DOI: https://doi.org/10.12694/scpe.v25i3.2785
تاريخ النشر: 2024-04-12
المؤلف: Kamalambal Durairaj وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
تبحث الدراسة في مراقبة صحة الأبقار، مع التركيز بشكل خاص على العرج، وهو مصدر قلق اقتصادي كبير في قطعان الألبان، حيث يحتل المرتبة الثالثة بعد العقم والتهاب الضرع. تسلط الدراسة الضوء على أن العرج يمكن أن ينشأ من عوامل وراثية، ونقص التغذية، وظروف بيئية. لمعالجة هذه التحديات، يقترح المؤلفون نظام مراقبة صحة الأبقار الذكي (ScHeMoS) الذي يستخدم مستشعرات إنترنت الأشياء (IoT) لجمع البيانات حول معايير مختلفة مثل الموقع، ودرجة حرارة الجسم، والاستقرار، والتسارع، وعادات التغذية. من خلال استخدام شبكة الذاكرة طويلة وقصيرة الأمد (LSTM)، يتنبأ النظام بالعرج بدقة تبلغ 92.45% ودرجة F1 تبلغ 0.92، مما يوضح فعاليته في مراقبة صحة الأبقار.
تؤكد الخاتمة على فائدة نموذج ScHeMoS في تصنيف الأبقار على أنها متأثرة بالقرون أو لا بناءً على بيانات المستشعر التي تعكس أنشطتها، مثل الحركة، والجلوس، والمشي، والرعي، والشرب. ينبه النموذج المزارعين عندما تتجاوز احتمالية العرج عتبة محددة، مما يسهل التدخل في الوقت المناسب. بالإضافة إلى ذلك، تشير الدراسة إلى أن نموذج LSTM يقلل من التعقيد الحسابي وتخزين الذاكرة مقارنة بالطرق الحالية. ومع ذلك، تعترف أيضًا بالقيود، مثل اعتماد النموذج على كمية كبيرة من بيانات الإدخال للتنبؤات الدقيقة، مما يشير إلى أن البيانات غير الكافية قد تؤدي إلى انخفاض الدقة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الطلب المتزايد على حليب الأبقار في الهند، مدفوعًا بزيادة عدد المستهلكين، والدخول، واهتمام متزايد بالتغذية. على الرغم من شعبية منتجات الألبان المبسترة والمعبأة، لا يزال العديد من المستهلكين يفضلون الحليب الخام بسبب انتعاشه المتصور. تؤكد الورقة على التأثير الكبير للصحة على إنتاجية الأبقار الحلوب، مشيرة إلى أن الأبقار الصحية يمكن أن تنتج من 12 إلى 15 لترًا من الحليب يوميًا، بينما قد تنتج الأبقار المريضة فقط من 3 إلى 8 لترات. العرج، وهو قضية رفاهية رئيسية، لا يسبب الألم فحسب، بل يقلل أيضًا من إنتاجية الحليب ومعدلات الخصوبة بين الأبقار المتأثرة.
لمعالجة هذه التحديات، يقترح المؤلفون نظام مراقبة صحة الأبقار الذكي (SCHeMoS)، وهو جهاز قابل للارتداء مصمم لتنبيه المزارعين والأطباء البيطريين حول حالة صحة الأبقار. يهدف هذا النظام إلى تسهيل المراقبة المستمرة لسلوك الحيوان وصحته، باستخدام إنترنت الأشياء ونماذج LSTM للكشف الدقيق عن الأمراض. يُقال إن نموذج SCHeMoS المقترح يحقق دقة تبلغ 92.45% في تحديد العرج في الأبقار، متفوقًا على الطرق الحالية. توضح الورقة هيكل الأقسام التالية، والتي تشمل مراجعة الأدبيات، تفاصيل النهج المقترح، تفاصيل التنفيذ، النتائج، والاستنتاجات.
