Farrowing Monitoring System for Sows Using Deep Learning Techniques
Keywords:
Sows, Farrowing, Deep learning, Deep Sort, YOLOAbstract
This research aims to develop a surveillance system for monitoring prepartum symptoms in sows using deep learning techniques combined with interviews and pig behavior observations in Nakhon Pathom province. The system uses YOLOv7 and Deep SORT for object detection and tracking. When a sow moves, the data was recorded via a web application, which sends abnormality alerts through the LINE application. For accuracy testing, the system data were compared with manually recorded data by human. The results showed that achieved an average accuracy of 96.34%, while alert accuracy for pig farmers averaged 96.5%. These results indicated that the system is practically applicable in typical pig pen environments. However, to implement it in industrial-scale facilities, the model must be retrained with data from real farm environments.
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
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Huachiew Chalermprakiet Science and Technology Journal
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความทุกบทความที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของ คณะวิทยาศาสตร์แฟละเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ
