ระบบเฝ้าระวังอาการก่อนคลอดของแม่สุกร โดยใช้เทคนิคการเรียนรู้เชิงลึก
คำสำคัญ:
แม่สุกร, การคลอดลูก, การเรียนรู้เชิงลึก, การติดตามวัตถุ, การตรวจจับวัตถุบทคัดย่อ
งานวิจัยนี้มุ่งพัฒนาระบบเฝ้าระวังอาการก่อนคลอดของแม่สุกรด้วยเทคนิคการเรียนรู้เชิงลึกร่วมกับการเก็บรวบรวมข้อมูลจากการสัมภาษณ์และศึกษาพฤติกรรมแม่สุกรในฟาร์มสุกรที่จังหวัดนครปฐม โดยใช้อัลกอริทึม YOLOv7 และ Deep SORT ในการตรวจจับและติดตามการเคลื่อนไหวของวัตถุ จากนั้นแสดงผลไปยังโปรแกรมประยุกต์บนเว็บไซต์และแจ้งเตือนความผิดปกติผ่านแอปพลิเคชันไลน์ จากการทดสอบความถูกต้องและแม่นยำโดยเปรียบเทียบกับการนับจำนวนด้วยคนพบว่า การประมวลผลภาพและท่าทางมีความถูกต้องเฉลี่ยร้อยละ 96.34 ส่วนการแจ้งเตือนผู้เลี้ยงสุกรมีความถูกต้องเฉลี่ยร้อยละ 96.50 แสดงให้เห็นว่าระบบนี้สามารถใช้งานได้จริงในสภาพแวดล้อมคอกสุกรทั่วไป อย่างไรก็ตามหากต้องการนำไปใช้ในโรงเรือนภาคอุตสาหกรรม จำเป็นต้องปรับการเรียนรู้ของโมเดลจากฟาร์มสุกรในสถานที่จริงอีกครั้งเพื่อให้เกิดความแม่นยำในการตรวจจับมากขึ้น
References
กรมปศุสัตว์. แผนที่แสดงความหนาแน่นในการเลี้ยงสัตว์. ระบบเผยแพร่ภูมิสารสนเทศด้านปศุสัตว์ [อินเตอร์เน็ต]. 2563 [เข้าถึงเมื่อ 29 สิงหาคม 2566]. เข้าถึงได้จาก: https://region7.dld.go.th/webnew/images/region7-2562/Yuttasart/dataanimal/province/pig.jpg
ดำรง กิตติชัยศรี, อัจฉรา ภาณุรัตน์, จรัส สว่างทัพ, นฤมล สมคุณา. การพัฒนารูปแบบการเลี้ยงสุกรพื้นเมืองตามปรัชญาของเศรษฐกิจพอเพียงของเกษตรกรรายย่อยในลุ่มน้ำโขงตอนล่างโดยกระบวนการมีส่วนร่วม. แก่นเกษตร 2554;39(1):389-98.
Tuchscherer M, Puppe B, Tuchscherer A, Tiemann U. Early identification of neonates at risk: Traits of newborn piglets with respect to survival. Theriogenology 2000;54(3):371-88.
Koketsu Y, Takenobu S, Nakamura R. Preweaning mortality risks and recorded causes of death associated with production factors in swine breeding herds in Japan. J Vet Med Sci 2006;68(8):821-6.
KilBride AL, Mendl M, Statham P, Held S, Harris M, Cooper S, et al. A cohort study of weaning piglet mortality and farrowing accommodation on 122 commercial pig farms in England. Prev Vet Med 2012(3);104:281-91.
Kirkden RD, Broom DM, Andersen IL. Piglet mortality: The impact of induction of farrowing using prostaglandins and oxytocin. Anim Reprod Sci 2013;138(1):14-24.
Muns R, Nuntapaitoon M, Tummaruk P. Non-infectious causes of preweaning mortality in piglets. Livestock Sci 2016;184:46–57.
มรกต นันทไพฑูรย์, เผด็จ ธรรมรักษ์. อัตราการตายของลูกสุกรก่อนหย่านมในฟาร์มสุกรในประเทศไทยสัมพันธ์กับฤดูกาล จำนวนลูกที่เลี้ยง ลำดับท้องของแม่สุกรและน้ำหนักแรกคลอดของลูกสุกร. ใน: เอกสารประกอบการประชุมทางวิชาการของมหาวิทยาลัยเกษตรศาสตร์ ครั้งที่ 51 วันที่ 5-7 กุมภาพันธ์ 2556. มหาวิทยาลัยเกษตรศาสตร์. กรุงเทพฯ; หน้า 58-64.
Nuntapaitoon M, Tummaruk P. Piglets pre-weaning mortality in a commercial swine herd in Thailand. Trop Anim Health Prod 2015;47:1539–46.
Muns R, Tummaruk P. Management strategies in farrowing house to improve piglet preweaning survival and growth. Thai J Vet Med 2016;46(3):347–54.
วิทวัส สิฏฐกุล, กฤษฎา พนมเชิง, ลัญฉกร วุฒิสิทธิกุลกิจ, วิทยากร อัศดรวิเศษ, ชัยรัต พงศ์พันธุ์ภาณี. การพัฒนาต้นแบบด้วยฟาร์มหมูอัจฉริยะด้วยลอราแวน. วารสารวิชาการ กสทช 2564;215-36.
