A lightweight visual system for determining the gender of poultry based on artificial intelligence

Nel frenetico mondo dell'allevamento avicolo moderno, un semplice fatto biologico guida decisioni economiche complesse: i pulcini maschi e femmine richiedono diete diverse per prosperare. I maschi crescono meglio con un cibo ad alta energia per aumentare il peso, mentre le femmine hanno bisogno di pasti ad alto contenuto proteico per massimizzare la produzione di uova. Per decenni, gli allevatori si sono affidati a due modi principali per distinguere i sessi dopo la schiusa. Un metodo prevede che lavoratori esperti ispezionino manualmente il minuscolo cloaca, un compito che è veloce ma soggetto all'errore umano e alla fatica. L'altro utilizza macchine specializzate che sono accurate ma proibitivamente costose e lente per le operazioni su larga scala. Entrambi gli approcci faticano a stare al passo con le richieste delle moderne ed efficienti aziende agricole, lasciando un vuoto per una soluzione che sia allo stesso tempo economica e precisa.

Questa sfida ha spinto i ricercatori a esplorare l'intelligenza artificiale, in particolare l'uso della visione artificiale per "vedere" le differenze tra pulcini maschi e femmine. Sebbene alcuni tentativi precedenti abbiano cercato di analizzare il suono dei cinguettii o la consistenza delle piume, questi metodi spesso falliscono nell'ambiente rumoroso e imprevedibile di un vero incubatore. Il suono viene facilmente sovrastato dai macchinari e le piume possono oscurare le sottili differenze fisiche necessarie per l'identificazione. Per risolvere questo problema, un team di ricercatori ha sviluppato un nuovo sistema visivo che si concentra direttamente sulle gonadi del pulcino, gli organi interni che determinano il sesso. Combinando il riconoscimento d'immagine avanzato con una configurazione di telecamere specializzata, hanno creato uno strumento in grado di identificare il genere di un pulcino con alta precisiono, offrendo una potenziale via verso un allevamento più umano ed efficiente.

I ricercatori hanno iniziato affrontando l'ostacolo più fondamentale: i dati. Per insegnare a un computer come distinguere tra un pulcino maschio e uno femmina, avevano bisogno di una vasta libreria di immagini chiare che mostrassero i tratti fisici specifici di ciascuno. Hanno raccolto oltre 1.200 fotografie ad alta risoluzione di pulcini da carne gialli di un giorno. In un processo attento e non invasivo, specialisti hanno esposto delicatamente la regione cloacale di ogni pulcino per catturare le gonadi. Le immagini hanno rivelato una differenza distinta: i pulcini maschi mostrano una piccola protuberanza circolare, mentre le femmine appaiono relativamente piatte. Tuttavia, catturare queste immagini è difficile perché gli organi sono nascosti sotto le morbide piume di lanugine, e il processo spesso comporta l'uso di dita umane per tenere il pulcino, entrambi i fattori che possono bloccare la vista o creare ombre confondenti. Per superare questo, il team ha costruito il primo dataset standardizzato del suo genere in Cina, etichettando meticolosamente ogni immagine come maschio o femmina, creando una base per il loro sistema di intelligenza artificiale.

Con i dati in mano, il team ha costruito un sistema in due parti progettato per imitare il modo in cui un esperto umano approccerebbe il compito, ma con la velocità e la costanza di una macchina. La prima parte funge da localizzatore. Utilizzando una nota tecnologia di rilevamento degli oggetti, il sistema scansiona l'immagine di un pulcino e trova istantaneamente l'esatto punto in cui si trovano le gonadi, ignorando il resto dell'uccello, le piume e le dita umane che lo tengono. Successivamente, ritaglia solo quell'area, ridimensionandola in un formato standard. Questo passaggio è cruciale perché rimuove il disordine visivo che spesso confonde altri sistemi, assicurando che il computer guardi solo le caratteristiche biologiche rilevanti.

La seconda parte del sistema è il classificatore, il "cervello" che prende la decisione finale. Questa componente utilizza una rete neurale specializzata, un tipo di programma informatico modellato sul cervello umano, per analizzare l'immagine ritagliata. I ricercatori hanno progettato questa rete affinché prestasse attenzione a due cose specifiche: la forma complessiva dell'area e i dettagli specifici al suo interno. Hanno integrato un meccanismo che permette al sistema di concentrarsi sulle parti più importanti dell'immagine ignorando il rumore, proprio come un essere umano potrebbe socchiudere gli occhi per concentrarsi su un dettaglio specifico bloccando lo sfondo. Combinando strati profondi di estrazione delle caratteristiche con questo doppio focus, il sistema impara a riconoscere il sottile rigonfiamento circolare di un maschio o la superficie piatta di una femmina, anche quando l'immagine è leggermente imperfetta.

Quando testato, il sistema ha operato con una precisione sorprendente. In esperimenti controllati, il nuovo sistema ha identificato correttamente il genere di un pulcino in più del 91 percento dei casi. Questo è stato un miglioramento significativo rispetto all'uso di un modello di rilevamento standard da solo, che faticava con un'accuratezza di solo il 55 percento, evidenziando quanto fosse essenziale il design specializzato per gestire la realtà disordinata delle immagini del mondo reale. I ricercatori hanno anche confrontato il loro sistema con diversi altri popolari modelli di intelligenza artificiale, inclusi quelli basati su complesse architetture transformer e classiche reti convoluzionali. Il loro sistema non solo ha raggiunto l'accuratezza più elevata, ma lo ha fatto anche con meno risorse computazionali, rendendolo più veloce e adatto all'hardware limitato spesso presente nelle piccole aziende agricole.

Per garantire che il sistema non stesse solo indovinando ma stesse effettivamente imparando le corrette caratteristiche biologiche, i ricercatori hanno utilizzato una tecnica per visualizzare dove il computer stava "guardando" quando prendeva una decisione. I risultati hanno mostrato che il loro sistema si concentrava nitidamente sulla regione gonadica, specificamente sulla protuberanza o sull'area piatta, mentre altri modelli venivano spesso distratti dalle piume circostanti o dalle dita umane. Ciò ha confermato che il sistema si affidava alle stesse indicazioni anatomiche utilizzate dagli esperti umani, piuttosto che trovare schemi accidentali nello sfondo. In una prova nel mondo reale allestita in un incubatore commerciale, il sistema è stato eseguito continuamente per sei ore su hardware modesto e accessibile, elaborando circa 11 o 12 pulcini al secondo con un'accuratezza costante, indipendentemente dai cambiamenti di illuminazione o da chi stava maneggiando gli uccelli.

Lo studio conclude che questo sistema visivo leggero offre un'alternativa percorribile e a basso costo per l'industria avicola. Automatizzando il processo di identificazione del genere con un'alta precisione, promette di ridurre la dipendenza dal lavoro manuale e dalle macchine costose, potenzialmente riducendo i costi e migliorando il benessere animale. I ricercatori hanno reso il loro dataset e il codice sorgente del loro sistema pubblicamente disponibili, invitando altri a costruire sul loro lavoro. Sebbene l'attuale sistema sia stato testato su una singola razza di pulcino in condizioni specifiche, il successo di questo approccio suggerisce una chiara strada da seguire per lo sviluppo di strumenti automatizzati robusti e capaci di adattarsi ai diversi e impegnativi ambienti dell'agricoltura moderna.