Inteligența artificială poate estima greutatea curcanilor cu trei săptămâni în avans, cu o precizie de 93%
Cercetătorii de la Universitatea Penn State au dezvoltat un sistem bazat pe inteligență artificială și camere video capabil să monitorizeze curcanii individual și să prezică greutatea corporală a acestora cu până la trei săptămâni în avans, cu o acuratețe de aproximativ 93%. Studiul, publicat în Frontiers of Animal Science, deschide noi posibilități pentru industria avicolă, unde monitorizarea greutății este esențială, dar dificil de realizat la scară largă.
Monitorizarea greutății corporale este unul dintre cele mai importante instrumente pentru fermierii de păsări, oferind informații valoroase despre creștere, uniformitate, eficiența conversiei furajelor și apariția bolilor în efectiv. Totuși, obținerea unor măsurători frecvente și precise reprezintă o provocare semnificativă în producția comercială, deoarece metodele tradiționale necesită multă muncă manuală și manipulare frecventă a animalelor, ceea ce ridică atât probleme economice, cât și de bunăstare animală.
Cum funcționează sistemul de monitorizare
Studiul a fost realizat la Centrul de Educație și Cercetare Avicolă din cadrul Penn State și a implicat 30 de curcani masculi crescuți împreună și observați de la vârsta de 37 până la 133 de zile, acoperind aproape 14 săptămâni de monitorizare a creșterii. Cercetătorii au folosit o cameră poziționată deasupra păsărilor pentru a captura două tipuri de informații: imagini color normale și imagini de adâncime, care oferă detalii despre cât de departe se află diferite părți ale curcanului față de cameră. Aceste date relevă aspecte legate de forma și dimensiunea tridimensională a păsării, influențate direct de greutatea acesteia.
Deoarece în câmpul vizual al camerei se aflau adesea mai multe păsări, sistemul de inteligență artificială a trebuit să învețe să distingă grupurile de pixeli care aparțin unui singur curcan de cele care aparțin altui animal sau fundalului. Acest proces, numit segmentare de instanță, este diferit de simpla recunoaștere a prezenței unei păsări. Pentru instruirea și testarea sistemului, cercetătorii au cântărit manual curcanii de cinci ori pe săptămână, iar aceste greutăți reale au servit drept referință pentru algoritm.
Rețeaua neuronală ResNet și predicțiile viitoare
Echipa a utilizat un tip de rețea neuronală de învățare profundă numită ResNet, frecvent folosită pentru analiza imaginilor. În acest studiu, ResNet a fost antrenată să analizeze informațiile din imagini și să învețe relațiile dintre aspectul, dimensiunea și forma păsărilor și greutatea lor corporală reală. Rezultatele au arătat că sistemul cameră-inteligență artificială a prezis greutatea viitoare aproape la fel de precis ca estimarea greutății actuale, ceea ce este semnificativ deoarece sistemele anterioare de viziune computerizată nu erau capabile de previziuni temporale.
Enrico Casella, autorul principal al studiului și profesor asistent de știința datelor pentru sisteme animale la Penn State, a explicat implicațiile practice: „Imaginați-vă o fermă comercială de curcani cu mii de păsări. Dacă fermierii ar putea estima în mod fiabil greutățile folosind camere, nu ar mai fi nevoie să prindă și să cântărească manual un număr mare de păsări.” Această tehnologie ar putea ajuta la monitorizarea creșterii, identificarea păsărilor care nu se dezvoltă normal, planificarea strategiilor de hrănire, prezicerea momentului în care păsările ating greutatea de piață, planificarea programului de procesare, reducerea manipulării animalelor și a forței de muncă, precum și îmbunătățirea eficienței producției.
Limitările studiului preliminar
Deși rezultatele sunt promițătoare, Casella a subliniat că tehnologia nu este încă pregătită pentru orice fermă comercială de curcani. Experimentul a implicat doar 30 de curcani în condiții relativ controlate. Sunt necesare studii mai ample pentru a determina cât de bine funcționează modelul în diferite ferme, rase, medii, condiții de iluminare, densități de păsări și populații mult mai mari. Cercetarea viitoare va trebui să valideze această abordare în scenarii comerciale diverse înainte de implementarea pe scară largă.
