Les éleveurs sont confrontés au défi constant de surveiller le comportement des animaux à la recherche de signes de maladie ou de blessure.
Pour résoudre ce problème, une équipe interdisciplinaire de l'Université du Nebraska a développé une technologie de précision qui aide les fabricants à surveiller en permanence les animaux et à utiliser les données pour améliorer leur qualité. Le groupe comprend des ingénieurs électriciens et informaticiens du Nebraska, ainsi que des zoologues qui ont développé un système technologique utilisant des enregistrements vidéo de porcs.
Le système traite le matériel vidéo reçu des fermes d'élevage 24 heures sur 24 et utilise la méthode d'analyse de données «d'apprentissage automatique», qui utilise des algorithmes statistiques pour aider les systèmes informatiques à s'améliorer sans programmation explicite. Il identifie les porcs individuels et fournit des données sur leurs activités quotidiennes, telles que la nourriture, les boissons et les mouvements.Sur la base de ces données, le système peut également estimer le poids de chaque porc et sa vitesse de croissance. "Notre système fournit un modèle de comportement typique", a déclaré Eric Psota, professeur agrégé, professeur de génie électrique et informatique. «Lorsqu'un animal s'écarte de ce schéma, cela peut être le signe que quelque chose ne va pas. Cela facilite la détection des problèmes avant qu'ils ne deviennent trop importants pour être résolus. »
L'équipe a créé son système en utilisant des réseaux d'apprentissage profond, une forme d'apprentissage automatique avec des millions de facteurs et de paramètres. Pour identifier les porcs de tous les côtés, les réseaux traitent des images grandes et petites, les font pivoter et les transforment autrement.L'équipe utilise des étiquettes d'oreille pour faciliter l'identification, mais cherche à s'appuyer sur des caractéristiques physiques uniques telles que la forme de l'oreille, tout en préservant le travail d'étiquetage supplémentaire des producteurs. Bien que le système ait été conçu pour identifier les porcs, ses algorithmes peuvent être utilisés pour d'autres types de bétail, tels que les bovins, les chevaux, les chèvres et les moutons.