Технології у точному тваринництві

Размещено на http://www.allbest.ru/

Заклад вищої освіти «Подільський державний університет»

Технології у точному тваринництві

Павельчук Юрій Федорович кандидат технічних наук, доцент

Колінчук Руслан Васильович кандидат сільськогосподарських наук, асистент

Кам'янець-Подільський

Анотація

У статті розглядаються питання використання та розвитку інформаційних технологій (ІТ - технологій) під час вирішення питань, щодо зростання попиту на продукти тваринного походження через демографічні та дієтичні зміни загострило труднощі у вирішенні суспільних проблем, пов'язаних з навколишнім середовищем, здоров'ям людей та добробутом тварин. У відповідь на цей виклик розробляються технології точного тваринництва (PLF) для постійного та автоматизованого моніторингу параметрів здоров'я та добробуту тварин, що дає можливість підвищити продуктивність та виявити проблеми зі здоров'ям на ранній стадії. Однак можуть бути висловлені етичні занепокоєння щодо їх потенціалу сприяти управлінню виробничими системами, які потенційно шкідливі для добробуту тварин, або впливати на відносини між людиною та тваринами та обов'язок підприємців піклуватися. Використовуючи модель п'яти доменів (FDM) як основу, метою є вивчення потенціалу PLF, щоб допомогти вирішити питання добробуту тварин та обговорити потенційні переваги добробуту та ризики використання такої технології. Різноманітні технології ідентифікуються та класифікуються відповідно до їх типу, стадії їх розвитку, видів, до яких вони застосовуються, та їх потенційного впливу на добробут. Хоча технології PLF мають багатообіцяючий потенціал для зменшення виникнення захворювань і травм у системах тваринництва, їх поточна здатність сприяти позитивним перевагам добробуту залишається обмеженою, оскільки технології з таким потенціалом, як правило, залишаються на більш ранніх стадіях розвитку. Ймовірно, це пов'язано з відсутністю доказів, пов'язаних з обґрунтованістю позитивних показників добробуту, а також з проблемами у впровадженні та розвитку технологій. Нарешті, ступінь поліпшення добробуту також буде сильно залежати від того, чи будуть адаптовані управлінські практики для мінімізації негативних наслідків і максимізації вигоди для добробуту.

Ключові слова: демографічні зміни, дієтичні зміни, продукти тваринного походження, стадії, господарства, продукція, тварини, адаптація, стадія розвитку, показники добробуту, негативні наслідки.

Abstract

Pavelchuk Yurii Fedorovych Candidate of technical sciences, associate professor, Institute of Higher Education "Podilskyi State University", Kamianets- Podilskyi

Kolinchuk Ruslan Vasyliovych Candidate of agricultural sciences, assistant, Higher Education Institution "Podilskyi State University", Kamianets-Podilskyi

TECHNOLOGIES IN PRECISION LIVESTOCK

The article examines the use and development of information technologies (IT - technologies) in solving problems related to the environment, human health and well-being due to the increase in demand for products of animal origin due to demographic and dietary changes. animals In response to this challenge, precision livestock farming (PLF) technologies are being developed for continuous and automated monitoring of animal health and welfare parameters, which makes it possible to increase productivity and detect health problems at an early stage. However, ethical concerns may be raised about their potential to contribute to the management of production systems that are potentially harmful to animal welfare, or to impact on human-animal relations and the duty of care of entrepreneurs. Using the Five Domain Model (FDM) as a framework, the aim is to explore the potential of PLF to help address animal welfare issues and to discuss the potential welfare benefits and risks of using such a technology. Various technologies are identified and classified according to their type, their stage of development, the species to which they are applied, and their potential impact on welfare. Various technologies are identified and classified according to their type, their stage of development, the species to which they are applied, and their potential impact on welfare. Although PLF technologies have promising potential to reduce the occurrence of disease and injury in livestock systems, their current ability to contribute to positive welfare benefits remains limited, as technologies with such potential generally remain at earlier stages of development. This is probably due to the lack of evidence related to the validity of positive indicators of well-being, as well as problems in the implementation and development of technologies. Finally, the extent to which welfare is improved will also depend strongly on whether management practices are adapted to minimize negative impacts and maximize welfare gains.

Keywords: demographic changes, dietary changes, products of animal origin, stages, farms, products, animals, adaptation, stage of development, welfare indicators, negative consequences.

Вступ

Постановка проблеми. Взаємовідносини людини з тваринами є важливим аспектом, який може впливати як на добробут тварин, так і їх продуктивність. Поведінка працюючих з тваринами людей і негативне поводження посилює страх тварин перед людьми, впливає на боязкість тварин по відношенню до людини, а з позитивною поведінкою це призводить до зниження рівня моральних травмувань, крім того, це також впливає на продуктивність.

