Kiaulių auginimas vis dažniau remiasi nuolatine gyvulių būklės stebėsena ir fermose renkamų duomenų analize. Mikrofonai, kameros, aplinkos sensoriai bei automatinės šėrimo sistemos leidžia realiu laiku stebėti gyvulių aktyvumą, elgsenos pokyčius, mikroklimatą ar pašaro suvartojimą. Surinkta informacija perduodama DI sistemoms, kurios gali greičiau identifikuoti nukrypimus nuo įprastų fermos rodiklių ir perspėti apie galimas sveikatos, produktyvumo ar aplinkos problemas. Tokios technologijos jau naudojamos ne tik bandomuosiuose projektuose, bet ir komercinėse kiaulių fermose Europoje, JAV bei Azijoje. Dėl to keičiasi ir pati fermų valdymo logika, kur vis daugiau sprendimų priimama remiantis nuolatine duomenų analize, o ne pavieniu problemų pastebėjimu.
Ką kiaulių auginime keičia nuolatinė stebėsena?
Kiaulių auginimas dideliuose ūkiuose vis dažniau susiduria su problema, kai dalis sveikatos ar produktyvumo pokyčių tampa pastebimi per vėlai. Kvėpavimo ligų protrūkiai dažnai prasideda nuo pavienių kosulio epizodų, mikroklimato problemos – nuo nedidelių amoniako ar temperatūros svyravimų, o sumažėjęs pašaro suvartojimas kartais tampa vienu pirmųjų signalų apie prastėjančią gyvulių būklę. Didelėse fermose, kuriose vienu metu laikomi tūkstančiai gyvulių, tokius pokyčius laiku pastebėti vien įprastų fermos apžiūrų metu tampa vis sudėtingiau.
To pasekoje kiaulių auginime sparčiai daugėja sistemų, kurios duomenis fermose renka nenutrūkstamai. Mikrofonai analizuoja garsus garduose, kameros stebi gyvulių aktyvumą bei judėjimą, automatinės šėryklos registruoja pašaro suvartojimo pokyčius, o aplinkos sensoriai fiksuoja temperatūrą, drėgmę, CO₂ bei amoniako koncentraciją. Surinkta informacija perduodama dirbtinio intelekto (toliau – DI) modeliams, kurie ieško pasikartojančių nukrypimų nuo įprastų fermos rodiklių ir gali identifikuoti rizikos signalus dar prieš pasireiškiant aiškiai matomiems simptomams.
Tokios sistemos jau naudojamos ne tik eksperimentiniuose projektuose ar universitetų tyrimuose. Europoje garsų analizės sistema „SoundTalks“ diegiama komercinėse kiaulių fermose kvėpavimo ligų stebėsenai, o kai kuriuose JAV ūkiuose DI modeliai jungiami su automatinėmis šėrimo bei klimato kontrolės sistemomis, siekiant greičiau identifikuoti produktyvumo pokyčius. Azijoje, ypač Kinijoje ir Japonijoje, DI fermose vis dažniau naudojamas ir gyvulių elgsenos analizei bei automatizuotai vaizdo stebėsenai. Tokia plėtra rodo, kad DI kiaulininkystėje jau tampa ne pavieniu technologiniu eksperimentu, o kasdienio fermų valdymo dalimi.
Europos Parlamento tyrimų tarnybos 2025 m. apžvalgoje apie DI taikymą gyvulininkystėje pažymima, kad tikslioji gyvulininkystė (angl. precision livestock farming) pereina prie modelio, kuriame gyvulių stebėsena vyksta nuolat, o sprendimai priimami remiantis realiu laiku surenkamais duomenimis. Panaši kryptis aptariama ir „National Hog Farmer“ publikacijoje apie naują valdymo pokytį kiaulininkystėje, kur DI apibūdinamas kaip įrankis, leidžiantis greičiau pastebėti produktyvumo, elgsenos ar sveikatos pokyčius dideliuose ūkiuose.
