Aby se předešlo finančním ztrátám a problémům s welfare, je nezbytné včasné a přesné odhalení kulhání a léčba. Nejběžnější metodou hodnocení kulhání je vizuální bodování, které se snadno používá a levně implementuje, ale je náročné na čas a práci a problémům s omezeným lidským vizuálního vnímání. Automatizované metody detekce, které se nespoléhají na lidské oči, proto mohou nabídnout způsob, jak přesněji identifikovat kulhání v intenzivních systémech produkce prasat.
Co je to smart chov prasat?
V moderních systémech produkce prasat potřebují zemědělci spolehlivé a cenově dostupné technologie, které jim pomohou při každodenních úkolech a zaručuje přesné a nepřetržité individuální sledování prasat. Aplikace inženýrských technik pro monitorování, modelování a řízení produkce prasat se nazývá inteligentní chov prasat. Jejím cílem je zvýšit schopnost zemědělce udržovat kontakt s jednotlivými prasaty v rostoucí intenzifikaci chovu a předcházet problémům se zdravím, welfare a managementem.
Senzory aplikované při inteligentní detekci kulhání
Chcete-li vybrat vhodný senzor pro inteligentní detekci kulhání, je nezbytné mít hluboké znalosti o potenciálech, schopnostech a omezeních každého senzoru. Senzory používané při inteligentní detekci kulhání jsou popsány níže.
Akcelerometr
Traulsen et al. (2016) a Scheel et al. (2017) ukázali, že měření pomocí ušních senzorů lze použít k popisu vzorce aktivity prasnice a detekci kulhání. Ringgenberg et al. (2010) navrhli, že individuální kalibrace by zvýšila výkon akcelerometru a může být použita k detekci postojů a počtu kroků zadních končetin u prasnic.
Kamery
Stavrakakis et al.(2015) rozlišovali zvuk od chromých prasat videozáznamem a sledováním trajektorií chůze střední linie hřbetních tělesných oblastí a výšky krku během chůze. V jiné studii Stavrakakis et al.(2015) ukázali, že poměr délky kroku by mohl identifikovat až 74 % prasat, u kterých se následně vyvinulo kulhání. Lind et al.(2005) a Kongsro et al.(2013) zjistili, že digitální sledovací systém založený na videu pro automatické sledování pohybového chování prasat byl levný, vysoce spolehlivý a přesný. Kashiha et al.(2014) ukázali, že pohyb prasat ve skupině lze určit pomocí analýzy obrazu s přesností 89,8 %.
Tlaková podložka a silová deska
Meijer et al.(2014) měřili základní kinetické údaje o chůzi a jejím podélném vývoji a doporučili tlakovou podložku jako objektivní, replikovatelný nástroj pro analýzu a kvantifikaci prasečí chůze. Pluym et al.(2013) vyvinuli slibný detekční systém založený na proměnných postoje odvozených z analýzy silových desek a vizuálních proměnných postoje odvozených ze zpracování obrazu. McNeil et al.(2019) uvedli, že měření silových destiček by mohlo detekovat kulhání téměř o 5 dní dříve než pomocí vizuálního bodovacího systému. K posouzení citlivosti a specifičnosti opatření v praktických podmínkách jsou zapotřebí rozsáhlejší studie
Multisenzorové systémy
Grégoire et al.(2013) a Chapinal et al.(2011) zjistili, že kvantitativní proměnné (zrychlení nohou a zad při chůzi) získané z kinematiky a akcelerometrů se ukázaly jako úspěšné při identifikaci spolehlivých ukazatelů kulhání prasnic.
Závěr
Aby bylo možné mít komerčně vhodný automatický identifikační systém založený na akcelerometru pro nástup kulhání, jsou zapotřebí rozsáhlejší studie, které posoudí citlivost a specifičnost opatření v praktických podmínkách. Digitální sledovací systém založený na videu je přesný, levný a spolehlivý. Další zachycené údaje jsou však potřebné ke standardizaci sledování zvířat, aby byl zajištěn robustní systém pro prostředí farmy. Tlaková rohož a silová deska mají slibný potenciál pro podporu budoucího objektivního výzkumu kulhání, ale problém může nastat při samotné manipulaci. Je však zapotřebí více měření a obzvláště dobrého softwaru, aby byl k dispozici robustní systém pro zemědělské prostředí. Kromě toho, aby bylo možné vyvinout správný systém detekce kulhání, je třeba kombinovat data z různých zdrojů v přístupu s více proměnnými.
Pig Progress