Наприклад, зниження надоїв виявлено на молочних фермах, де фермери мали більш негативне ставлення до взаємодії з коровами під час доїння. Агресивне поводження також було показано, що воно впливає на продуктивність росту свиней і виявлені негативні зв'язки між рівнем страху, щодо людей і виробництва яєць. З іншого боку, звикання, ранній позитивний контакт і генетичні схильності можуть бути важливими факторами впливу на якість сільськогосподарської продукції тваринного походження.

Однак впровадження новітніх технології не гарантує, що технології будуть використовуватися оптимальним чином по відношенню до добробуту тварин. По-перше, охоплення багатьох різних способів добробуту вимагатиме від фермерів інвестувати в декілька систем, оскільки більшість технологій можуть контролювати лише кілька параметрів, час і системи часто не пов'язані один з одним, додаючи труднощі з інтерпретацією даних. Дійсно, там все ще є відсутність інтеграції технологій PLF, що робить його більш складною, важливо визначити ефективні механізми втручання. Важливо також підкреслити, що більшість PLF технологій є системами моніторингу, тобто в той час як вони можуть попередити фермерів про виявлені проблеми, прийняти рішення про вжиття заходів, надати дані, зрештою знаходяться в руках фермерів. Ступінь добробуту яких можна покращити, тому залежить від того, як використовуються технології та отримані дані, а особливо чи управлінські рішення обмежуються одноразовим «лікуванням» симптомів, вони з'явилися чи ці рішення будуть адаптовані щоб запобігти виникненню проблем у першу чергу. Дійсно, учасники семінарів вважають, що може бути ризик, що керівництво має бути адаптоване відповідно до використання технологій, а не зосереджене на покращенні добробуту, наприклад адаптація світлового часу і рівні для встановлення камер, або для більш безплідних середовищ мінімізувати фонові шуми.

Аналіз останніх досліджень і публікацій. Однією з найбільших проблем, з якими стикається наше суспільство, є здатність прогодувати зростаюче населення, який, як очікується, охопить близько 9,7 мільярдів людей до 2050 року, зводячи до мінімуму навколишнє середовище впливів, забезпечення здоров'я людини (FAO) та вирішення проблеми, яка зростає у громадськості щодо добробут тварин (Європейська Комісія). У Великобританії стандарти добробуту тварин були ключовим предметом громадського занепокоєння, зокрема щодо запропонованих змін до торгової та сільськогосподарської політики у світлі Brexit (Мейн і Муллан).

Проте виконати ці зобов'язання - не складно хоча б тому, що світове виробництво м'яса, як очікується, подвоїться до 2050 року. Це збільшення виробництва може бути досягнуто шляхом поєднання розширення чисельності тварин і збільшення продуктивності, що буде особливо важливо в птахівництві і свинарстві (Gilbert et al.). Поки це не можливо точно передбачити, як виглядатиме сільське господарство у 2050 році (фактори такі як розподіл доходу, вибір дієти та технологічні інновації матимуть важливий вплив), вважають у ФАО що за сценарію «бізнес-як-звичайний» ймовірність стада тварин зростуть на 46% в усьому світі порівняно з 2012 роком, з птицею чисельність збільшується більш ніж у п'ять разів, у три рази для свиней і удвічі для дрібних і великих жуйних. Це збільшення чисельності тварин може прогнозувати їх управління складнішим, особливо якщо, як спостерігалося в ЄС, кількість підприємців продовжує зменшуватися (Євростат). У Великобританії, тоді як чисельність худоби залишалася стабільною між 2018 р. і 2019 р. робоча сила в комерційних холдингах скоротилася на 0,3% (DEFRA). Збільшення кількості тварин може ускладнити приділенню уваги до тварини, проблемам їх здоров'я та добробуту.

Мета статті - дослідження впровадження новітніх інформаційних технологій у точному тваринництві.

Виклад основного матеріалу

Потенціал PLF дає змогу зменшити тривалість або ускладнення хвороб і травм у системах тваринництва, а це є перспективним: технології можуть виявити проблеми зі здоров'ям на ранній стадії та допомогти забезпечити оптимальні екологічні умови. Однак вплив з'ясовується, що поточні системи PLF можуть допомогти покращити добробут, обмежитися зменшенням виникнення негативних афектів під час господарювання. Деякі технологічні розробки, пов'язані з «поведінковими взаємодіями» домену FDM можуть допомогти у просуванні позитивних афективних станів, однак, ці загалом залишаються на ранніх стадіях розвитку. Це потенційно пояснюється відсутністю доказів щодо дійсності потенційного позитивного показники добробуту та труднощі їх вимірювання, як сумніви щодо потенціалу впровадження таких технологій.

Крім того, наскільки можна покращити добробут тварин залежить від того, чи будуть дані, отримані за допомогою PLF використовуватися для адаптації практик управління з мінімізацією негативу наслідків (наприклад, вплив на HAR), і чи будуть вжиті заходи для усунення першопричин проблем, а не зосереджуватися лише на лікуванні симптомів.

З метою якісного і ефективного застосування та впровадження типів технологій, хоча технічно різні, акселерометри та інфрачервоні датчики були класифіковані на широку категорію «сенсорів». Так саме, були деякі додатки згруповані в категорії. Наприклад, програми пов'язані за «споживання корму», «випасанням», «рухи щелепи», «жування» або усі «укуси» були згруповані в категорію «харчова поведінка».

Аналогічно, «концентрації аміаку» або «частинки речовини концентрації» були класифіковані за «якістю повітря чи води ». Категорія «Моніторинг хвороб чи паразитів» включає технології, спрямовані на виявлення хворих тварин із хворобами чи паразитами такі як, респіраторна хвороба великої рогатої худоби (BRD).

«Діяльність» включала моніторинг поведінки, наприклад ходьбу, стоячи, лежачи або плаваючи. Технології були засекречені відповідно до конкретних приведених документів. Наприклад, коли метою було визначити, чи може технологія точно виявлення моделей ходьби та лежання, технологія була розміщена у категорію «діяльність» у «поведінкові взаємодії» домен. Так саме, коли конкретною метою було точне виявлення тічки у великої рогатої худоби, технологія була поміщена в «тічку», категорії в межах домену «здоров'я», навіть якщо технологія була на основі даних про діяльність.

Класифікація на різні домени базувалася на оновлені таблиць моделі п'яти доменів (FDM), розроблена Mellor та ін. Класифікація за першими чотирма фізичними доменами базувався на параметрах, що контролюються технологіями (наприклад, технології моніторингу харчової поведінки були класифіковані у сферу «харчування», а моніторинг технологій кульгавість була класифікована в категорії «здоров'я»). Дискусії на афективні стани базувалися на таблиці FDM, яка надає приклади позитивних і негативних факторів з їх супутніми, виведені негативні чи позитивні емоційні переживання від п'ятого домену. Наприклад, під «фізичне середовище умови» розділ таблиці «забруднювачі повітря: NH3, CO2, пил, дим» пов'язаний з негативним впливом на «органи дихання дискомфорт» (наприклад, задишка, подразнення дихальних шляхів чи біль). З цієї причини, якщо технологія була розроблена, щоб допомогти фермерам контролювати забруднювачів повітря, таких як NH3, автор запропонував використовувати таку технологія, що може вплинути на дихальний дискомфорт. Так саме, технологія моніторингу забору води, має мати можливий вплив на асоційоване негативне впливання на «спрагу».

Де було багато афектів із конкретними факторами було запропоновано лише кілька прикладів уникайте довгих абзаців. Наприклад, FDM вказує на те, що наявність травм або захворювань може бути пов'язано з такими негативними ефекти: біль (багато типів), задишка, слабкість, слабкість, нездужання, нудота та запаморочення. Для уникайте перерахованих всіх можливих впливів, автори вибрали, або ті пов'язані з певним станом (наприклад, пов'язана з задишкою до респіраторних захворювань), або ті, які найімовірніше були зрозумілі ширшій аудиторії (наприклад, відчуття хвороби в результаті захворювань). Нарешті, були переваги та ризики соціального забезпечення, які обговорювалися як стосовно конкретних доменів, так і між ними, це домени в окремому розділі (Розділ Welfare Benefits and Risks між доменами).

Нове цифрове обладнання, таке як численні датчики, інфраструктура даних і аналітика даних, можна використовувати для моніторингу тварин або їхнього середовища. Біомаркери крові є цінними індикаторами здоров'я тварин, але не є загальнокомерційними. Вони можуть надати багато інформації, особливо тому, що субклінічні стадії захворювань можна виявити за допомогою біомаркерів, тоді як корова може виглядати абсолютно здоровою, не проявляючи зовнішніх ознак хвороби. Однією з альтернатив для біомаркерів крові були б біомаркери в молоці, які легко придбати, але ще потрібно добре охарактеризувати. Для діагностики субклінічного кетозу використовуються біомаркери та параметри з програм управління стадом, такі як Д-гідроксибутират плазми (BHB) і оцінка стану тіла, незважаючи на це було показано, що BHB є цінним індикатором зміщення сичуга у молочних корів. Було виявлено сильний позитивний статистично значущий зв'язок між BHB і середнім надоєм молока в усіх групах первісток, хоча ми виявили статистично недостовірну кореляцію між найвищим надоєм молока та BHB у багатоплідних і первісток. Підвищення рівня BHB у крові пов'язане зі зниженням надою молока, погіршенням репродуктивної функції та збільшенням частоти метаболічних розладів; отже, раннє виявлення вищих рівнів BHB має вирішальне значення. Для виявлення субклінічного маститу хорошим показником є вимірювання активності внутрішньої лактатдегідрогенази у молоці, оскільки воно є простим і економічно ефективним із високою чутливістю та специфічністю.