Kiaulių auginime tai keičia ne tik stebėsenos greitį. Kartu keičiasi ir pati fermų valdymo logika, kai vis daugiau sprendimų priimama remiantis nuolatine duomenų analize, o ne periodiniu problemų pastebėjimu fermos apžiūrų metu.
DI kiaulių kosulio analizei
Kvėpavimo ligos kiaulių fermose dažnai pradeda plisti anksčiau, nei atsiranda aiškiai matomi simptomai. Pavieniai kosulio epizodai didelėse gyvulių grupėse ilgą laiką gali likti nepastebėti, ypač fermose, kuriose vienu metu laikomi tūkstančiai kiaulių. Dėl to kiaulių auginime vis dažniau pasitelkiamos DI pagrįstos garsų analizės sistemos, kurios leidžia nenutrūkstamai stebėti situaciją fermoje.
Tokiose sistemose garduose įrengti mikrofonai nuolat fiksuoja kiaulių skleidžiamus garsus, o DI modeliai analizuoja kosulio dažnį, intensyvumą bei pasikartojančius garso modelius. Vertinama ne tik tai, ar garduose girdimas kosulys, bet ir kaip keičiasi jo dažnis skirtingu paros metu, ar garsai plinta atskirose fermos zonose bei ar atsiranda neįprastų pasikartojančių modelių. Tokia analizė leidžia greičiau identifikuoti galimus kvėpavimo problemų požymius dar prieš pasireiškiant aiškesniems ligų simptomams.
Viena žinomiausių tokių sistemų – „SoundTalks“, naudojama komercinėse Europos kiaulių fermose. Sistema analizuoja fermose surinktus garso duomenis ir automatiškai generuoja perspėjimus apie padidėjusį kosulio aktyvumą atskirose gardų zonose. Tokie sprendimai fermose naudojami ne tik greitesniam problemų pastebėjimui. Ankstyvesnis kvėpavimo ligų identifikavimas leidžia tiksliau reaguoti į besikeičiančią situaciją fermoje, greičiau atskirti rizikos grupes bei sumažinti didesnio protrūkio tikimybę.
Garso analizės technologijos pastaraisiais metais tapo ir aktyvia mokslinių tyrimų kryptimi. Jungtinės Karalystės Biotechnologijų ir biologijos mokslų tyrimų tarybos projekte DI modeliai buvo mokomi atpažinti ligų požymius pagal kiaulių skleidžiamus garsus bei elgsenos pokyčius. Panaši kryptis nagrinėjama ir 2025 m. žurnale „Frontiers in Veterinary Science“ publikuotame tyrime apie DI naudojimą gyvulių sveikatos stebėsenai, kuriame akcentuojama, kad nuolatinė garsų analizė gali padėti greičiau nustatyti ankstyvus kvėpavimo ligų požymius dideliuose ūkiuose.
Kiaulių auginime garsų analizės sistemos vis dažniau jungiamos ir su kitais fermose renkamais duomenimis. Jei DI modeliai vienu metu fiksuoja dažnėjantį kosulį, sumažėjusį aktyvumą bei mažesnį pašaro suvartojimą, rizikos vertinimas tampa tikslesnis nei analizuojant tik vieną rodiklį. Dėl to fermose diegiamos ne pavienės technologijos, o tarpusavyje susietos stebėsenos sistemos, kurios leidžia greičiau pastebėti besiformuojančias problemas.
Kodėl kiaulių auginimas vis dažniau remiasi automatine šėrimo analize?
Pašaro suvartojimo pokyčiai kiaulių fermose dažnai tampa vienu pirmųjų signalų, rodančių galimus sveikatos, streso ar mikroklimato sutrikimus. Dėl to kiaulių auginime vis dažniau automatines šėrimo sistemas naudoja ne tik pašarų paskirstymui, bet ir nuolatinei gyvulių būklės stebėsenai. Dideliuose ūkiuose DI modeliai gali analizuoti tūkstančius kasdien surenkamų šėrimo duomenų ir ieškoti pasikartojančių nukrypimų, kuriuos žmogui pastebėti tampa vis sudėtingiau.
Šiuolaikinėse automatinėse šėrimo sistemose registruojama, kada gyvuliai prieina prie šėryklos, kiek laiko joje praleidžia, kaip keičiasi pašaro suvartojimas skirtingose grupėse bei kaip dažnai kartojasi šėrimosi ciklai. Tokie duomenys leidžia DI sistemoms vertinti ne tik bendrą pašaro kiekį, bet ir pačius šėrimosi modelius. Staigus pašaro vartojimo sumažėjimas, ilgesni intervalai tarp šėrimosi ar aktyvumo pokyčiai kai kuriais atvejais gali būti susiję su ankstyvais sveikatos sutrikimų požymiais.
Pašarai daugelyje kiaulių ūkių sudaro vieną didžiausių gamybos sąnaudų dalių, todėl net ir nedideli pašaro suvartojimo ar konversijos pokyčiai gali turėti tiesioginę įtaką fermos rezultatams. Dėl to DI modeliai vis dažniau naudojami ir pašarų konversijos rodiklių (angl. feed conversion ratio, FCR) analizei, siekiant tiksliau įvertinti, kaip efektyviai gyvuliai pašarus paverčia svorio prieaugiu. Kai kuriose fermose tokia analizė naudojama ir skirtingų grupių palyginimui, padedančiam greičiau identifikuoti produktyvumo svyravimus ar neefektyvius šėrimo periodus.
Automatinė šėrimo analizė fermose vis dažniau naudojama ir ilgalaikiam produktyvumo vertinimui. Leidinyje „DLG Magazine“ publikuotoje apžvalgoje apie naujausias kiaulių šėrimo technologijas pažymima, kad DI modeliai naudojami ilgalaikiams pašaro suvartojimo pokyčiams, augimo tempui bei pašarų konversijai analizuoti.
Kai kuriose fermose automatinės šėrimo sistemos papildomai jungiamos su aktyvumo, temperatūros, ventiliacijos ar svorio stebėsena. Tokia analizė leidžia tiksliau įvertinti, kokie veiksniai daro didžiausią įtaką pašaro suvartojimui bei augimo rezultatams.
Kodėl fermų mikroklimatas tampa DI stebėsenos dalimi?
Kiaulių auginimas uždarose fermose reikalauja itin stabilios aplinkos kontrolės, nes net ir nedideli mikroklimato pokyčiai gali paveikti gyvulių aktyvumą, pašaro suvartojimą bei kvėpavimo ligų riziką. Temperatūros svyravimai, padidėjusi drėgmė, netolygi ventiliacija ar didesnė amoniako koncentracija fermose dažnai tampa ne paviene technine problema, o veiksniu, darančiu tiesioginę įtaką gyvulių būklei bei produktyvumui.
Ypač didelis dėmesys fermose skiriamas karščio stresui. Aukštesnė temperatūra siejama ne tik su didesniu gyvulių stresu, bet ir su mažesniu pašaro suvartojimu, lėtesniu augimu bei produktyvumo svyravimais. Todėl fermose vis dažniau diegiami temperatūros, drėgmės, CO₂ ir amoniako sensoriai, kurie mikroklimato rodiklius stebi nenutrūkstamai, o surinkti duomenys perduodami DI modeliams.
Tokiose sistemose DI analizuoja ne tik pačius mikroklimato parametrus, bet ir jų ryšį su gyvulių aktyvumu, pašaro suvartojimu ar elgsenos pokyčiais. Jei sistema fiksuoja nukrypimus nuo nustatytų rodiklių, automatizuotos klimato valdymo sistemos gali reguliuoti ventiliacijos intensyvumą, oro srautus ar aušinimo įrangos darbą dar prieš pasiekiant kritines ribas. Kai kuriose fermose DI modeliai papildomai naudojami ir ventiliacijos sistemų optimizavimui, siekiant palaikyti stabilesnį mikroklimatą bei mažinti energijos sąnaudas.
Kiaulių auginimas tokias sistemas vis dažniau naudoja ne tik mikroklimato kontrolei, bet ir ilgalaikiam fermos efektyvumo vertinimui. 2025 m. žurnale „Agriculture“ publikuotoje MDPI apžvalgoje apie DI taikymą gyvulininkystės mikroklimato valdyme pažymima, kad automatizuotos klimato sistemos analizuoja ne pavienius parametrus, o jų tarpusavio ryšius, pvz., kaip temperatūros ar drėgmės pokyčiai veikia gyvulių aktyvumą bei pašaro suvartojimą. Panaši kryptis aptariama ir publikacijoje „Artificial Intelligence-Based Automated Barn Climate Management“, kur aprašomi DI modeliai, gebantys prognozuoti mikroklimato pokyčius fermose bei automatiškai koreguoti ventiliacijos sistemas dar prieš pasiekiant kritinius rodiklius.
Kodėl kiaulių auginime daugėja DI pagrįstų vaizdo stebėsenos sistemų?
Kiaulių auginimas dideliuose ūkiuose vis dažniau pasitelkia DI pagrįstas vaizdo stebėsenos sistemas, kurios naudojamos ne tik fermų kontrolei, bet ir nuolatinei gyvulių elgsenos analizei. Didelėse grupėse dalis pokyčių ilgą laiką gali likti sunkiai pastebimi, ypač kai kalbama ne apie aiškiai matomą simptomą, o apie palaipsniui besikeičiantį aktyvumą, judėjimą ar socialinį elgesį garduose.
„Computer vision“ technologija paremtos sistemos analizuoja kamerų perduodamus vaizdo duomenis ir vertina, kaip keičiasi gyvulių aktyvumas skirtingu paros metu, kaip jie pasiskirsto garduose ar kaip dažnai kartojasi neįprasti judėjimo modeliai. Kai kurie DI modeliai papildomai analizuoja gulėjimo trukmę, aktyvumo sumažėjimą, gyvulių susitelkimą tam tikrose fermos vietose ar dažnėjančius konkurencinius kontaktus grupėse. Tokie pokyčiai gali būti siejami su stresu, prastėjančia gyvulių būkle, netolygiu mikroklimatu ar didėjančia agresijos rizika.
Vaizdo analizės sistemos fermose vis dažniau naudojamos ir agresyvumo protrūkiams stebėti. DI modeliai gali vertinti dažnėjančius kontaktus tarp gyvulių, staigius aktyvumo pokyčius ar neįprastą grupių susitelkimą garduose. Tokia analizė leidžia greičiau identifikuoti situacijas, kurios ilgainiui gali didinti traumų, streso ar konkurencijos dėl pašaro riziką.
Kai kurios DI pagrįstos vaizdo stebėsenos sistemos naudojamos ir ankstyvam šlubavimo požymių nustatymui. Analizuojant eisenos pokyčius, judėjimo trajektorijas ar aktyvumo sumažėjimą, DI modeliai gali padėti greičiau identifikuoti gyvulius, kurių judėjimas pradeda keistis dar prieš atsirandant aiškiai matomiems šlubavimo požymiams.
Dalis vaizdo stebėsenos sistemų fermose naudojamos ir paršavedžių stebėsenai apsiparšiavimo metu. Kameros gali analizuoti paršavedžių gulimosi trajektorijas, aktyvumo pokyčius bei elgseną garduose, o surinkti duomenys naudojami siekiant mažinti paršelių prispaudimo riziką bei greičiau pastebėti galimus elgsenos ar sveikatos pokyčius.