ปวิชญา สมทรง, สรณ์สิริ คนึงคิด, สุพาพร บรรดาศักดิ์. ระบบฟาร์มไก่ไข่อัจฉริยะที่ทำงานอัตโนมัติด้วยเซนเซอร์และควบคุมได้ด้วยมือถือ. RJST 2563;2(3):167-75.
จันธิรัก น้ำใส, ศรศักดิ์ ทาวงษ์, ภาณุ ดงทอง, ธนะพัฒน์ เชี่ยวชาญวัฒนา, ศรุติ อัศวเรืองสุข. ระบบตรวจจับงูด้วยวิธีการ YOLO ในกรณีตัวอย่างงูเข้าที่พักอาศัย. UJET 2565;1(1):59-72.
สิริทัศน์ เลิศตระกูลถาวร. การพัฒนาระบบนับจำนวนนกแอ่นกินรังด้วย YOLO Object Detection ผ่านกล้องถ่ายภาพความร้อน. วิทยานิพนธ์หลักสูตรปริญญาวิทยาศาสตร์มหาบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ, บัณฑิตวิทยาลัย สถาบันเทคโนโลยีไทย-ญี่ปุ่น. กรุงเทพฯ; 2563.
วิษณุ, โกเมศ, ธนภัทร, ฆังคะจิตร. การติดตามการเคลื่อนที่ของยานพาหนะบนเครื่องคอมพิวเตอร์สมรรถนะต่ำ โดยใช้โมเดลการเรียนรู้เชิงลึกและการติดตามแบบหลายวัตถุ. วารสารบัณฑิตวิทยาลัย 2565;1:18-30.
อัฐพงศ์, สังข์เพ็ชร, วีระ, สอิ้ง. ระบบตรวจนับและจำแนกประเภทยานพาหนะแบบอัตโนมัติ สำหรับถนนในเขตเมือง ด้วยหลักการโครงข่ายแบบคอนโวลูชัน. ใน: เอกสารประกอบการประชุมวิชาการวิทยาการข้อมูล ครั้งที่ 3 วันที่ 30 เมษายน 2566. มหาวิทยาลัยศรีนครินทรวิโรฒ. กรุงเทพฯ; หน้า 109-31.
Qi D, Jianqin Y, Bin W, Wenqing Z. Deep learning based 2D human pose estimation: A survey. TST 2019;24(6):663-76.
Mazzoni C, Scollo A, Righi F, Bigliardi E, Di Ianni F, Bertocchi M, et al. Effects of three different designed farrowing crates on neonatal piglets crushing: Preliminary study. Ital J Anim Sci 2018;17(2):505-10.
Danholt L, Moustsen VA, Nielsen MBF, Kristensen AR. Rolling behaviour of sows in relation to piglet crushing on sloped versus level floor pens. Livestock Sci 2011;141(1):59-68.
Lee DH, Yoon SN. Application of artificial intelligence-based technologies in the healthcare industry: Opportunities and challenges. Int J Environ Res Public Health 2021;18(1):1-18.
Du Y, Zhao Z, Song Y, Zhao Y, Su F, Gong T, et al. StrongSORT: Make DeepSORT Great Again [Internet]. 2022 [cited 2024 Aug 29]. Available from: https://arxiv.org/pdf/2202.13514.pdf
Wojke N, Bewley A, Paulus D. Simple Online and Realtime Tracking with a Deep Association Metric. In: IEEE International Conference on Image Processing (ICIP), September 17-20, 2017; Beijing, China; 2017. p. 3645-9.
Kharchenko V, Chyrka I. Detection of Airplanes on the Ground Using YOLO Neural Network. In: Proceedings of the 17th International Conference on Mathematical Methods in Electromagnetic Theory (MMET); Jul 2-5, 2014; Kyiv, Ukraine; 2018. p. 294-7.
Zhu D, Wang M, Zou Q, Shen D, Luo J. Research on Fruit Category Classification Based on Convolution Neural Network and Data Augmentation. In: Proceedings of the 13th International Conference on Anti-counterfeiting, Security, and Identification (ASID); Oct 25-7, 2019; Xiamen, China; 2019. p. 46-50.
Ge Z, Liu S, Wang F, Li Z, Sun J. Yolox: Exceeding YOLO series in 2021. [Internet]. 2021 [cited 2024 Aug 29]. Available from: https://arxiv.org/abs/2107.08430
Liang G, Zheng L. A transfer learning method with deep residual network for pediatric pneumonia diagnosis. CMPB 2020;187:1049-64.
วิรัช กาฬภักดี, เยาวเรศ กาฬภักดี. ระบบการเฝ้าระวังอาการผิดปกติของแม่สุกรอุ้มท้อง. APHE Journal 2563;9(1):9-20.
Yadav VK, Yadav P, Sharma S. An Efficient Yolov7 and Deep Sort are Used in a Deep Learning Model for Tracking Vehicle and Detection. J Xi’an Shiyou Univ Nat Sci Ed 2022;18(11):759-63.
Yang F, Zhang X, Liu B. Video object tracking based on YOLOv7 and DeepSORT. J Latex Class Files 2015;14(8):2015-8.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2024 วารสารวิทยาศาสตร์และเทคโนโลยี หัวเฉียวเฉลิมพระเกียรติ
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความทุกบทความที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ
