การพัฒนาระบบเฝ้าระวังอาการก่อนคลอดของแม่สุกรโดยใช้เทคนิคการเรียนรู้เชิงลึก

Abstract

รายงานการวิจัยเรื่อง การพัฒนาระบบเฝ้าระวังอาการก่อนคลอดของแม่สุกร โดยใช้เทคนิคการเรียนรู้เชิงลึก เป็นการวิจัยประยุกต์ มุ่งศึกษาพัฒนาเครื่องมือในการเฝ้าระวังอาการก่อนคลอดของแม่สุกรจากท่าทางการเคลื่อนไหว และประเมินผลระบบเฝ้าระวังอาการก่อนคลอดของแม่สุกร โดยใช้เทคนิคการเรียนรู้เชิงลึก ทำการรวบรวมข้อมูลจากการสัมภาษณ์เกษตรกรผู้เลี้ยงสุกร สัตวแพทย์ และศึกษาพฤติกรรมแม่สุกรในพื้นที่ฟาร์มสุกร จังหวัดนครปฐม และศูนย์สัตว์ทดลอง จุฬาลงกรณ์มหาวิทยาลัย ระบบที่พัฒนาจะใช้เทคนิคเรียนรู้เชิงลึกในการตรวจจับตำแหน่งด้วยอัลกอริทึม Deep SORT และจำแนกท่าทางเคลื่อนไหวของสุกรด้วยอัลกอริทึม YOLO เมื่อมีการเคลื่อนไหวของสุกร ระบบจะทำการบันทึกข้อมูลแบบทันที เพื่อแสดงสถิติผ่านโปรแกรมประยุกต์บนเว็บ นอกจากนี้ยังทำการแจ้งเตือนความผิดปกติผ่านทางแอปพลิเคชันไลน์ เมื่อเสร็จสิ้นการพัฒนาระบบได้ทำการทดสอบและประเมินระบบประกอบไปด้วย 1) ประเมินประสิทธิผลของระบบ มีความถูกต้องเฉลี่ย ร้อยละ 91.25 และความแม่นยำเฉลี่ย ร้อยละ 80 2) ประเมินการทำงานในส่วนของการบันทึกข้อมูลการเคลื่อนไหวของแม่สุกร มีความถูกต้องเฉลี่ย ร้อยละ 96.34 3) ประเมินการแจ้งเตือนผู้เลี้ยงสุกรได้อย่างถูกต้องเฉลี่ย ร้อยละ 93 โดยระบบที่พัฒนาสามารถใช้งานได้จริงในสภาพแวดล้อมคอกสุกรทั่วไป ซึ่งถ้าจะปรับนำงานวิจัยนี้ไปใช้จริงในโรงเรือนที่เป็นภาคอุตสาหกรรม จะต้องทำการเรียนรู้โมเดลจากฟาร์มสุกรในสถานที่จริงให้ถูกต้อง

A research report on the development of a farrowing monitoring system for sows using deep learning techniques is applied research. We aim to study and develop tools to monitor the prenatal symptoms of sows based on their movements and evaluate the system for monitoring the prenatal symptoms of sows using deep learning techniques. Data was collected from interviews with pig farmers and veterinarians and from studying the behavior of sows in pig farm areas in Nakhon Pathom province and Chulalongkorn University Laboratory Animal Center. The developed system uses deep learning techniques to detect positions with the Deep SORT algorithm and classify pig movements with the YOLO algorithm. When there is movement of pigs, the system will save the information in real-time to display statistics through a website. In addition, we will notify you of abnormalities through the LINE notification. Upon completion of the system development, testing and evaluation of the system were carried out, consisting of 1) evaluating the effectiveness of the system, which has an average accuracy of 91.25 percent and an average precision of 80 percent. 2) Evaluate the work involved in recording sow movement data; it has an average accuracy of 96.34 percent. 3) Evaluates notifications for pig farmers with an average accuracy of 93 percent. The developed system can be practically used in a general pig pen environment. If this research is to be applied in practice in industrial buildings, the training model must be learned correctly at a pig farm in a real location.