Husdyrprodusenter står overfor den stadige utfordringen med å overvåke dyrs atferd for tegn på sykdom eller skade.
For å løse dette problemet, har et tverrfaglig team fra University of Nebraska utviklet presisjonsteknologi som hjelper produsenter kontinuerlig å overvåke dyr og bruke dataene for å forbedre kvaliteten. Gruppen inkluderer elektriske ingeniører og informatikere fra Nebraska, samt zoologiske forskere som utviklet et teknologisk system ved hjelp av videoopptak av griser.
Systemet behandler videomateriell mottatt fra husdyrhold døgnet rundt og bruker "maskinlæring" -dataanalysemetoden, som bruker statistiske algoritmer for å hjelpe datasystemer med å forbedre seg uten eksplisitt programmering. Den identifiserer individuelle griser og gir data om deres daglige aktiviteter, for eksempel mat, drikke og bevegelse.Basert på disse dataene kan systemet også estimere hvor mye hver gris veier og hvor raskt den vokser. "Systemet vårt gir en modell for typisk oppførsel," sa Eric Psota, førsteamanuensis, professor i elektro- og datateknikk. “Når et dyr avviker fra dette mønsteret, kan det være et tegn på at noe er galt. Dette gjør det lettere å oppdage problemer før de blir for store til å fikse. ”
Teamet opprettet sitt system ved hjelp av dype læringsnettverk, en form for maskinlæring med millioner av faktorer og parametere. For å identifisere griser på alle sider behandler nettverk store og små bilder, roterer dem og transformerer dem på annen måte.Teamet bruker øremerker for å hjelpe til med identifisering, men søker å stole på unike fysiske egenskaper som for eksempel formen på øret, samtidig som produsentene ivaretar ytterligere merkingsarbeid. Selv om systemet ble designet for å identifisere griser, kan dets algoritmer brukes til andre husdyrtyper, som storfe, hester, geiter og sauer.