Quan sát máy trong quy trình chăm sóc vật nuôi
Nghiên cứu, được thực hiện bởi Đại học Paulista ở São Paulo, Brazil, cảm biến tự động được thiết kế để định lượng hành vi kiếm ăn ở gà thịt. Nghiên cứu tập trung vào việc nắm bắt sự tương tác cơ sinh học giữa động vật và hệ thống cho ăn, một lĩnh vực thường không được giám sát trong chăn nuôi gia cầm thương mại mặc dù thức ăn chiếm tới 70% chi phí sản xuất.
Các phương pháp giám sát truyền thống như đánh dấu xâm lấn, chú thích thủ công hoặc phân tích tăng trưởng hồi cứu không cung cấp bộ dữ liệu hành vi liên tục cần thiết trong các hệ thống nông nghiệp. Thay vào đó, nghiên cứu đề xuất một phương pháp cảm biến tự động có khả năng tạo ra các luồng dữ liệu phù hợp với mô hình bản sao kỹ thuật số của các quy trình sản xuất gia cầm.
Thiết lập quang học được thiết kế để chụp động học tốc độ cao
Thiết lập thử nghiệm được xây dựng xung quanh máy ảnh công nghiệp tốc độ cao EoSens™ CoaXPress của Allied Vision (trước đây là Mikrotron) được trang bị ống kính Nikon 50 mm f/1.4. Máy ảnh được đặt cách máng ăn từ 1,0 m đến 1,5 m để ghi lại các cấu hình chuyển động ngang của hành vi cho ăn.
Điều kiện ánh sáng được tiêu chuẩn hóa bằng cách sử dụng nguồn sáng LED 500 W ở 6500 K, cung cấp mức độ chiếu sáng từ 3000 đến 5000 lux để cải thiện chất lượng tín hiệu hình ảnh.
Hoạt động ở tốc độ 300 khung hình / giây, hệ thống cung cấp độ phân giải thời gian đủ để ghi lại chuyển động mỏ nhanh không thể phát hiện được bằng các hệ thống video thông thường. Hiệu chuẩn không gian được thực hiện bằng cách sử dụng thang tham chiếu vật lý được đặt ở độ cao của bộ nạp.
Thử nghiệm xác nhận đã sử dụng bộ dữ liệu sinh học của chín con gà thịt được phân bố trên ba giai đoạn tăng trưởng để nắm bắt sự thay đổi đại diện trong chu kỳ sản xuất.
Quy trình phát hiện và phân đoạn dựa trên AI
Dữ liệu hình ảnh từ camera tốc độ cao được xử lý thông qua quy trình thị giác máy tính ba giai đoạn được triển khai trong Python 3.10. Kiến trúc đã sử dụng PyTorch 2.10.0 để suy luận học sâu và OpenCV 4.13.0.92 để tiền xử lý hình ảnh.
Quy trình làm việc kết hợp phát hiện đối tượng YOLOv8 với Mô hình phân đoạn bất cứ thứ gì (SAM) do Meta AI phát triển để thực hiện phân đoạn giải phẫu và theo dõi hành vi. Kiến trúc lai này cho phép phát hiện đối tượng và theo dõi chuyển động trong điều kiện trang trại bao gồm ánh sáng thay đổi và tắc nghẽn một phần.
Suy luận hệ thống đã được thử nghiệm trên máy trạm được trang bị bộ xử lý Intel Core Ultra 9 275HX, bộ nhớ 64 GB DDR5-6400 và GPU NVIDIA GeForce RTX 5070 hoạt động dưới Windows 11 Pro. Hệ thống đạt được độ chính xác phát hiện đo được là 0,95, thể hiện mức hiệu suất phù hợp với phân tích hành vi tự động mà không cần chú thích thủ công.
Liên kết cấu trúc thức ăn với cơ sinh học cho ăn
Phân tích dữ liệu được ghi lại đã xác định mối quan hệ có thể đo lường được giữa kích thước hạt thức ăn và cơ sinh học cho ăn. Các hạt thức ăn thô hơn dẫn đến biên độ mở mỏ lớn hơn và cải thiện hiệu quả nuốt vào.
Điều này thiết lập mối liên hệ có thể đo lường trực tiếp giữa phép đo hạt thức ăn và nỗ lực cơ sinh học trong quá trình cho ăn, cung cấp thông số tối ưu hóa tiềm năng cho các chiến lược dinh dưỡng chính xác. Các nghiên cứu trước đây đã gợi ý mối quan hệ này thông qua các quan sát sinh lý, nhưng công trình hiện tại chứng minh khả năng đo lường thời gian thực.
Nền tảng dữ liệu cho bản sao kỹ thuật số gia cầm
Kiến trúc hệ thống cũng cho phép giám sát kết hợp hiệu suất sản xuất và các chỉ số phúc lợi động vật thông qua các chỉ số như Chỉ số Hiệu quả Mỏ (BEI). Điều này tạo ra nền tảng dữ liệu tiềm năng cho các mô hình chăn nuôi gia cầm kỹ thuật số được sử dụng trong môi trường nuôi thông minh. Khuôn khổ này cho phép giám sát hành vi liên tục phù hợp với các yêu cầu của nền tảng chăn nuôi chính xác và hệ thống truy xuất nguồn gốc chuỗi cung ứng kỹ thuật số trong nông nghiệp.
Sự phát triển hơn nữa dự kiến sẽ tập trung vào việc triển khai và xác nhận Edge AI trong điều kiện chuồng gia cầm thương mại, đặc biệt là trong môi trường có mức độ che khuất và thay đổi ánh sáng cao hơn.
www.alliedvision.com |