جامعة نيوكاسل تطور نظامًا آليًا للكشف عن العرج في الوقت الفعلي للأبقار الحلوب باستخدام الرؤية الحاسوبية والتعلم العميق

لقد أصبح العرج في الأبقار الحلوب بسبب أمراض مثل الحمى القلاعية مشكلة عالمية لصناعة الثروة الحيوانية. تشير الدراسات العلمية الشعبية ذات الصلة إلى أن هذا لن يؤدي فقط إلى انخفاض إنتاج الحليب وكفاءة الإنجاب لدى الأبقار الحلوب، بل سيؤدي أيضًا إلى القضاء على الأبقار الحلوب قبل الأوان.تظهر البيانات الواردة في تقرير صناعة الألبان الصادر عن خدمة مراقبة صحة الحيوان الوطنية أن 16% من عمليات الإعدام في الأبقار الحلوب ناجمة عن العرج.

لقد أصبح العرج أحد الأزمات الكبرى التي تواجه صناعة الألبان. ولذلك، أصبحت المراقبة المبكرة والوقاية المبكرة وسائل فعالة لحل مشكلة العرج في مزارع الألبان واسعة النطاق. في الماضي، كانت صناعة الألبان تستخدم عمومًا طرق التعريف اليدوية، ولكن هذه الطريقة لها عيوب مثل انخفاض الكفاءة، والتكلفة العالية، والذاتية القوية. وفي هذا السياق،تشهد صناعة الألبان طلبًا متزايدًا على تقنية الكشف الآلي عن العرج لدى الأبقار الحلوب.

في الآونة الأخيرة، قام شون بارني وساتنام ديلاي من جامعة نيوكاسل وأندرو كرو من شركة Fera Science Ltd بتطوير نظام مشترك للكشف عن العرج في الوقت الحقيقي وآلي بالكامل للعديد من الأبقار الحلوب والذي يمكن نشره في جميع أنحاء المزرعة.يستخدم النظام الرؤية الحاسوبية والتعلم العميق لتحليل وضعية وطريقة مشي كل بقرة ضمن مجال رؤية الكاميرا، مع دقة اكتشاف 94%-100%.وقد نشرت نتائج البحث في مجلة Nature.

وقد نشرت النتائج في مجلة Nature.

رابط الورقة:

https://www.nature.com/articles/s41598-023-31297-1#Sec7

مجموعة البيانات التجريبية

في هذه التجربة، سجل الباحثون أولاً تحركات 250 بقرة في مزرعة في المملكة المتحدة، وحصلوا على 25 مقطع فيديو، ثم قاموا بتقسيم كل مقطع فيديو إلى 3600 إطار مكون. ثانياً، قام الباحثون باستخراج إطار واحد في الثانية وشرحه. ومن أجل تحسين قدرة الشبكة على التعميم بشكل أكبر، قاموا بتنزيل 500 صورة مرتبطة بالأبقار من جوجل وعلقوا على 15 نقطة رئيسية لكل بقرة.ومن خلال الجمع بين بيانات البحث عن الصور وبيانات التعليقات التوضيحية الخاصة بنا، حصلنا على قاعدة بيانات تحتوي على ما يقرب من 40 ألف معلومة تعليق توضيحي.

من أجل تقييم أداء الخوارزمية باستخدام البيانات الحقيقية،قام ثلاثة مراقبين معتمدين من AHDB بتسجيل 25 مقطع فيديو في وقت واحد باستخدام نظام تسجيل حركة الأبقار التابع لـ AHDB.يتضمن النظام أربعة مستويات تصنيف: 0 (لا يوجد عرج على الإطلاق)، 1 (ضعف طفيف في الحركة)، 2 (عرج)، و3 (عرج شديد). ويبين الشكل أدناه توزيع التقييمات حسب هؤلاء المراقبين الثلاثة.

يوضح الشكل أن25.2% من الأبقار كان لديها درجة عرج 0 (برتقالي)، 43.2% كان لديها درجة عرج 1 (أخضر)، 25.6% كان لديها درجة عرج 2 (أحمر)، و6.0% أبقار كان لديها درجة عرج 3 (رمادي).