النتائج
تشير النتائج إلى أن نموذج الذاكرة طويلة وقصيرة الأمد (LSTM) الذي تم تطويره للكشف عن عرج الأبقار يظهر أداءً قويًا بشكل عام، على الرغم من أنه يواجه صعوبة في التنبؤات بالنسبة للذكور من سلالة البراهمان، على الأرجح بسبب أنماط حركتهم المحدودة. يتنبأ النموذج بشكل فعال بالحركة النشطة، مما يشير إلى ملاءمته لهذه المهمة. تم حساب المقاييس الرئيسية، بما في ذلك الدقة، والاسترجاع، والدقة، ودرجة F1، لتقييم أداء النموذج، حيث تم تعريف الدقة على أنها
\[
\text{الدقة} = \frac{tr_{pst} + tr_{ngt}}{tr_{pst} + tr_{ngt} + fp_{pst} + fp_{ngt}}.
\]
تلخص مصفوفة الالتباس (الشكل 5.1) بصريًا نتائج التصنيف، مما يكشف أن النهج المقترح يتفوق على الطرق الحالية، كما هو موضح في الجدول 5.2.
تحسنت دقة التدريب والاختبار مع زيادة بيانات الإدخال، واستقرت عند معدل تعلم قدره 0.001 وحققت خسارة تدريب قدرها 0.2016 بعد 120 دورة. توضح منحنى خصائص التشغيل (ROC) (الشكل 5.3) أداء النموذج، حيث تم الوصول إلى أقصى دقة تبلغ 92.45% عند الدورة 120. وهذا يشير إلى أن نموذج SCHeMoS القائم على LSTM مناسب تمامًا لتحليل وتصنيف بيانات السلاسل الزمنية المتعلقة بعرج الأبقار.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على أهمية مراقبة صحة الأبقار، خاصةً لتوقع إنتاج الحليب، وهو أمر حيوي لدخل المزارعين. تم استكشاف طرق مختلفة، بما في ذلك المراقبة المعتمدة على الفيديو وتقنيات التعلم الآلي (ML)، لتقييم سلوكيات الأبقار واكتشاف مشكلات الصحة مثل العرج. من الجدير بالذكر أن الأنظمة المعتمدة على أجهزة قياس التسارع أظهرت وعدًا في تصنيف حركات الأبقار بدقة وتحديد الشذوذ، مع دقة مُبلغ عنها تتجاوز 85% للكشف عن العرج. يؤكد المؤلفون على الحاجة إلى خوارزميات قوية ومجموعات بيانات متنوعة لتعزيز موثوقية هذه الأنظمة المراقبة.
يقدم العمل المقترح نموذج الذاكرة طويلة وقصيرة الأمد (LSTM) المصمم لتصنيف سلوكيات الأبقار المتعلقة بالعرج. توضح الدراسة عملية جمع البيانات، التي تضمنت جمع بيانات مستشعرات واسعة من سلالات مختلفة من الأبقار على مدى 35 يومًا. خضعت البيانات لتنظيف صارم ومعالجة مسبقة لضمان الدقة قبل إدخالها في نموذج LSTM. تم تحسين بنية النموذج للتعامل مع الاعتماديات طويلة الأمد وتخفيف مشكلات تلاشي التدرج، محققة دقة تبلغ 92.45% في توقع العرج. تختتم الدراسة بأن نظام المراقبة المطور، SCHeMoS، يقلل بشكل فعال من التعقيد الحسابي ويعزز دقة التنبؤ، على الرغم من أنها تعترف بالقيود المتعلقة بحجم البيانات والدقة المحتملة مع مجموعات البيانات الأصغر.
DOI: https://doi.org/10.12694/scpe.v25i3.2785
Publication Date: 2024-04-12
Author(s): Kamalambal Durairaj et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
The research investigates the health monitoring of cows, particularly focusing on lameness, which is a significant economic concern in dairy herds, ranking third after infertility and mastitis. The study highlights that lameness can arise from genetic factors, nutritional deficiencies, and environmental conditions. To address these challenges, the authors propose a Smart Cow Health Monitoring System (ScHeMoS) that utilizes Internet of Things (IoT) sensors to collect data on various parameters such as position, body temperature, stability, acceleration, and feeding habits. By employing a Long Short Term Memory (LSTM) network, the system predicts lameness with an accuracy of 92.45% and an F1 score of 0.92, demonstrating its effectiveness in monitoring cow health.
