Adathalmaz készítése sárga magyar tyúk állományok mesterséges intelligencia alapú videóelemzéséhez
Kulcsszavak:
tyúk, YOLO, precíziós állattenyésztés, mélytanulás, objektumkövetés, objektumdetektálás, mesterséges intelligencia, gépi látásAbsztrakt
A precíziós állattenyésztési rendszerek (PLF) képesek valós időben folyamatos képet adni az állatok jólléti, valamint egészségi állapotáról, és egyben a termelés hatékonyságának növelését is biztosíthatják. A számítógépes látás az információs technológiák fejlődésének köszönhetően a baromfiiparban az állatok megfigyelését teszi lehetővé emberi erőforrás igénybevétele nélkül és számtalan információ bemutatására, rögzítésére képes. Az “End the Cage Age” elnevezésű európai polgári kezdeményezést az Európai Bizottság elfogadta, ami azt jelenti, hogy a haszonállatok ketreces tartásának fokozatos kivezetésére fog sor kerülni, legkorábban 2027-től. Ez többek között a tojótyúktartást is jelentős mértékben érinti, amellyel kapcsolatban fontos megjegyezni, hogy jelenleg hazánkban a tojótyúk- állomány közel háromnegyede (felújított vagy feljavított) ketreces tartástechnológiában termel. A ketrec nélküli rendszerekben, nagy állományméretek esetén a tyúkok társas viselkedése felértékelődik, a viselkedés folyamatos monitorozására van szükség. Az első kulcsfontosságú lépés a gépi látástechnológia alkalmazása során a tyúkok azonosítása és a felvételeken látható egyedek számának meghatározása. Ezt követheti a viselkedés, a jólléti állapot, az egészségi állapot és egyéb tényezők automatikus nyomon követése. A videófelvételeket Mosonmagyaróváron, a Széchenyi István Egyetem Uni-Agro-Food Kft. sárga magyar tyúk törzstenyészeteként működő baromfitelepén készítettük. A videofelvételek 49 tyúk tevékenységét rögzítették ellenőrzött környezetben, a hangsúlyt az egyes madarak mozgásának felismerésére és a viselkedés előrejelzésére helyeztük fejlett képfeldolgozási technikák segítségével. A kutatásunkban nyílt, madarakra vonatkozó adatbázisokat és nyílt forráskódú annotációs eszközöket használtunk fel a madarak viselkedésének elemzésére specializált adathalmaz létrehozásához. Amellett, hogy nagy mennyiségű nyers felvétel keletkezett, munkánk eredményeképpen kifejezetten tyúkokra koncentráló annotált adathalmaz készült, amely eredményességét az architektúránk kezdeti verziójának működésével bizonyítunk. Jövőbeni terv a detektálás és előrejelzés eredményességének javítása.
Hivatkozások
Bist, R., Yang, X., Subedi, S., Sharma. M. K., Singh, A., Ritz, C. W. K., Kim, W.K., Chai, L. 2023. Temporal Variations of Air Quality in Cage-Free Experimental Pullet Houses. Poultry. 2 (2) 320–333. https://doi.org/10.3390/poultry2020024
Bonnefous, C., Collin, A., Guilloteau, L. A., Guesdon, V., Filliat, C., Réhault-Godbert, S., Leterrier, C. 2022. Welfare issues and potential solutions for laying hens in free range and organic production systems: A review based on literature and interviews. Frontiers in Veterinary Science. 9 952922. http://doi.org/10.3389/fvets.2022.952922
European Comission. 2021. Communication from the Commission on the European Citizens’ Initiative (ECI) ”End the Cage Age”. https://ec.europa.eu/transparency/documents-register/detail?ref=C(2021)4747&lang=en (2024.06.11.)
Groves, P. J. 2021. Non-infectious diseases and laying hen welfare. Animal Production Science. 61 1013–1017. https://doi.org//10.1071/AN19680
Hartcher, K. M., Jones, B. 2017. The welfare of layer hens in cage and cage-free housing systems. World’s Poultry Science Journal. 73 (4) 767–782. https://doi.org/10.1017/S0043933917000812
He, K., Zhang, X., Ren, S., Sun, J. 2015. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. https://doi.org/10.1109/cvpr.2016.90
Hochreiter, S., Schmidhuber, J. 1997. Long Short-Term Memory. Neural Computation. 9 (8) 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Kittelsen, K. E., Tahamtani, F. M., Moe, R. O., Gretarsson, P., Vasdal, G. 2022. Flock Factors Correlated with Elevated Mortality in Non-Beak Trimmed Aviary-Housed Layers. Animals. 12 (24) 3577. https://doi.org/10.3390/ani12243577
Morrone, S., Dimauro, C., Gambella, F., Cappai, M.G. 2022. Industry 4.0 and Precision Livestock Farming (PLF): An up to Date Overview across Animal Productions. Sensors. 22, 4319. https://doi.org/10.3390/s22124319
Neethirajan, S. 2022. ChickTrack - A quantitative tracking tool for measuring chicken activity. Measurement. 191, 110819 https://doi.org/10.1016/j.measurement.2022.110819
Nenadović, K., Vučinić, M., Turubatovic, L., Becskei, Zs., Geric, T., Ilić, T. 2022. The effect of different housing systems on the welfare and the parasitological conditions of laying hens. Journal of the Hellenic Veterinary Medical Society. 73 (3) 4493–4504. https://doi.org/10.12681/jhvms.27585
Okinda, C. 2020. A review on computer vision systems in monitoring of poultry: A welfare perspective, Artifical Intelligence in Agriculture. 4 (1) 184–208. https://doi.org/10.1016/j.aiia.2020.09.002
Rodenburg, T. B., Tuyttens, F. A. M., Sonck, B., De Reu, K., Herman, L., Zoons, J. 2005. Welfare, Health, and Hygiene of Laying Hens Housed in Furnished Cages and in Alternative Housing Systems. Journal of Applied Animal Welfare Science. 8 (3) 211–226. https://doi.org/10.1207/s15327604jaws0803_5
Rowe, E., Dawkins, M.S., Gebhardt-Henrich, S.G. 2019. A Systematic Review of Precision Livestock Farming in the Poultry Sector: Is Technology Focussed on Improving Bird Welfare? Animals. 9 (9) 614. https://doi.org/10.3390/ani9090614
Wang, A., Chen, H., Liu, L., Chen, K., Lin, Z., Han, J., Ding, G. 2024. YOLOv10: Real-Time End-to-End Object Detection. ArXiv. abs/2405.14458. https://doi.org/10.48550/arXiv.2405.14458
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2024 Éva Rampasek, Csaba Hajdu, Boldizsár Tüű Szabó, Károly Tempfli, László Környei
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
The articel is under the Creative Commons 4.0 standard licenc: CC-BY-NC-ND-4.0. Under the following terms: You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use. You may not use the material for commercial purposes. If you remix, transform, or build upon the material, you may not distribute the modified material. You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Georgikon for Agriculture