پایش سلامت دام با مدل‌سازی رفتار نشخوار بر اساس اطلاعات مبتنی بر شتاب‌سنج

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

• الناز واحدی تکمه داش ¹
• حسین نوید ¹
• حمید رضا قاسم زاده ¹
• هادی کریمی ²
• مهسا جوانی هلان ¹

¹ گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

² بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمان، ایران

https://doi.org/10.22067/jam.2024.86082.1216

چکیده

تعاملات رفتاری حیوان با محیط باید به‌طور مداوم نظارت گردد تا مدیریت دقیق با موفقیت اجرا شوند. نشخوار نوعی رفتار دام است که از آن به‌عنوان شاخص سلامت و آسایش دام استفاده می‌شود. کاهش نشخوار دام نشانگر تغییراتی در بدن حیوان است. پایش فرآیند نشخوار کمک می‌‌کند تا بیماری‌هایی مثل کتوز، ورم پستان و غیره را پیش از بروز علائم تشخیص داده و سامانه‌های مدیریت دقیق، امکان نظارت و مدیریت هر دام را به‌صورت مجزا فراهم می‌کنند. با این روش می‌توان نشخوار گاو را پیوسته اندازه‌گیری کرده و از بروز مشکل مطلع شد. مولفه اصلی این سامانه‌ها، مدل‌های تحلیلی هستند که به‌طور خودکار داده‌های حسگر را به دسته‌های مختلف رفتاری تبدیل می‌کنند. هدف از این مطالعه، تفکیک رفتار نشخوار گاو با استفاده از تحلیل داده‌های به‌دست‌آمده از حسگر طراحی‌شده در آزمایشگاه کشاورزی دقیق دانشگاه تبریز و بررسی اثر موقعیت‌های مختلف نصب بود. الگوریتم رگرسیون لجستیک برای آموزش و توسعه مدل طبقه‌بند در نظر گرفته شد. پس از ارزیابی فاکتورهای مختلف و مدل‌سازی مربوطه، نهایتا 4 فاکتور بهینه از آرایه‌های 50تایی انتخاب شدند. ارزیابی مدل طبقه‌بند نهایی با به‌کارگیری شاخص‌های حساسیت، صحت و F-Score به‌ترتیب مقادیر 0.88، 0.94 و 0.91 را نتیجه داد که نشان از دقت بالای مدل بود. پس از تعیین مدل نهایی، ارزیابی میدانی سامانه با اعمال مدل در حسگر طی سه روز انجام شد. نتایج حاصل از آزمون نهایی مدل در مقایسه با مشاهدات بصری نشان از توانایی تشخیص 89.47% و سازگاری بالای برآورد سامانه با مشاهدات میدانی بود.

کلیدواژه‌ها

• حساسیت
• صحت
• طبقه‌بندی
• منحنی ROC

موضوعات

• طراحی و ساخت

©2025 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0).