The conclusion emphasizes the utility of the ScHeMoS model in classifying cows as hoof-affected or not based on sensor data reflecting their activities, such as moving, sitting, walking, grazing, and drinking. The model alerts farmers when the likelihood of lameness exceeds a specified threshold, thus facilitating timely intervention. Additionally, the research notes that the LSTM model reduces computational complexity and memory storage compared to existing methods. However, it also acknowledges limitations, such as the model’s dependence on a substantial amount of input data for accurate predictions, indicating that insufficient data may lead to decreased accuracy.
Introduction
The introduction of the research paper highlights the increasing demand for cow’s milk in India, driven by rising consumer numbers, incomes, and a growing interest in nutrition. Despite the popularity of pasteurized and packaged dairy products, many consumers still prefer raw milk due to its perceived freshness. The paper emphasizes the significant impact of health on dairy cow productivity, noting that healthy cows can produce 12 to 15 liters of milk daily, while diseased cows may yield only 3 to 8 liters. Lameness, a major welfare issue, not only causes pain but also reduces milk productivity and fertility rates among affected cows.
To address these challenges, the authors propose a Smart Cow Health Monitoring System (SCHeMoS), a wearable device designed to alert farmers and veterinarians about the health status of cows. This system aims to facilitate continuous monitoring of animal behavior and health, utilizing IoT and LSTM models for accurate disease detection. The proposed SCHeMoS model reportedly achieves an accuracy of 92.45% in identifying lameness in cows, outperforming existing methods. The paper outlines the structure of the subsequent sections, which include a literature review, details on the proposed approach, implementation specifics, results, and conclusions.
Results
The results indicate that the Long Short-Term Memory (LSTM) model developed for cow lameness detection demonstrates strong overall performance, although it struggles with predictions for Brahman males, likely due to their limited movement patterns. The model effectively predicts active movement, suggesting its suitability for the task. Key metrics, including accuracy, recall, precision, and F1 score, were calculated to evaluate the model’s performance, with accuracy defined as
\[
\text{Accuracy} = \frac{tr_{pst} + tr_{ngt}}{tr_{pst} + tr_{ngt} + fp_{pst} + fp_{ngt}}.
\]
The confusion matrix (Fig. 5.1) visually summarizes the classification outcomes, revealing that the proposed approach outperforms existing methods, as detailed in Table 5.2.
Training and testing accuracy improved with increased input data, stabilizing at a learning rate of 0.001 and achieving a training loss of 0.2016 after 120 epochs. The Receiver Operating Characteristic (ROC) curve (Fig. 5.3) illustrates the model’s performance, with a maximum accuracy of 92.45% reached at the 120th epoch. This indicates that the LSTM-based SCHeMoS model is well-suited for analyzing and classifying time-series data related to cow lameness.
Discussion
The discussion section of the research paper highlights the importance of cow health monitoring, particularly for predicting milk production, which is vital for farmers’ income. Various approaches, including video-based monitoring and machine learning (ML) techniques, have been explored to assess cow behaviors and detect health issues such as lameness. Notably, accelerometer-based systems have shown promise in accurately categorizing cow movements and identifying anomalies, with reported accuracies exceeding 85% for lameness detection. The authors emphasize the need for robust algorithms and diverse datasets to enhance the reliability of these monitoring systems.
The proposed work introduces a Long Short-Term Memory (LSTM) model designed to classify cow behaviors related to lameness. The study details the data collection process, which involved gathering extensive sensor data from different cow breeds over 35 days. The data underwent rigorous cleaning and preprocessing to ensure accuracy before being input into the LSTM model. The model’s architecture is optimized for handling long-term dependencies and mitigating vanishing gradient issues, achieving an accuracy of 92.45% in predicting lameness. The research concludes that the developed monitoring system, SCHeMoS, effectively reduces computational complexity and enhances prediction accuracy, although it acknowledges limitations related to data volume and potential inaccuracies with smaller datasets.