0
La produzione di grandi quantità di dati per la comprensione e il monitoraggio del comportamento animale continua a rappresentare una sfida a causa degli elevati tempi di elaborazione richiesti dai metodi automatizzati attualmente in uso.
Materiali e Metodi: Il presente studio si proponeva di ridurre i tempi di elaborazione con un margine di errore minimo attraverso (1) lo sviluppo di un approccio efficiente per l'applicazione di metodi di deep learning ad alte prestazioni al rilevamento del comportamento alimentare e di abbeveraggio nei suini, (2) la validazione di tale approccio per l'utilizzo durante l'intero periodo di crescita dei suini e (3) la riduzione dei tempi di calcolo mediante l'utilizzo del campionamento istantaneo dei fotogrammi e la validazione dell'intervallo di campionamento appropriato per il comportamento alimentare e di abbeveraggio. A tal fine, lo studio ha incluso registrazioni video di 7 box di suini in crescita di peso compreso tra 30 e 100 kg. I dati di addestramento includevano 48 ore di video osservate in 3 box, otto date (rappresentative di otto settimane diverse) per recinto e due ore al giorno dalle 11:00 alle 13:00; i dati di validazione includevano 24 ore di video osservate in tre recinti, quattro date (settimane) per box e le stesse due ore al giorno; e i dati relativi all'intera giornata includevano 48 ore di video osservate per un box in due giorni interi (giorno 32 e 53 dopo l'inserimento). L'approccio sviluppato si basava su un algoritmo di deep learning per il rilevamento di oggetti e punti chiave che, per ogni fotogramma, assegnava a ciascun suino in un box un riquadro di delimitazione ruotato, la direzione della testa e il punto chiave del muso. Utilizzando questi dati, sono stati eseguiti semplici calcoli di visione artificiale per stimare i dati sull'occupazione delle mangiatoie e degli abbeveratoi in base all'intersezione su unione e alla distanza in pixel.
Risultati: Questo approccio ha mostrato errori inferiori a 45 secondi per ora di osservazione e un'accuratezza bilanciata superiore a 0,97 per l'alimentazione e a 0,93 per l'abbeveraggio, con intervalli di confidenza ristretti al 95% tra i set di dati, indicando stime di elevata concordanza dell'occupazione di mangiatoie e abbeveratoi nel contesto testato. È stata condotta una valutazione del campionamento a frame testando intervalli di 1, 2, 5, 10, 20 e 30 secondi e di 1, 2, 5 e 10 minuti. Sulla base dell'ispezione visiva dello sviluppo di errori e bias con l'aumentare dell'intervallo di campionamento, un intervallo di campionamento a frame di 10 secondi è stato valutato come il più appropriato per mantenere accuratezza e precisione riducendo al contempo la potenza di calcolo necessaria.
Conclusioni: L'approccio sviluppato, combinato con l'intervallo di campionamento di 10 secondi, è stato in grado di produrre dati su larga scala utilizzando 6-7 minuti per analizzare un giorno di dati per box. Il tempo di calcolo ridotto rende fattibile l'utilizzo dell'approccio sviluppato per produrre dati su larga scala relativi all'alimentazione e all'abbeveraggio nei suini in crescita.
Mona Lilian Vestbjerg Larsen, Dong Liu, Guilherme Amorim Franchi, Tomas Norton, Lene Juul Pedersen, Computer vision and ethological methods to produce large-scale data on feeding and drinking behaviour in finishing pigs., Applied Animal Behaviour Science, 2026, 107101, ISSN 0168-1591, https://doi.org/10.1016/j.applanim.2026.107101.