Оцінка стану тіла (БКС) -- це метод оцінки запасів жиру в організмі корів. Крім того, БКС також важливий в управлінні фермою. Встановлено, що БКС під час отелення та його зміни протягом лактації впливають на здоров'я та плідність високопродуктивних молочних корів. Моніторинг БКС корови важливий, оскільки він є показником жирових запасів корови, а також підходить для оцінки управління годівлею. Незважаючи на свою важливість, БКС наразі є трудомістким ручним завданням, яке зазвичай виконують лише експерти. Тому були досягнуті технологічні досягнення, які пропонують допомогу в оцінці БКС. БКС є корисним методом моніторингу зв'язків між управлінням харчуванням, відтворенням і кетозом і допомагає в управлінських рішеннях на фермі. Для ще кращої оцінки стада повністю автоматизований вбудований аналізатор LDH прогестерону (mP4) і BHB, який можна поєднувати з доїльним роботом, можна придбати на комерційному ринку. Використання його точних діагностичних технологій може покращити наше розуміння чинників, що впливають на репродуктивну фізіологію молочних корів. Система не тільки допомагає в репродуктивному управлінні, але й завдяки оцінці частих даних mP4 дозволяє оцінити лютеїнову активність та її зв'язок із фертильністю. Корпорація DeLaval розробила першу комерційно доступну систему 3D БКС на основі технологій обробки зображень. інформаційний тваринний добробут

Технологія оцінки стану тіла заснована на JD-камері, яка знімає певні частини тіла тварини: зверху, задню частину спини від коротких ребер до кінця хвоста. Кожного разу, коли корова проходить під камерою, система визначає конкретний рух і фіксує зображення корови; потім вибирає найкраще зображення корови у відеозаписі. JD-камера використовує технологію кодування світла, яка проектує візерунок інфрачервоних точок на спину корови. Після цього вимірюються відстані між цими певними точками; за словами виробника, моделюється JD-зображення спини, а алгоритм перетворює цю інформацію зображення в оцінку стану тіла. Оскільки камери були розміщені над роздільними воротами біля доїльного робота, розміри корів знімалися щоразу, коли вони йшли на доїння.

Для молочних ферм різні сенсорні системи пропонують прогнозування даних про стан здоров'я або захворювань. Ці системи пропонують підтримку фермерам у їхньому завданні з виявлення тварин, які потребують, у формі ветеринарного контролю або лікування. З юридичних, моральних і етичних міркувань ці перевірки повинні проводитися щодня. По відношенню до всіх захворювань у молочних корів, більшість лікування проводиться для маститу або кульгавості. Уже низка досліджень вивчала класифікацію корів щодо маститу або лікування копит за допомогою окремих датчиків або комбінації датчиків. У багатьох із цих досліджень увага зосереджена на першому етапі біологічної валідації: ідентифікації суб'єктів, які, як відомо, уражені даною проблемою зі здоров'ям чи ні, тобто крива характеристик оператора приймача (ROC) та показники чутливості та специфічності. У рамках цих досліджень моделі часто розробляються з використанням наборів даних, що складаються з певних тестових популяцій, які показують більшу частку тварин із умовою, яку потрібно передбачити (наприклад, корови, які потребують лікування та обмежені віком).

