DOI: https://doi.org/10.5713/ab.260154
PMID: https://pubmed.ncbi.nlm.nih.gov/41947299
تاريخ النشر: 2026-03-31
المؤلف: Mingyung Lee وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم هذه القسم نظرة عامة على التقدم في تربية الماشية الدقيقة (PLF) ضمن إنتاج الألبان، مع التركيز على دور المستشعرات الحيوية في المراقبة واتخاذ القرار. يصنف المستشعرات الحيوية بناءً على موقع الاستشعار—عند الحيوان، بالقرب من الحيوان، ومن الحيوان—مبرزًا التبادلات المتعلقة بالتدخل، وقابلية التوسع، والصيانة، والخصوصية التشخيصية. تؤكد المراجعة على أهمية تحويل بيانات المستشعر الخام إلى مؤشرات قابلة للتفسير ومخرجات قابلة للتنفيذ، مؤكدة أن قيمة هذه التقنيات تكمن في قدرتها على تسهيل التفسيرات الموثوقة والتدخلات في الوقت المناسب بدلاً من مجرد القياسات.
تؤكد الاستنتاجات على الانتقال من الاستشعار الكيميائي التقليدي إلى أساليب الاستشعار الحيوي متعددة الوسائط، بما في ذلك المراقبة السلوكية والصوتية. التحدي الرئيسي الآن هو ضمان تحويل الإشارات الملتقطة بشكل موثوق إلى معلومات قابلة للتنفيذ تدعم اتخاذ القرارات المتسقة في المزارع. من المتوقع أن تركز التطورات المستقبلية على تعزيز متانة وثبات المستشعرات الحيوية، وتحسين جمع البيانات، ودمج هذه التقنيات في أنظمة قائمة على السحابة مع دعم اتخاذ القرار المعزز بالذكاء الاصطناعي. تؤكد المراجعة على ضرورة التشغيل البيني والتوحيد القياسي لضمان أن تكون ادعاءات الأداء قابلة للتطبيق عبر مزارع مختلفة، مما يمكّن في النهاية من الرعاية الفردية، وتقليل التدخلات غير الضرورية، وتعزيز الرفاهية والاستدامة في تربية الألبان.
مقدمة
تناقش مقدمة ورقة البحث المشهد المتطور لإنتاج الماشية، المدفوع بالطلبات المتزامنة للكفاءة الاقتصادية، ورفاهية الحيوان، والاستدامة البيئية. وقد أدى ذلك إلى تحول في النموذج من زيادة الإنتاج إلى تحسينه من خلال التغذية الدقيقة. أصبح المنتجون الآن مكلفين بتقليل إفراز المغذيات والآثار البيئية مع ضمان الحفاظ على الإنتاجية ورفاهية الحيوان.
لقد حولت التطورات الأخيرة في تكنولوجيا المستشعرات والذكاء الاصطناعي (AI) تربية الماشية الدقيقة (PLF) بشكل كبير من نهج المراقبة السلبية إلى نظام إدارة تنبؤي نشط. تتميز PLF بقدرتها على الاستفادة من بيانات طولية عالية الدقة لإبلاغ قرارات الإدارة القابلة للتنفيذ على مستوى الحيوان الفردي، مما يعزز الكفاءة العامة والاستدامة في المزرعة.
نقاش
في قسم النقاش من ورقة البحث، يستكشف المؤلفون تطور وتصنيف المستشعرات الحيوية في تربية الماشية الدقيقة (PLF)، وخاصة في علم الألبان. تقليديًا، كانت المستشعرات الحيوية تُعرف كأجهزة تحليلية لاختبار منتجات الألبان، تتكون من عنصر التعرف الحيوي، ومحول، ومصدر طاقة. ومع ذلك، في سياق PLF، يتوسع التعريف ليشمل أنماط استشعار متنوعة—مثل مستشعرات الفيديو والصوت—التي تسهل المراقبة المستمرة للبيانات الفسيولوجية والسلوكية من الماشية. يبرز هذا التحول الحاجة إلى نظام مراقبة قوي يدمج تدفقات بيانات متعددة لدعم قرارات الإدارة في الوقت الحقيقي، بدلاً من الاعتماد فقط على القياسات الكيميائية الحيوية.
يصنف المؤلفون مستشعرات PLF الحيوية إلى ثلاثة أنواع: مستشعرات “عند الحيوان”، و”بالقرب من الحيوان”، و”من الحيوان”. توفر مستشعرات عند الحيوان، مثل الأجهزة القابلة للارتداء، تتبعًا مستمرًا للمعلمات الفسيولوجية والسلوكية للحيوانات الفردية، مما يمكّن من التدخلات في الوقت المناسب. تراقب مستشعرات بالقرب من الحيوان الظروف البيئية وخصائص الحيوان من مسافة، مما يسهل المراقبة على مستوى القطيع مع الحد الأدنى من الإزعاج. تحلل مستشعرات من الحيوان عينات بيولوجية، مثل الحليب، لتوفير معلومات تشخيصية. لا تنظم هذه التصنيف التقنيات حسب سياق تشغيلها فحسب، بل تبرز أيضًا أدوارها التكميلية في استراتيجية شاملة لمراقبة المزرعة. يؤكد النقاش على أهمية دمج هذه الأنظمة المستشعرات الحيوية في بنية متماسكة تعزز اتخاذ القرار من خلال نقل البيانات الموثوقة، والتحليلات، والتصور، مما يحسن في النهاية إدارة الماشية ورفاهيتها.