مراجع

1. Antanaitis, R., Juozaitienė, V., Malašauskienė, D., & Televičius, M. (2019). Can rumination time and some blood biochemical parameters be used as biomarkers for the diagnosis of subclinical acidosis and subclinical ketosis? Veterinary and Animal Science, 8, 100077. https://doi.org/10.1016/j.vas.2019.100077
2. Ayadi, S., Ben Said, A., Jabbar, R., Aloulou, C., Chabbouh, A., & Achballah, A. B. (2020). Dairy cow rumination detection: A deep learning approach. In Distributed Computing for Emerging Smart Networks: Second International Workshop, DiCES-N 2020, Bizerte, Tunisia, December 18, 2020, Proceedings 2 (pp. 123-139). Springer International Publishing. https://doi.org/10.48550/arXiv.2101.10445
3. Beauchemin, K. A. (2018). Invited review: Current perspectives on eating and rumination activity in dairy cows. Journal of Dairy Science, 101(6), 4762-4784. https://doi.org/10.3168/jds.2017-13706
4. Behneghar, H., Majidi, B., & Movaghar, A. (2021). Design of Hardware and Software Platform for Intelligent Automation of Livestock Farming using Internet of Things. Agricultural Mechanization and Systems Research, 22(78), 107-126. https://doi.org/10.22092/amsr.2021.352371.1367
5. Berckmans, D., & Guarino, M. (2017). From the Editors: Precision livestock farming for the global livestock sector. Animal Frontiers, 7(1), 4-5. https://doi.org/10.2527/af.2017.0101
6. Benaissa, S., Tuyttens, F. A., Plets, D., De Pessemier, T., Trogh, J., Tanghe, E., ... & Sonck, B. (2019). On the use of on-cow accelerometers for the classification of behaviours in dairy barns. Research in Veterinary Science, 125, 425-433. https://doi.org/10.1016/j.rvsc.2017.10.005
7. Cavaliere, A., & Ventura, V. (2018). Mismatch between food sustainability and consumer acceptance toward innovation technologies among millennial students: The case of Shelf Life Extension. Journal of Cleaner Production, 175, 641-650. https://doi.org/10.1016/j.jclepro.2017.12.087
8. Chang, A. Z., Fogarty, E. S., Moraes, L. E., García-Guerra, A., Swain, D. L., & Trotter, M. G. (2022). Detection of rumination in cattle using an accelerometer ear-tag: A comparison of analytical methods and individual animal and generic models. Computers and Electronics in Agriculture, 192, 106595. https://doi.org/10.1016/j.compag.2021.106595
9. Cocco, R., Canozzi, M. E. A., & Fischer, V. (2021). Rumination time as an early predictor of metritis and subclinical ketosis in dairy cows at the beginning of lactation: Systematic review-meta-analysis. Preventive Veterinary Medicine, 189, 105309. https://doi.org/10.1016/j.prevetmed.2021.105309
10. Eldesouky, A., Mesias, F. J., Elghannam, A., & Escribano, M. (2018). Can extensification compensate livestock greenhouse gas emissions? A study of the carbon footprint in Spanish agroforestry systems. Journal of Cleaner Production, 200, 28-38. https://doi.org/10.1016/j.jclepro.2018.07.279
11. Fournel, S., Rousseau, A. N., & Laberge, B. (2017). Rethinking environment control strategy of confined animal housing systems through precision livestock farming. Biosystems Engineering, 155, 96-123. https://doi.org/10.1016/j.biosystemseng.2016.12.005
12. Grinter, L. N., Campler, M. R., & Costa, J. H. C. (2019). Validation of a behavior-monitoring collar's precision and accuracy to measure rumination, feeding, and resting time of lactating dairy cows. Journal of Dairy Science, 102(4), 3487-3494. https://doi.org/10.3168/jds.2018-15563
13. Gusterer, E., Kanz, P., Krieger, S., Schweinzer, V., Süss, D., Lidauer, L., ... & Iwersen, M. (2020). Sensor tech0logy to support herd health monitoring: Using rumination duration and activity measures as unspecific variables for the early detection of dairy cows with health deviations. Theriogenlogy, 157, 61-69. https://doi.org/10.1016/j.theriogenology.2020.07.028
14. Javani, M., Navid, H., Karimi, H., Hosseinkhani, A., & Vahedi Tekmehdash, E. (2022). Development of a method to measure cow rumination. Thesis.
15. Liboreiro, D. N., Machado, K. S., Silva, P. R., Maturana, M. M., Nishimura, T. K., Brandão, A. P., ... & Chebel, R. C. (2015). Characterization of peripartum rumination and activity of cows diagnosed with metabolic and uterine diseases. Journal of Dairy Science, 98(10), 6812-6827. https://doi.org/10.3168/jds.2014-8947
16. Meen, G. H., Schellekens, M. A., Slegers, M. H. M., Leenders, N. L. G., van Erp-van der Kooij, E., & Noldus, L. P. (2015). Sound analysis in dairy cattle vocalisation as a potential welfare monitor. Computers and Electronics in Agriculture, 118, 111-115. https://doi.org/10.1016/j.compag.2015.08.028
17. Pahl, C., Hartung, E., Mahlkow-Nerge, K., & Haeussermann, A. (2015). Feeding characteristics and rumination time of dairy cows around estrus. Journal of Dairy Science, 98(1), 148-154. https://doi.org/10.3168/jds.2014-8025
18. Ruuska, S., Hämäläinen, W., Kajava, S., Mughal, M., Matilainen, P., & Mononen, J. (2018). Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural Processes, 148, 56-62. https://doi.org/10.1016/j.beproc.2018.01.004
19. Shen, W., Zhang, A., Zhang, Y., Wei, X., & Sun, J. (2020). Rumination recognition method of dairy cows based on the change of noseband pressure. Information Processing in Agriculture, 7(4), 479-490. https://doi.org/10.1016/j.inpa.2020.01.005
20. Smith, D., Rahman, A., Bishop-Hurley, G. J., Hills, J., Shahriar, S., Henry, D., & Rawnsley, R. (2016). Behavior classification of cows fitted with motion collars: Decomposing multi-class classification into a set of binary problems. Computers and Electronics in Agriculture, 131, 40-50.
21. Stangaferro, M. L., Wijma, R., Caixeta, L. S., Al-Abri, M. A., & Giordano, J. O. (2016). Use of rumination and activity monitoring for the identification of dairy cows with health disorders: Part I. Metabolic and digestive disorders. Journal of Dairy Science, 99(9), 7395-7410. https://doi.org/10.3168/jds.2016-10907
22. Syarif, I., Ahsan, A. S., Al Rasyid, M. U. H., & Pratama, Y. P. (2019, September). Health monitoring and early diseases detection on dairy cow based on internet of things and intelligent system. In 2019 International Electronics Symposium (IES) (pp. 183-188). IEEE. https://doi.org/10.1109/ELECSYM.2019.8901527
23. Topp-Becker, J., & Ellis, J. D. (2017). The role of sustainability reporting in the agri-food supply chain. Journal of Agriculture and Environmental Sciences, 6(1), 17-29. https://doi.org/10.15640/jaes.v6n1a2
24. Wang, L., Xie, Q., & Xu, Y. (2017). Recognition and analysis of ruminating behavior of dairy cows based on wearable device. Animal Environment and Welfare.
25. Zambelis, A., Wolfe, T., & Vasseur, E. (2019). Validation of an ear-tag accelerometer to identify feeding and activity behaviors of tiestall-housed dairy cattle. Journal of Dairy Science, 102(5), 4536-4540. https://doi.org/10.3168/jds.2018-15766
26. Zehner, N., Umstätter, C., Niederhauser, J. J., & Schick, M. (2017). System specification and validation of a noseband pressure sensor for measurement of ruminating and eating behavior in stable-fed cows. Computers and Electronics in Agriculture, 136, 31-41. https://doi.org/10.1016/j.compag.2017.02.021