Біосенсори, як застосування для управління здоров'ям тварин, є ринком, що розвивається, і швидко отримує визнання на світовому ринку. У всьому світі низка датчиків, які виробляються для управління здоров'ям тварин, знаходяться на різних стадіях комерціалізації . Деякі технології для визначення точного стану здоров'я та діагностики захворювання застосовні лише для людей з незначними модифікаціями, або тестуванням на моделях тварин. Зараз ці інноваційні технології розглядаються для їхнього майбутнього використання у розвитку тваринництва та добробуті. Застосовуються методи точного тваринництва, які включають широкий набір технологій, а також передові технології, такі як мікрофлюїдика, звукові аналізатори, методи детектування зображень, поту та слини, серодіагностика та ін. Однак існує потреба в інтеграції всіх доступних датчиків і створенні ефективної системи онлайн-моніторингу, щоб стан здоров'я тварин можна було контролювати в режимі реального часу, без затримок. У цьому оглядовому документі обговорюється сфера застосування різних переносних технологій для тварин, нанобіосенсоріві передові молекулярно-біологічні діагностичні методи для виявлення різних інфекційних хвороб великої рогатої худоби, разом із зусиллями залучити та порівняти ці технології з огляду на їх недоліки та переваги в області управління здоров'ям тварин. У статті розглядаються всі останні розробки в галузі біосенсорів та їх застосування для здоров'я тварин, щоб надати розуміння відповідного підходу, який буде використовуватися в майбутньому для покращення добробуту тварин.

Тваринам можна імплантувати датчики та мобільні технології для виявлення складових поту, вимірювання температури тіла, спостереження за поведінкою та рухами, виявлення стресу, аналіз звуку, визначення рівня pH, запобігання захворюванням, виявлення аналітів і виявити наявність вірусів і патогенів. Переносні датчики допомагають фермерам своєчасно виявити захворювання і тим самим запобігти загибелі тварин. Фермери також можуть вчасно вибраковувати хворих тварин, щоб запобігти поширенню хвороби в цілих стадах великої рогатої худоби завдяки прогнозуванню.

Крім збору корисних даних щодо здоров'я тварин, загальний моніторинг ферми також можна зробити простішим і надійнішим за допомогою біосенсорів, інтегрованих у мобільні телефони та портативні пристрої, замість звичайних методів, таких як написання нотаток, ведення щоденника ферми або використання простого обладнання без даних - функції спільного використання. На мобільних телефонах і кишенькових пристроях було розроблено низку систем для зменшення зусиль, пов'язаних із записом даних вручну. Приймачі на сонячних батареях, встановлені на худобі, можуть збирати дані, які передаються на центральний сервер. Остаточні дані можна легко переглянути на персональному планшеті чи офісному комп'ютері, що робить цю технологію дуже зручною для фермерів.

Щоб уникнути загрози здоров'ю, використовуються різні методи визначення рівня антибіотиків в організмі. Біосенсори є найбільш поширеним методом. Механізм і конфігурація біосенсорів дуже прості та зрозумілі та забезпечують швидке та точне виявлення антибіотиків. Біосенсори працюють за допомогою елемента розпізнавання та перетворюючого пристрою. Елемент розпізнавання працює на механізмі спорідненості, наприклад рецептори фермент/субстрат і антитіло/антиген. Перетворювач виявляє будь-який контакт між такими парами, виробляючи електричні сигнали, які можна виявити у відповідь на біологічну активність, які пізніше аналізуються. Використання біосенсорів в даний час обмежене в основному через те, що на біологічний чутливий елемент впливають різні фактори, включаючи фактори навколишнього середовища та тип молекул. Крім того, розмір перетворювача також може впливати на ефективність і функціонування біосенсора.

Зростає інтерес до виявлення поведінки тварин та пози тіла за рахунок застосування технологій, що забезпечують віддалений зв'язок, оцінку добробуту та розпізнавання моделей поведінки. Правильний вибір технології з правильним застосуванням для вимірювання благополуччя тварин має вирішальне значення для успішної автоматизації моніторингу здоров'я та благополуччя тварин.

Нові технології з потенціалом у молочній промисловості включають спектроскопію у ближньому інфрачервоному діапазоні, технічний зір, технологію 5G, математичні обчислення, біосенсори, доповнену реальність, штучний інтелект та Інтернет речей.

Спектроскопія в ближній інфрачервоній галузі є багатофункціональною аналітичною технологією, яка використовує інфрачервону область електромагнітного спектра (від 800 нм до 2500 нм) для вивчення фізико- хімічних характеристик зразків. Близька інфрачервона спектроскопія - це швидка, неруйнівна, точна та економічна технологія аналізу кормів. Ця технологія може застосовуватися на фермі для систем точного годування, щоб забезпечити потрібну кількість поживних речовин на день із меншими метаболічними змінами. Портативні прилади для спектроскопії в ближній інфрачервоній області можна використовувати безпосередньо в корівнику в режимах «онлайн» та «офлайн» для отримання інформації в режимі реального часу та щоб уникнути тривалого очікування відповідей лабораторних аналізів, що дозволяє своєчасно запобігати і коригувати недоліки раціону.