العملية التجريبية والنتائج

استخدمت هذه الدراسةيتم استخدام الكاميرات والشبكات العصبية التلافيفية العميقة (خوارزمية Mask-RCNN، وخوارزمية SORT، وخوارزمية CatBoost) لاكتشاف أوضاع الأبقار المتعددة.قام الباحثون بتتبع النقاط الرئيسية على ظهر البقرة ورأسها في الفيديو واستخرجوا مؤشرات الميزات ذات الصلة للتحليل من أجل الكشف عن درجة العرج.

  خوارزمية تحليل الوضعية 

بعد أن قام الباحثون بتطوير جزء من Mask-RNN (خوارزمية تقسيم الكيان) بأنفسهم،تم إنشاء خوارزمية تحليل الوضعية لتقدير وضعية كل بقرة.تم تدريب الخوارزمية باستخدام 500 صورة من مجموعة بيانات جوجل وصور 189 بقرة من أصل 250، في حين تم استخدام الأبقار الـ 61 المتبقية للتحقق النهائي.

في نفس الوقت،ستقوم الخوارزمية بتحديد 15 نقطة رئيسية بدقة عالية وإخراج الإحداثيات المحددة لكل نقطة لتحليل الوضع.هناك 5 نقاط رئيسية على الظهر ونقطتين رئيسيتين على الرأس.

خوارزمية التتبع 

تعتمد الخطوات المذكورة أعلاه، من تحليل الفيديو إلى إطاراته المكونة إلى شرح النقاط الرئيسية لكل صورة وتطبيق Mask-RNN لتحليل الوضع، على صورة ثابتة واحدة. ولذلك، تحتاج التجربة أيضًا إلى تحليل حركة الأبقار بمرور الوقت. في هذا الصدد،استخدم الباحثون خوارزمية SORT (خوارزمية التتبع في الوقت الحقيقي)، والتي يمكنها اكتشاف وضعية البقرة بمرور الوقت والحصول على مؤشرات مثل منحنى انحدار الظهر، ومنطقة الظهر، ودرجة منحنى انحدار الرقبة وزاوية الرقبة.

تُظهر الصورة العلوية الأبقار الثلاثة في الإطار الأول، وكل منها مُميّزة بلون مختلف. تُظهر الصورة الوسطى حركة الأبقار بعد ثانية واحدة، وقد عثرت خوارزمية التتبع على الأبقار المحددة ونجحت في تمييزها بالألوان المقابلة. وبالمثل، تظهر الصورة السفلية حركة الأبقار بعد ثانية واحدة.

خوارزميات التصنيف 

بعد الحصول على نتائج تحليل الوضعية الناتجة عن نموذج التعلم العميق للوضعية،استخدم الباحثون خوارزمية CatBoost لتسجيل وتصنيف العرج في الأبقار الحلوب.ومن الجدير بالذكر هنا أنه لضمان أقصى قدر من التعميم، يجب استخدام نتائج ميزة الوضع الأكثر أهمية فقط في النموذج المدرب النهائي. لذلك، أجرى الباحثون سلسلة من تحليلات التبديلات المتغيرة وخلصوا في النهاية إلى أن حذف أربعة معلومات غير مهمة للمؤشر يمكن أن يقلل الأخطاء دون التأثير بشكل كبير على أداء النموذج.

وأخيرًا، لاختبار دقة استخدام خوارزمية CatBoost،استخدم الباحثون طرق التحقق الثلاثي والتحقق التصنيفي للتحقق من أداء النموذج.ومن بينها، أظهرت نتائج التحقق الثلاثي المتبادل أن نموذج الخوارزمية يمكنه تصنيف كل بقرة بعناية إلى مستويات مختلفة من درجات العرج وفقًا لدرجة العرج.متوسط الدقة هو 94%±0.05.

باختصار، يقترح الباحثون أنه بالمقارنة مع الأنظمة الحالية للكشف عن العرج في الأبقار الحلوب،يتمتع هذا البحث بالمزايا الهامة التالية:

* القدرة على اختبار أبقار متعددة في وقت واحد.

* يتم تصنيف الأبقار وفقًا لنظام التسجيل AHDB المستخدم بشكل شائع بناءً على حركتها.

