گروهی از محققین در دانشگاه تنسی آمریکا، عملکرد یک سیستم رباتیک نصبشده روی ریل برای تشخیص تلفات را در یک سالن پرورش تجاری جوجههای گوشتی ارزیابی کردند و چالشهای پیادهسازی چنین سیستمهایی در محیطهای واقعی را بررسی نمودند.
این پژوهش به فرآیند پرزحمت شناسایی دستی تلفات در سالنهای پرورش جوجهگوشتی میپردازد که سیستم رباتیک با استفاده از تصویرسازی کامپیوتری هدف سادهسازی آن را دنبال میکند. آزمایش انجامشده از طرح بلوک کامل تصادفی پیروی کرد، که در آن محفظهها بهصورت استراتژیک در مکانهای مختلف شامل زیر ریل/ربات، بین خطوط تغذیه و آبخوری و نزدیک به دیوارههای جانبی به عنوان بلوکهای تیماری قرار داده شدند.
نتایج نشان داد که ربات میزان شناسایی تلفات را در محفظههای زیر ریل بهطور قابلتوجهی بالاتر (۵۷ درصد) در مقایسه با تلفات خارج از محفظه در همان مناطق (۱۹ درصد) انجام داد. دوربین تحتانی دقت تشخیص بالاتری (۴۲.۳ درصد) در مقایسه با دوربینهای جانبی (۲۰ درصد) نشان داد.
موانعی مانند اختفای لاشهها توسط جوجههای زنده، تجهیزات سالن (خطوط دانخوری و آبخوری) و تغییرات نور محیط باعث کاهش عملکرد سیستم شدند. محل قرارگیری تلفات و استفاده از محفظهها تأثیر معناداری بر کارایی تشخیص داشتند. این یافتهها موانع اساسی در مسیر تجاریسازی سیستمهای خودکار شناسایی تلفات را برجسته میسازد. هرچند این سیستم رباتیک پتانسیلهای امیدوارکنندهای نشان میدهد، اما برای بهبود عملکرد در شرایط تجاری، نیاز به اصلاحاتی در موقعیت دوربینها، نورپردازی و الگوریتمهای نرمافزاری برای کاهش مشکل اختفای لاشهها وجود دارد.
تشخیص زودهنگام تلفات جنین
علین خالدالزمان و همکارانش در دانشگاه ایلینویز آمریکا، کاربرد سیستم تصویربرداری فراطیفی را برای تشخیص و حذف زودهنگام جنینهای مرده جوجه در دوره جوجهکشی مورد بررسی قرار دادند. حدود ۵ تا ۱۰ درصد از جنینها در مراحل اولیه انکوباسیون به دلیل شوک حرارتی و جابجایی نامناسب تلف میشوند.
محققان از یک روش غیرمخرب و بلادرنگ با ترکیب تصویربرداری فراطیفی و تحلیل تمایزی برای طبقهبندی جنینهای زنده و مرده استفاده کردند. در این مطالعه:
- دستگاهها و پارامترها:
- از یک دوربین فراطیفیبا محدوده طیفی 400 تا 1000 نانومتر برای ثبت اطلاعات مکانی و طیفی تخمهای در حال جوجهکشی در روز چهارم استفاده شد.
- بیش از 100 تخم مرغدر شرایط دمای 99.0 درجه فارنهایت (37.2 درجه سانتیگراد) و رطوبت نسبی 60% انکوباسیون شدند.
تصویربرداری فراطیفی: روشی غیرتهاجمی برای تشخیص سلامت جنینها
تصویربرداری فراطیفی یک روش غیرمخرب و با وضوح بالا ارائه میدهد که قادر است اطلاعات طیفی دقیقی از تخمهای در حال جوجهکشی ثبت کند. کلید تشخیص در این روش، تفاوت در جذب طیفی هموگلوبین بین جنینهای زنده و مرده است.
نتایج و مزایای روش تصویربرداری فراطیفی:
- دقت تشخیص:
- سیستم توانست تخمها را به روش غیرمخرببا دقت ۹۰٪ طبقهبندی کند
- این نتیجه با استفاده از تحلیل تمایزی(Discriminant Analysis) به دست آمده است
- مزایای اجرایی شدن روش:
- بهبود کارایی جوجهکشی: افزایش قابل توجه بازدهی مراکز جوجهکشی
- کاهش خطر آلودگی: حذف به موقع تخمهای نابارور و جنینهای مرده
- بهینهسازی فضا: استفاده کارآمدتر از فضای انکوباسیون
- صرفهجویی انرژی: کاهش مصرف انرژی با حذف زودهنگام تخمهای غیرقابل جوجهکشی
الگوریتمهای یادگیری ماشین برای پیشبینی دقیق وزن
پژوهش در زمینه پایش بهینه رشد بوقلمونها با روشهای نوین:
میریا مولینز و همکارانش در دانشگاه ایالتی پنسیلوانیا (آمریکا) تاکید کردند که دستیابی به رشد ایدهآل بدن بوقلمونها برای تحقق اهداف صنعت طیور شامل موارد زیر حیاتی است.
کاربرد تصویرسازی کامپیوتری و هوش مصنوعی در تخمین وزن بوقلمونها
پژوهشگران از تصویرسازی کامپیوتری و هوش مصنوعی (AI) به عنوان ابزاری کارآمد برای پیشبینی وزن تکبهتک بوقلمونها استفاده کردند. یک مطالعه طولی مشاهدهای در محیط واقعی پرورش انجام شد تا امکان تخمین وزن مرغهای بوقلمون با این فناوری ارزیابی شود.
روششناسی مطالعه با استفاده از تصویربرداری سهبعدی:
این پژوهش از یک سیستم تصویربرداری عمق (depth camera) با چیدمان خاص برای پایش رشد بوقلمونها استفاده کرده است:
- پیکربندی سیستم تصویربرداری:
- دوربین با نمای بالا به پایینروی سقف نصب شد
- تصاویر رنگی (RGB) و عمقاز 25 مرغ بوقلمون در یک آغل ثبت گردید
- این چیدمان امکان اندازهگیری پایداررا فراهم میکند
- مزایای طراحی سیستم:
- حذف موانع دیدناشی از حرکت پرندگان مقابل یکدیگر
- عدم حساسیت به جهت قرارگیری پرندگاننسبت به دوربین
- امکان ثبت دادههای پیوسته و بدون دخالت
- دوره پایش:
- پرندگان از روز 40 تا 106 زندگیتحت نظارت بودند
- این بازه مراحل کلیدی رشدرا پوشش میدهد
نتایج اندازهگیریهای دستی و تحلیل همبستگی:
در این مطالعه، پارامترهای رشد بوقلمونها به صورت سیستماتیک و با فرکانس بالا اندازهگیری شدند:
با توجه به همبستگی قوی طول پشت با سایر پارامترهای آناتومیکی (۰.۹۷ با عرض سینه و ۰.۹۵ با طول سینه)، پژوهشگران عملکرد یک مدل مبتنی بر هوش مصنوعی را مورد ارزیابی قرار دادند:
- پیکربندی مدل:
- الگوریتم انتخابی: Gradient Boosting Trees(GBT)
- ویژگیهای ورودی :
- سن پرنده (Age)
- طول پشت (Back length)
- هدف مدل: پیشبینی دقیق وزن بدن
- مزایای رویکرد انتخابی:
- کاهش ابعاد مسئله با استفاده از تنها دو ویژگی کلیدی
- بهرهگیری از قدرت الگوریتمهای یادگیری تقویتی
- امکان تفسیرپذیری نسبی نتایج
- نتایج عملکرد مدل:
- دقت قابل قبول با حداقل ویژگیهای ورودی
- حفظ کارایی با وجود سادهسازی ورودیها
- تأیید امکان تخمین وزن با اندازهگیریهای محدود اما کلیدی.
ارزیابی عملکرد مدل هوش مصنوعی با معیارهای دقیق آماری:
نتایج ارزیابی مدل Gradient Boosting Trees نشاندهنده دقت قابل توجه در پیشبینی وزن بدن است:
- شاخصهای کلیدی عملکرد:
- خطای مربعات میانگین ریشهای (RMSE):
مقدار: ۹.۴۷% ± ۱.۱۹%
• نشاندهنده انحراف معیار پیشبینیها از مقادیر واقعی - میانگین خطای درصدی مطلق (MAPE):
مقدار: ۷.۴۸% ± ۱.۰۹%
• بیانگر میانگین اختلاف درصدی پیشبینیها از مقادیر واقعی - ضریب تعیین (R²):
مقدار: ۰.۹۶ ± ۰.۰۱
• نشاندهنده تبیین ۹۶% از واریانس دادهها توسط مدل
- تفسیر نتایج:
✓ دقت عالیمدل (R² نزدیک به ۱)
✓ خطای پیشبینی پایین (زیر ۱۰%)
✓ پایداری خوب مدل (انحراف معیار کم در معیارها) - مقایسه با استانداردهای صنعت:
دقت بهدستآمده برای کاربردهای عملیکاملاً قابل قبول است
• از دقت کافی برای تصمیمگیریهای مدیریت گله برخوردار است
• نسبت به روشهای سنتی برتری محسوسی دارد.
پیشرفتهای کلیدی در پایش سهبعدی طیور با فناوری تصویربرداری عمق:
با استفاده از دوربینهای عمق، امکان استخراج ویژگیهای سهبعدی از ناحیه پشت پرنده فراهم شده است که نسبت به اندازهگیری صرفِ «طول پشت»، دادههای جزئیتر و غنیتری ارائه میدهد.
نتایج اولیه پردازش تصاویر با بینایی کامپیوتری:
- دقت (Precision):۰.۹ → نشاندهنده شناسایی دقیق پرندگان در تصاویر (میزان خطای پایین در تشخیص اشتباه)
- امتیاز F1:۰.۸۴ → ترکیب توازنیافتهای از دقت و حساسیت مدل در شناسایی
مزایای استفاده از دادههای سه بعدی :
✅ استخراج پارامترهای جدید :
- انحنای پشت
- حجم بدن
- عدم تقارنهای آناتومیک
✅پایش رشد با جزئیات بیسابقه
✅ شناسایی ناهنجاریهای ساختار اسکلتی (مثل مشکلات پا یا ستون فقرات)
چالشهای فنی پیشرو:
- پردازش حجم بالای دادههای سهبعدی نیاز به سختافزارهای قدرتمند دارد.
- بهینهسازی الگوریتمها برای کاهش خطا در شرایط واقعی (نور متغیر، گردوغبار).
کاربردهای آینده:
این فناوری میتواند پایهای برای سیستمهای تشخیص سلامت استخوانبندی یا پیشبینی بیماریهای اسکلتی در گلهها باشد.