Технічний зір використовує машини, датчики та алгоритми обробки даних, щоб «бачити», аналізувати та приймати рішення про навколишнє середовище. Технічний зір вплине на багато областей, включаючи сільське господарство та зоотехніку. Це особливо корисно для завдань, які зараз вимагають, щоб людина переглядала ситуацію, таких як моніторинг споживання корму молочними коровами та спостереження за поступовою зміною оцінки вгодованості. Системи, засновані на технічному зору, підходять для молочного середовища, оскільки вони не заважають робочому процесу, здатні працювати в безперервному режимі і можуть бути повністю автоматизовані.

Технологія 5G є одним з основних перспективних напрямків у галузі зв'язку та перетворення даних завдяки її здатності підтримувати 1000-кратне збільшення пропускної спроможності, підключення не менше 100 мільярдів пристроїв та індивідуального користувальницького інтерфейсу зі швидкістю 10-20 ГБ/с із надзвичайно низькою затримкою та часом . Очікується, що розгортання мереж 5G відбудеться у період з 2020 по 2030 роки. У системах інтенсивного виробництва молочних продуктів молочні корови можуть носити нашийник із підключенням до мережі 5G, який керує роботизованою системою доїння.

Бездротові біосенсори, що носяться, складаються з батареї, передавача даних і одного або декількох сенсорів, встановлених на тілі корови, для вимірювання, збору та передачі біометричних даних через певні проміжки часу. Зібрані дані перетворюються на фізіологічні та поведінкові параметри за допомогою алгоритмів, програмного забезпечення або хмарних обчислень для прогнозування, виявлення та діагностики фізіологічного стану та стану здоров'я молочної худоби. Ці датчики включають вушні бірки, недоуздки, шийні нашийники, ретикуло-рубцеві болюсні бірки, бірки на ногах, бірки на хвості, бірки на хвилі і вагінальні бірки.

Рис. 1. Класифікація біосенсорів.

Рис. 2. Датчик для визначення охоти і моніторингу здоров'я корів GEA CowScout.

GEA CowScout -- датчик для визначення охоти і моніторингу здоров'я корів (рис. 2), який кріпляться на шию або ногу тварини, має високу надійність і цілодобово направляє фермеру дані про готовність корів до запліднення.

Рис. 3. «Розумна» кліпса.

Вчені довели залежність коливання вуха від стану та здоров'я тварини. Один з найважливіших індикаторів загального стану і здоров'я жуйних -- румінація. Коли вона є, вухо завжди рухатиметься. Саме тому сенсор у вушній кліпсі найкраще сприймає і «розуміє» мову рухів тварини (рис. 3). Крім того, як і в людей, у тварин розрізняють різні типи темпераменту. Це означає, що нормальна активність однієї корови не завжди така ж, як нормальна активність іншої, і загальні усереднені стандарти не однаково всім підходять. Тож сенсор має з'ясувати параметри нормальності кожної окремо взятої тварини, щоб у подальшому, орієнтуючись на них, робити висновки і сигналізувати про відхилення.

Рис. 4. Принцип роботи системи моніторингу стада SMARTBOW.

Система моніторингу стада SMARTBOW, що включає вушні кліпси, роутери та сервер і передає інформацію на персональний комп'ютер, телефон чи планшет, дозволяє стежити за здоров'ям тварин, визначати місце їх знаходження і точно виявляти охоту (рис. 4).

Досягнення цифрових технологій революціонізують ринок здоров'я тварин. Додатки були розроблені для зміцнення стосунків між ветеринарами та власниками домашніх тварин. Інженери всіх провідних компаній розробляють цифрові технології для задоволення потреб власників домашніх тварин, молочних ферм і тваринників.

PetDialog -- це програма, яка дозволяє користувачам відстежувати фізичний стан та споживання їжі, соціалізацію та інші дії за допомогою спеціального графіку, який надсилає сповіщення про звичайний догляд, наприклад про вакцинацію. Виявилося, що у ветеринарних лікарнях відсутні онлайн-системи запису на прийом і онлайн-системи грошових переказів, і у них є громіздкі процедури страхування тварин, але нові цифрові системи спрощують управління здоров'ям тварин. Додатки на смартфонах можуть відстежувати поведінку тварин і надсилати їх ветеринарам, щоб швидше, а інколи оперативно реагувати на розвиток стану подій. Додатки також розробляються для автоматизації багаторічної практики у виробництві харчових продуктів. Додаток під назвою BCS Cowdition було випущено десятьма мовами завдяки його здатності відстежувати стан тіла корови. Багато хвороб, які поширюються на людей, походять від тварин; тому цифрові технології охорони здоров'я можуть допомогти контролювати спалахи захворювань.