2025 m. „Topigs Norsvin“ pristatė DI pagrįstą sistemą, skirtą automatizuotai kiaulių elgsenos analizei fermose. Panaši kryptis aptariama ir „National Hog Farmer“ publikacijoje apie DI pagrįstą socialinės elgsenos stebėseną kiaulių grupėse, kur vaizdo analizė naudojama agresyvumo, konkurencijos bei gyvulių gerovės pokyčiams vertinti.
Kodėl auginant kiaules pereinama prie tarpusavyje susietų DI sistemų?
Vieno rodiklio fermose dažnai nepakanka tiksliai įvertinti besiformuojančią problemą. Padidėjęs kosulys, mažesnis aktyvumas ar sumažėjęs pašaro suvartojimas atskirai nebūtinai rodo aiškų sutrikimą, todėl DI sistemos vis dažniau analizuoja kelių fermoje renkamų duomenų ryšius vienu metu.
Tokiose sistemose DI modeliai analizuoja ne vieną atskirą parametrą, o jų kombinacijas. Pvz., dažnėjantis kosulys kartu su sumažėjusiu pašaro suvartojimu, aktyvumo pokyčiais ir didesne amoniako koncentracija gali būti vertinamas kaip didesnės kvėpavimo problemų rizikos signalas. Analizuojant tik vieną rodiklį, dalis tokių pokyčių ilgą laiką galėtų atrodyti nereikšmingi arba atsitiktiniai.
Panaši logika aprašoma publikacijoje „When Pigs Get Sick: Multi-Agent AI for Swine Disease Detection“, kurioje DI modeliai vienu metu analizuoja kelis skirtingus duomenų šaltinius ir ieško pasikartojančių nukrypimų nuo įprastų fermos modelių. Tyrime akcentuojama, kad integruotos sistemos leidžia greičiau identifikuoti galimus sveikatos sutrikimus nei pavieniai stebėsenos įrankiai.
Kiaulių auginimas tokias sistemas vis dažniau naudoja ne tik sveikatos stebėsenai. Kai kurios platformos papildomai analizuoja augimo rodiklius, pašarų konversiją, aktyvumo pokyčius skirtingais laikotarpiais ar mikroklimato įtaką gyvulių elgsenai. Tokia analizė leidžia greičiau pastebėti produktyvumo kritimo tendencijas bei tiksliau įvertinti, kurie aplinkos ar valdymo veiksniai daro didžiausią įtaką fermos rezultatams.
Diskusijose apie DI fermose vis dažniau keliamas ir klausimas, kiek tokios sistemos ateityje galėtų pakeisti žmogaus darbą. Dauguma šiandien naudojamų sprendimų orientuoti ne į visišką automatizaciją, o į nuolatinę stebėseną bei greitesnį problemų identifikavimą. DI modeliai gali analizuoti didelius duomenų kiekius, aptikti pasikartojančius nukrypimus ar generuoti perspėjimus, tačiau sprendimai fermose vis dar priklauso nuo žmonių vertinimo. Dėl to kiaulių auginime DI sistemos vis dažniau vertinamos ne kaip žmogų pakeičiančianti technologija, o kaip įrankis, leidžiantis tiksliau ir greičiau valdyti didelius ūkius.
Šaltiniai:
https://pmc.ncbi.nlm.nih.gov/articles/PMC10251864
https://www.pigprogress.net/market-trends-analysis-the-industrymarkets/using-ai-to-make-the-most-of-pig-health-data
https://www.panenco.com/cases/soundtalks
https://www.mdpi.com/2077-0472/15/9/937
https://www.dlg.org/en/magazine/trends-in-pig-farming-and-feeding-technology
https://www.researchgate.net/publication/395471144_Artificial_Intelligence-Based_Automated_Barn_Climate_Management
Nuotraukos asociatyvinės © Canva.