Tausta
Sian käyttäytymistä ja terveyttä voidaan seurata koulutetun henkilöstön toimesta päivittäisissä rutiineissa sikalassa. Hoitajat eivät kuitenkaan yleensä vietä pitkiä aikoja eläimiä tarkkaillen, ja käyttäytymisen muutokset voivat olla hienovaraisia. Siksi käyttäytymisen, esimerkiksi hännänpuremisen, ja terveyden muutokset tapahtuvat usein huomaamatta tai vain silloin, kun oireet ovat jo vakavia. Modernit kamerat ja anturit voivat olla apuna seurantaan. Lisäksi ympäristöä mittaavat anturit voivat myös tarjota tietoa, joka ei perustu eläimiin, vaan karsinaan tai rakennukseen. Monimodaalinen tekoäly yhdistää erilaisia datavirtoja, kuten visuaalista, auditiivista ja fysiologista tietoa, tarjoten kattavamman ja tarkemman kuvan eläinten käyttäytymisestä ja terveydestä kuin pelkät inhimilliset havainnot, ja se voi havaita terveysongelmien varhaisia merkkejä.
Viimeaikaiset edistysaskeleet syväoppimisalgoritmeissa ovat parantaneet käyttäytymisen tunnistuksen tarkkuutta visuaalisista tiedoista ja varhaisten sairauden merkkien havaitsemista ääntelyn muutoksista, jotka voivat viitata epämukavuuteen tai ahdistukseen. Tekoälyjärjestelmät voivat havaita epänormaaleja käyttäytymismalleja, kuten aggressiota, väsyneisyyttä tai huonoja ruokailutottumuksia, jotka viittaavat mahdollisiin terveysongelmiin. Näiden käyttäytymisten seuraaminen reaaliajassa mahdollistaa varhaisen puuttumisen ja paremman yksittäisten sikojen hoidon.
Tutkimuksen tavoitteet
- Luoda pilotointiympäristö Längelmäen sikatestausasemalle.
- Kouluttaa tekoälymalli käyttämällä antureilta, kameroilta ja ruokintalaitteista saatuja tietoja eläinten käyttäytymismuutosten tunnistamiseksi ja ottaa käyttöön koulutettu tekoälymalli Längelmäen testiasemalla.
- Seuraava vaihe on kehittää tekoälypohjaisia algoritmeja, jotka voivat tunnistaa eläimiä kameroiden avulla. Tämä tarjoaa pohjan uusien käyttäytymisfenotyyppien ja eläinten terveys- ja hyvinvointifenotyyppien määrittämiselle.
Aineisto ja menetelmät
Digitaalinen ympäristö perustetaan Längelmäen testiasemalle. Dataa kerätään kameroista ja antureista, jotka on asennettu valvontaan määriteltyyn alueeseen, ja jotka tallentavat jatkuvasti sekä eläinten käyttäytymistä että ympäristöolosuhteita. Kameran videodata tallentaa eläinten aktiivisuutta, tarjoten visuaalisia havaintoja käyttäytymisestä.
Vaikutus
Tämän projektin lopullinen tavoite on kehittää menetelmä ja malli, joka hyödyntää kameroita ja/tai antureita kaupallisilla tiloilla eläinten hyvinvointia parantavana ja hännänpuremasta tai muista käyttäytymis- ja terveysongelmista aiheutuvien työvoima- ja muiden kustannusten vähentämisen välineenä. Kasvatussektorilla voidaan käyttää kerättyä dataa, mukaan lukien automaattisten ruokintajärjestelmien tuottama data, uusien fenotyyppien luomiseksi, joita voidaan käyttää jalostusohjelmissa eläinten hyvinvoinnin ja terveyden parantamiseksi. Tämä vaatii myös eläinten automaattista tunnistamista videomateriaalista syväoppimisalgoritmeilla. Menetelmää voidaan soveltaa myös porsaiden synnytyshuoneissa valvomaan emakoiden äitiyspiirteitä vapaasti kasvatettavissa olosuhteissa. Tämä projekti on myös ensimmäinen askel kehittää menetelmä, jolla voidaan ennustaa terveysongelmia päiviä etukäteen käyttäytymismuutosten perusteella.
Hankkeen toteuttaminen
Hankkeen vastuullinen johtaja on professori Pekka Uimari. Hankkeen toteutuksen suunnittelusta ja seurannasta vastaavat Uimarin lisäksi professori Anna Valros (kotieläinten hyvinvointi, erityisasiantuntemus sikojen käyttäytymisestä ja hännänpurennasta) ja apulaisprofessori Xiang Su (hajautetut AI -teknologiat maataloudessa, erityisasiantuntemus AI-teknologiasta ja sen tuottaman aineiston analysoinnista). Hankeen toteutuksesta vastaa Ph.D. Mohammad Momeny. Hankkeeseen palkataan myös projektityöntekijä aineiston annotointia varten. Hanke toteutetaan yhteistyössä Figen Oy:n kanssa, jonka yhdyshenkilönä toimii Timo Serenius.