Декілька геніальних сенсорних пристроїв і концепцій запропоновано в останні роки, але створення мініатюрного пристрою, який може передавати дані в режимі реального часу, а також може одночасно виявляти кілька цільових молекул, залишається перспективним напрямом наукової і інженерної діяльності.

Фермери повинні враховувати економічні аспекти інвестування у сенсори. Облікові дані ферм можуть надати суттєву інформацію щодо продуктивності цих ферм і впливу використання сенсорних систем.

Індекс Malmquist Total Factor Productivity (загальна продуктивність факторів Малмквіста) використовується для вимірювання зміни продуктивності для ферм із сенсорними системами та без них. Цей індекс показує поступові зміни продуктивності ферми та говорить нам, як технічні зміни сприяють успіху. Сенсорні системи можуть суттєво впливати на продуктивність на молочних фермах, і це питання необхідно вивчити для економічно життєздатного впровадження та розробки таких сенсорів.

Для того, щоб мати можливість виробляти безпечні, однорідні, дешеві, екологічно безпечні харчові продукти та продавати ці продукти на все більш складному міжнародному сільськогосподарському ринку, тваринники повинні мати доступ до своєчасної інформації про виробництво. Особливо важлива інформація, пов'язана з питаннями годівлі та харчування, оскільки витрати, пов'язані з годівлею, завжди є значною частиною змінних витрат для всіх типів тваринницької продукції. Таким чином, автоматизація збору, аналізу та використання інформації, пов'язаної з виробництвом, на тваринницьких фермах буде важливою для підвищення продуктивності тваринництва в майбутньому. Електронно керовані системи тваринництва, орієнтовані на інформаційно-комунікаційні технології (ІКТ), необхідні для того, щоб забезпечити економічно ефективний і своєчасний збір інформації та готове реагування на фермах. Нові електронні й пов'язані з ІКТ технології, запроваджені на фермах як частина систем точного тваринництва (PLF), полегшить методи управління худобою, які краще реагують на сигнали ринку. Технології PLF охоплюють методи електронного вимірювання критичних компонентів виробничої системи, які вказують на ефективність використання ресурсів, інтерпретації отриманої інформації та контролюючих процесів для забезпечення оптимальної ефективності як використання ресурсів, так і продуктивності худоби. Ці передбачені системи моніторингу та контролю в режимі реального часу могли б значно підвищити ефективність виробництва тваринницьких підприємств. Однак необхідні подальші дослідження та розробки, оскільки деякі компоненти систем PLF знаходяться на різних стадіях розробки. Крім того, у співпраці з приватними компаніями необхідно розробити загальну стратегію впровадження та комерційного використання систем PLF. У цій статті описано потенційну роль PLF у забезпеченні впровадження на фермах найкращих можливих процесів управління для підвищення прибутковості ферми, якості продукції, добробуту

худоби та стійкості середовища ферми, особливо у зв'язку з інтенсивними видами худоби. оскільки деякі компоненти систем PLF знаходяться на різних стадіях розробки.

Висновки

Як результат, слід відмітити, що розвиток технологій розширює можливості фермера підтримувати контакт з окремими тваринами навіть в умовах зростаючої інтенсифікації тваринництва, підвищує ефективність виробництва, знижує експлуатаційні витрати та надає надійні та точні дані з метою управління та планування. Незважаючи на можливі існуючі обмеження з погляду технологій та інфраструктури, молочна промисловість має бути навчена ухваленню нової технологічної революції. Крім того, інженерній спільноті необхідно знати потреби у молочному тваринництві для потенційної можливості вдосконалення пристроїв та інструментів для більш ефективного застосування у польових умовах.

Завдяки модифікаціям і випробуванням на тваринних моделях ці інноваційні технології зараз розглядаються для їх майбутнього використання в розвитку тваринництва та добробуті. Застосовуються методи прецизійного тваринництва, які включають широкий набір технологій, а також передові технології, такі як мікрофлюїдика, аналізатори звуку, методи виявлення зображень, зондування поту та слини, серодіагностика та інші. Однак існує необхідність інтегрувати всі доступні датчики та створити ефективну онлайн- систему моніторингу, щоб можна було контролювати здоров'я тварин у режимі реального часу, без затримок. Дивлячись на оптимістичне майбутнє різних мобільних сенсорів для тварин, у тому числі нанобіосенсорів і передових молекулярно-біологічних діагностичних методів для виявлення різних інфекційних захворювань великої рогатої худоби, ймовірне широкомасштабне впровадження сучасних методів.