القيود
يسلط قسم القيود الضوء على أن التنفيذ الناجح لأنظمة الاستشعار الحيوي في تربية الماشية الدقيقة (PLF) يتجاوز مجرد دقة النموذج. لكي يتم اعتماد هذه الأنظمة على المدى الطويل، يجب أن تظهر موثوقية في بيئات الحظائر الصعبة، وتتكامل بسلاسة في سير العمل الحالي، وتضمن رفاهية الحيوانات، وتوفر فوائد اقتصادية ملموسة.
يمكن أن تعيق عدة قيود عملية التنفيذ هذه، بما في ذلك القضايا المتعلقة بجودة الإشارة، ومتانة وتركيب المستشعرات، وتحديات الاتصال وإمدادات الطاقة، وفعالية التنبيهات وواجهات المستخدم. إن معالجة هذه العوامل أمر حاسم للحفاظ على فعالية وقبول تقنيات PLF في البيئات الزراعية.
DOI: https://doi.org/10.5713/ab.260154
PMID: https://pubmed.ncbi.nlm.nih.gov/41947299
Publication Date: 2026-03-31
Author(s): Mingyung Lee et al.
Primary Topic: Smart Agriculture and AI
Overview
The section provides an overview of advancements in precision livestock farming (PLF) within dairy production, focusing on the role of biosensors in monitoring and decision-making. It categorizes biosensors based on their sensing locus—at-animal, near-animal, and from-animal—highlighting the trade-offs related to invasiveness, scalability, maintenance, and diagnostic specificity. The review emphasizes the importance of transforming raw sensor data into interpretable indicators and actionable outputs, asserting that the value of these technologies lies in their ability to facilitate reliable interpretations and timely interventions rather than mere measurements.
The conclusions underscore the transition from traditional biochemical sensing to multimodal biosensing approaches, including behavioral and audio monitoring. The primary challenge now is ensuring that captured signals are reliably transformed into actionable information that supports consistent decision-making on farms. Future advancements are expected to focus on enhancing the robustness and consistency of biosensors, improving data acquisition, and integrating these technologies into cloud-based systems with AI-assisted decision support. The review stresses the necessity of interoperability and standardization to ensure that performance claims are applicable across various farms, ultimately enabling individualized care, reducing unnecessary interventions, and promoting welfare and sustainability in dairy farming.
Introduction
The introduction of the research paper discusses the evolving landscape of livestock production, driven by the simultaneous demands for economic efficiency, animal welfare, and environmental sustainability. This has led to a paradigm shift from maximizing production to optimizing it through precision feeding. Producers are now tasked with minimizing nutrient excretion and environmental impacts while ensuring productivity and animal welfare are upheld.
Recent advancements in sensor technology and artificial intelligence (AI) have significantly transformed precision livestock farming (PLF) from a passive monitoring approach to a proactive predictive management system. PLF is characterized by its ability to leverage high-resolution longitudinal data to inform actionable management decisions at the individual-animal level, thereby enhancing overall farm efficiency and sustainability.
Discussion
In the discussion section of the research paper, the authors explore the evolution and classification of biosensors in precision livestock farming (PLF), particularly in dairy science. Traditionally, biosensors were defined as analytical devices for dairy product testing, comprising a biorecognition element, a transducer, and a power source. However, in the context of PLF, the definition expands to include various sensing modalities—such as video and audio sensors—that facilitate continuous monitoring of physiological and behavioral data from livestock. This shift emphasizes the need for a robust monitoring system that integrates multiple data streams to support real-time management decisions, rather than relying solely on biochemical measurements.
The authors categorize PLF biosensors into three types: ‘at-animal’, ‘near-animal’, and ‘from-animal’ sensors. At-animal sensors, such as wearable devices, provide continuous tracking of individual animals’ physiological and behavioral parameters, enabling timely interventions. Near-animal sensors monitor environmental conditions and animal characteristics from a distance, facilitating herd-level surveillance with minimal disturbance. From-animal sensors analyze biological samples, such as milk, to provide diagnostic information. This classification not only organizes technologies by their operational context but also highlights their complementary roles in a comprehensive farm monitoring strategy. The discussion underscores the importance of integrating these biosensor systems into a cohesive architecture that enhances decision-making through reliable data transmission, analytics, and visualization, ultimately improving livestock management and welfare.
Limitations
The section on limitations highlights that the successful implementation of PLF (Precision Livestock Farming) biosensing systems extends beyond mere model accuracy. For these systems to be adopted long-term, they must demonstrate reliability in challenging barn environments, integrate seamlessly into existing workflows, ensure the welfare of animals, and provide tangible economic benefits.
Several practical limitations can hinder this process, including issues related to signal quality, the durability and attachment of sensors, communication and power supply challenges, and the effectiveness of alerts and user interfaces. Addressing these factors is crucial for the sustained efficacy and acceptance of PLF technologies in agricultural settings.