhiều cách thức xử lý và tiến hành dự đoán các kết quả có thể xảy ra (LeCun và cộng sự, 2015) (Hình 3).

Hình 3. Quá trình vận hành của hệ thống giám sát gà dựa trên máy học (Nguồn: Okinda và cộng sự, 2020).

MÔ HÌNH DỰ ĐOÁN PHÁT HIỆN BỆNH

Các kỹ thuật dựa trên ML sử dụng trình trích xuất đặc điểm (feature extractor) để chuyển đổi dữ liệu thô, chẳng hạn như các giá trị pixel từ ảnh, và chuyển thành các vectơ đặc điểm (feature vector).

Thuật toán học sâu (Deep learning algorithms), bắt nguồn từ các kỹ thuật máy học thông thường, có khả năng tự động khám phá các đặc điểm hoặc biểu hiện dữ liệu từ dữ liệu thô, loại bỏ nhu cầu hiểu biết kỹ thuật trích xuất đặc điểm (feature extraction engineering) (LeCun và cộng sự, 2015).

Hầu hết các hệ thống máy học đều sử dụng dữ liệu quá khứ làm đầu vào để dự đoán giá trị đầu ra trong tương lai. Các thuật toán máy học (ví dụ:ANN, SVR, random forest, CNN, GLM) và nhiều mô hình máy học (ví dụ: phân loại, hồi quy, phân cụm-clustering) định nghĩa ML là ở dạng có giám sát (supervised) hoặc không giám sát (unsupervised) (Milosevic và cộng sự, 2019). Các phương pháp máy học có giám sát bảo đảm tính chính xác của phân loại hoặc dự đoán thông qua dữ liệu được gắn nhãn (labelled data).

NGHIÊN CỨU TÌNH HUỐNG

LỢI ÍCH CỦA VIỆC PHÁT HIỆN SỚM

THÁCH THỨC KHI ÁP DỤNG VÀ GIẢI PHÁP

Các vấn đề về cơ sở hạ tầng, khó khăn về kinh tế và mối quan tâm về quản trị dữ liệu sẽ là một trong những thách thức đối với sự phát triển của một hệ thống chuẩn hóa trong dự báo sự xuất hiện dịch bệnh ở gia cầm.

Việc áp dụng công nghệ mới vào các trang trại đòi hỏi người chăn nuôi phải có kiến thức và được đào tạo về những công nghệ đó. Vấn đề thiên lệch (bias) và nhiễu (noise) trong các nguồn dữ liệu cụ thể là một trở ngại khác mà các thuật toán dự đoán sẽ phải khắc phục được.

Người chăn nuôi có thể gặp phải vấn đề quản trị dữ liệu khi đề nghị các mô hình dự đoán với nhiều người liên quan trong quản trị. Mặc dù các mô hình nên bao gồm thông tin từ càng nhiều trang trại càng tốt để dự đoán sự phát triển của bệnh, nhưng người chăn nuôi sản xuất có thể không muốn dữ liệu của họ được công khai.

Cải thiện chất lượng dữ liệu, xây dựng chuyên môn kỹ thuật và giảm các rào cản kinh tế và vận hành sẽ giúp việc áp dụng phân tích dự đoán được hiệu quả, dẫn đến tăng cường khả năng quản lý kiểm soát dịch bệnh và cải thiện hiệu quả hoạt động (Hình 4).

Hình 4. Các Giải Pháp Đề Xuất.

Khung cơ sở bao gồm một số thành phần cơ bản, cụ thể là mô-đun học sâu (DL), mô-đun Digital Twin, mô-đun đám mây điện toán/cloud edge (cloud-fog-based), mô-đun thông tin liên lạc, mô-đun bảo mật và mô-đun giao diện người dùng (Hình 5). 

Hình 5. Khung cơ sở cho quản lý sức khỏe và phúc lợi gia cầm một cách thông minh (Nguồn: Ojo và cộng sự, 2022).

TRIỂN VỌNG VÀ CÁC PHÁT KIẾN TRONG TƯƠNG LAI

Các phương pháp tiếp cận tích hợp trong khoa học và kỹ thuật chăn nuôi cần phải giải quyết những thách thức này để cải thiện hiệu quả giám sát đàn gà trên nền tảng chăn nuôi chuẩn xác (Precision Livestock Farming-PLF) và tăng khả năng phục hồi của nó (Hình 6).

Hình 6.Triển vọng

HỆ THỐNG ƯỚC TÍNH THỂ TRỌNG

Theo dõi thể trọng vật nuôi trong quá trình phát triển giúp đánh giá được thời điểm giết mổ và kế hoạch cho ăn. Nếu cân nặng đo được đi lệch khỏi đường cong tăng trưởng dự kiến, điều này cho thấy tình trạng sức khỏe như bệnh hoặc các vấn đề quan trọng khác cần phải có biện pháp khắc phục. Do đó, thể trọng có ảnh hưởng đến phúc lợi của động vật.

Cảm biến hình ảnh linh hoạt và camera không đổi độ sáng (illuminant invariant) dùng cho trang trại có thể giải quyết được vấn đề ánh sáng thay đổi. Ước tính thể trọng tận dụng lợi thế của camera độ sâu dựa trên IR như Microsoft Kinect (Mortensen và cộng sự, 2016).

HỆ THỐNG PHÁT HIỆN TÌNH TRẠNG KHẬP KHIỄNG

Khả năng di chuyển vận động là rất quan trọng đối với động vật. Sự di chuyển vận động liên quan đến thể lực và sức khỏe của vật nuôi.

Những con gia cầm gặp khó khăn khi đi lại có thể bị chết đói, giảm hiệu quả chuyển hóa thức ăn, giảm thể trọng và tăng trưởng, ức xấu, cổ chân bị tổn thương và dễ bị động vật ăn thịt tấn công.

Theo wellbeing-Quality® (2009), các biến số trên cho thấy mức độ phúc lợi kém của động vật. Do đó, việc theo dõi khả năng vận động di chuyển của một con gia cầm cho biết mức độ phúc lợi của chúng.

HỆ THỐNG PHÂN LOẠI TÌNH TRẠNG SỨC KHỎE

HỆ THỐNG THEO DÕI GIA CẦM

Việc đánh giá các yếu tố về biểu hiện hành vi (dạng hoạt động) và thể chất (tình trạng khập khiễng và sức khỏe) trong phúc lợi gia cầm phụ thuộc rất nhiều vào việc theo dõi gia cầm.

Zhuang và Zhang (2019) đã áp dụng phương pháp phát hiện đa đối tượng để phát hiện gà thịt không khỏe mạnh và kết quả nghiên cứu của họ đã thu hút được nhiều chú ý.

TÍCH HỢP IOT VÀ DỮ LIỆU LỚN

Khi chúng ta xem xét việc tích hợp các thiết bị IoT với dữ liệu lớn, đây là thứ sẽ cách mạng hóa việc phân tích dự đoán trong chăn nuôi gia cầm bằng cách cung cấp cho người chăn nuôi thêm nhiều thông tin chi tiết hơn.

Chúng tôi hy vọng rằng độ chính xác và hiệu quả của các mô hình dự đoán sẽ tiếp tục tiến triển theo xu hướng này khi sự kết hợp phân tích sinh học, AI và máy học được cải thiện theo thời gian.

KẾT LUẬN

 

PDF
PDF
Exit mobile version