Література

1. Chopra, K., Hodges, H. R., Barker, Z. E., and Diosdado, J. A. V. (2020). Proximity Interactions in a Permanently Housed Dairy Herd : Network Structure, Consistency, and Individual Differences. Front. Vet. Sci. 7:583715. doi: 10.3389/fvets.2020.

2. Gilbert, M., Conchedda, G., Van Boeckel, T. P., Cinardi, G., Linard, C., Nicolas, G., et al. (2015). Income disparities and the global distribution of intensively farmed chicken and pigs. PLoS ONE. 10:e013338. doi: 10.1371/journal.

3. USDA. Poultry Slaughter 2020 Summary. https://downloads. usda.library.cornell.edu/ usda-esmis/files/pg15bd88s/ f1882d39g/j6731z19s/pslaan21.pdf (2021).

4. Zuidhof, M. J., Schneider, B. L., Carney, V. L., Korver, D. R. & Robinson, F. E. Growth, efficiency, and yield of commercial broilers from 1957, 1978, and 2005. Poult. Sci. 93, 2970-2982 (2014).

5. Trocino, A. et al. Effect of genotype, gender and feed restriction on growth, meat quality and the occurrence of white striping and wooden breast in broiler chickens. Poult. Sci. 94, 2996-3004 (2015).

6. Hemsworth, P. H., Barnett, J. L., and Coleman, G. J. (2009). The integration of human-animal relations into animal welfare monitoring schemes. Anim. Welfare. 18, 335-345.

7. Schon, P. C., Puppe, B., and Manteuffel, G. (2004). Automated recording of stress vocalisations as a tool to document impaired welfare in pigs. Anim. Welfare 13, 105-110.

8. Yang, A., Huang, H., Yang, X., Li, S., Chen, C., Gan, H., et al. (2019). Automated video analysis of sow nursing behavior based on fully convolutional network and oriented optical flow. Comp. Electr. Agricult. 167:105048. doi: 10.1016/j.compag.2019.

9. Zhang, G., Zhang, Y., Kim, Y., Kim, J., Liu, L., Yu, X., et al. (2011). Field study on the impact of indoor air quality on broiler production. Indoor Built Environ. 20, 449-455.

10. Wearable technology 2015-2025: Technologies, markets, forecasts P. Harrop, J. Hayward, R. Das, G. Holland - IDTechEx report, 2015.

References

1. Chopra, K., Hodges, H. R., Barker, Z. E., and Diosdado, J. A. V. (2020). Proximity Interactions in a Permanently Housed Dairy Herd : Network Structure, Consistency, and Individual Differences. Front. Vet. Sci. 7:583715. doi: 10.3389/fvets.2020.

2. Gilbert, M., Conchedda, G., Van Boeckel, T. P., Cinardi, G., Linard, C., Nicolas, G., et al. (2015). Income disparities and the global distribution of intensively farmed chicken and pigs. PLoS ONE. 10:e013338. doi: 10.1371/journal.

3. USDA. Poultry Slaughter 2020 Summary. https://downloads. usda.library.cornell.edu/ usda-esmis/files/pg15bd88s/ f1882d39g/j6731z19s/pslaan21.pdf (2021).

4. Zuidhof, M. J., Schneider, B. L., Carney, V. L., Korver, D. R. & Robinson, F. E. Growth, efficiency, and yield of commercial broilers from 1957, 1978, and 2005. Poult. Sci. 93, 2970-2982 (2014).

5. Trocino, A. et al. Effect of genotype, gender and feed restriction on growth, meat quality and the occurrence of white striping and wooden breast in broiler chickens. Poult. Sci. 94, 2996-3004 (2015).

6. Hemsworth, P. H., Barnett, J. L., and Coleman, G. J. (2009). The integration of human-animal relations into animal welfare monitoring schemes. Anim. Welfare. 18, 335-345.

7. Schon, P. C., Puppe, B., and Manteuffel, G. (2004). Automated recording of stress vocalisations as a tool to document impaired welfare in pigs. Anim. Welfare 13, 105-110.

8. Yang, A., Huang, H., Yang, X., Li, S., Chen, C., Gan, H., et al. (2019). Automated video analysis of sow nursing behavior based on fully convolutional network and oriented optical flow. Comp. Electr. Agricult. 167:105048. doi: 10.1016/j.compag.2019.

9. Zhang, G., Zhang, Y., Kim, Y., Kim, J., Liu, L., Yu, X., et al. (2011). Field study on the impact of indoor air quality on broiler production. Indoor Built Environ. 20, 449-455.

10. Wearable technology 2015-2025: Technologies, markets, forecasts P. Harrop, J. Hayward, R. Das, G. Holland - IDTechEx report, 2015.

Размещено на Allbest.ru