عنوان

پایش سلامتی دام با مدل‌سازی رفتار نشخوارکنندگی

پ۲۶۹۹۹

per

پایش سلامتی دام با مدل‌سازی رفتار نشخوارکنندگی

الناز واحدی تکمه داش

کشاورزی

۱۴۰۰

۱۰۹ص.

سی دی

کارشناسی ارشد

مهندسی مکانیک بیوسیستم- طراحی و ساخت

۱۴۰۰/۱۱/۱۱

بخش دام¬پروری کشور استعداد زیادی در تولید شیر و گوشت دارد. این دو ماده غذایی که از مهم¬ترین منابع پروتئینی حیوانی می¬باشند همواره در جیره غذایی خانوارها از جایگاه ویژه¬ای برخوردار بوده¬اند. اهمیت و نقش این دو محصول در سبد غذایی، سبب افزایش توجه به سلامتی دام برای تامین آن¬ها شده است. نشخوار از جمله رفتار¬های دام می¬باشد که می¬توان آن را به‌عنوان یکی از شاخص¬های سلامت و آسایش دام تعریف نمود. با توجه به مرتبط بودن میزان نشخوار به چندین عامل متفاوت و نقش موثر آن در فرآیند هضمی گاو شیری، پایش وضعیت نشخوار گاو را از اهمیت خاصی برخوردار کرده است. این رفتار نه تنها به فرآیند¬های متابولیکی گره خورده، بلکه تحت تاثیر سایر اتفاقات فیزیولوژیکی و عوامل تنش¬زا نیز تغییر¬پذیر است. سامانه¬های مدیریت دقیق، امکان نظارت و مدیریت هر دام را به-صورت مجزا فراهم می¬کنند. مولفه اصلی این سامانه¬های مبتنی بر حسگر، مدل¬های تحلیلی است که به¬طور خودکار داده‌های حسگر را به دسته¬های مختلف رفتاری تبدیل می¬کند. هدف از این مطالعه، تفکیک رفتارهای نشخوار گاو با استفاده از حسگر طراحی و ساخته شده در آزمایشگاه کشاورزی دقیق دانشگاه تبریز می‌باشد. در گام نخست این تحقیق، داده‌برداری با نصب حسگر در مکان¬های مختلف گردن گاو انجام شد. با تحلیل داده‌های به‌دست آمده، پوزه گاو به¬عنوان بهترین محل نصب حسگر برای تشخیص رفتار نشخوار تعیین شد. با آموزش داده‌ها به روش رگرسیون لجستیک سعی در تشخیص تمایز بین رفتار نشخوار نسبت به مابقی رفتار¬ها شد. پس از ارزیابی فاکتور¬های مختلف و مدل‌سازی با آن¬ها، در نهایت 4 فاکتور بهینه max.50.mean، var.50.mean، stdv.50.sum و stdv.50.mean انتخاب شدند. نتایج حاصل از مدل‌سازی نهایی برابر با حساسیت 88/0، صحت 94/0و F-Score 91/0و حاکی از دقت طبقه¬بندی بالای این مدل بود. پس از تعیین مدل نهایی با دقت مناسب، ارزیابی سامانه توسعه یافته با اعمال مدل در حسگر در طی سه روز و بازه زمانی دوازده ساعت انجام شد. نتایج حاصل از آزمون نهایی مدل در مقایسه با مشاهدات بصری ثبت شده حاکی از توانایی تشخیص 47/89% توسط حسگر بود و سامانه توسعه یافته سازگاری بالایی با مشاهدات میدانی نشان داد.

The country's livestock sector have great potential for milk and meat production. Milk is one of the most effective food in meeting the supplying the nutritional and protein needs of households and meat is one of the most important sources of animal protein that is always have special importance in the diet of various segments of society. The importance and role of these two products in the food basket has increased the attention to the health of cows to provide them. Ruminant is one of the animal behaviors that can be defined as an indicator of its health and comfort. Due to the relationship between ruminant content and several different factors and its major role in the digestive process of dairy cows, monitoring of ruminant status of cows has received much attention. This behavior is not only tied to metabolic processes but it is also variable under the influence of other physiological events and stressors. Precision management systems for livestock offer the potential to monitor and manage animals on an individual basis. A key component of these sensor based systems are the analytical models that automatically translate sensor data into different behavioral categories. the aim of this study was to distinguish cow ruminant behavior from other behaviors with using a sensor using a sensor designed and built in the precision agricultural laboratory of Tabriz University. In the first step of this research, the initial sensor was prepared and data collection was performed at different times and installed in different places of the cow's neck. By analyzing the obtained data, the best position for installing the sensor to detect the ruminant behavior of cow muzzle was identified. By training the data using logistic regression, an attempt was made to distinguish between ruminant behavior and 0n-ruminant behaviors. By testing different factors and modeling with them, finally 4 optimal factors max.50.mean, var.50.mean, stdv.50.sum and stdv.50.mean were selected. The results of the final modeling are equal to Recall=0.88, Precision=0.94 and F-Score=0.91 which had a high classification accuracy. After determining the final model with appropriate accuracy, final evaluation of the developed system was performed with redata collection by applying the model to the sensor during three days and a period of twelve hours. The results of the final test of the model compared to the recorded visual observations determined a detection power of 89.47% for the sensor. The developed system showed high compatibility with field observations.

Monitoring of Livestock Health Through Rumination Behavior Modeling

‏‏واحدی تکمه داش،

الناز

تهيه کننده

نوید،

قاسم‌زاده،

‏‏کریمی،

حسین

حمیدرضا

هادی

استاد راهنما

استاد راهنما

استاد مشاور

‏ تبریز