* القدرة على تتبع وتحليل كل فرد على مر الزمن.

* آلية بالكامل، لا تؤثر على عملية الحلب أو التغذية أو الإنتاج الآخر.

أخيرا،كما أثار الباحثون عددا من التحديات:

1. كان النظام أقل دقة بكثير في التمييز بين درجات العرج 0 و 1 مقارنة بالتمييز بين الدرجات الأخرى.وفي المستقبل، سوف يركز فريق البحث على تحسين القدرة على اكتشاف الاختلافات الصغيرة في الميزات.للتفريق بشكل دقيق بين الأبقار غير العرجاء والأبقار التي تعاني من مشاكل حركية طفيفة.
2. يتطلب النظام أجهزة طرفية (مثل الكاميرات أو الأجهزة المحمولة أو الأجهزة اللوحية) لإرسال النتائج إلى الخادم للمعالجة، وبالتالي تحقيق المراقبة في الوقت الفعلي.كيفية تقليل التقلبات في الأداء الناجمة عن تغييرات الشبكة؟وسوف يصبح هذا محور الأبحاث المستقبلية.
3. يتأثر النظام بسهولة بالظروف البيئية الخارجية. على سبيل المثال، عندما يكون لون الأرضية وحافر البقرة متشابهًا، سيتم تقليل دقة التعرف لخوارزمية Mask-RCNN.وسوف يصبح إضافة المزيد من التدريب على القدرات العامة أيضًا محورًا للعمل المستقبلي في هذا البحث.

ثور! الذكاء الاصطناعي يقود التحول الرقمي في صناعة الثروة الحيوانية

في الوقت الحالي،من الحقائق التي لا يمكن إنكارها أن رياح الذكاء الاصطناعي قد هبت على صناعة الثروة الحيوانية.مع التركيز على الدول الأجنبية، بالإضافة إلى نتائج البحث العلمي المقدمة في هذه المقالة، نظرًا لارتفاع حجم تربية الحيوانات والأساس الرقمي الجيد،لقد حققت الذكاء الاصطناعي بالفعل الكثير من النتائج.على سبيل المثال، قامت شركة كونيكتيرا، وهي شركة هولندية للتكنولوجيا الزراعية، بتطوير نظام مساعد المزارع الذكي (IDA)، والذي يستخدم أجهزة يمكن ارتداؤها حول أعناق الأبقار لمراقبة صحة الأبقار في الوقت الحقيقي من خلال تنسيق البرمجيات والأجهزة. وفقًا لمربي ماشية أمريكي،ساعد تطبيق IDA في تحسين إنتاجية 10%.

وبالعودة إلى الصين،ومن ناحية أخرى، هناك العديد من الأمثلة على استخدام الذكاء الاصطناعي في صناعة الثروة الحيوانية في السنوات الأخيرة.قبل بضع سنوات، بدأت شركة علي بابا أعمال تربية الخنازير الذكية، كما تعاونت هواوي مع شركة China Telecom وشركة Yinchuan Aotu لإطلاق منتج "Little Shepherd" الذي يعتمد على NB-IoT. ومع ذلك، من ناحية أخرى، نحتاج أيضًا إلى أن نرى أن تغطية تطبيقات الذكاء الاصطناعي في تربية الحيوانات المنزلية لا تزال غير واسعة جدًا. وفي هذا الصدد، قال الرئيس التنفيذي لشركة Shenmu Technology بصراحة ذات مرة:"عندما يتحدث العديد من المزارعين المحليين عن الذكاء الاصطناعي، فإن فهمهم له لا يزال يقتصر على تقنيات التعرف على الوجه والصوت التقليدية."

لذلك، في هذا السياق، كيف يمكن للذكاء الاصطناعي أن يلعب دورا أكثر إيجابية في تعزيز رقمنة تربية الحيوانات؟وسوف يصبح هذا بلا شك أحد المواضيع التي يجب التركيز عليها في مجالات الذكاء الاصطناعي وتربية الحيوانات.وبطبيعة الحال، بالنسبة للمجالات المحلية ذات الصلة، فإن هذا الطريق لا يزال طويلاً وشاقاً.