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

In de bruisende wereld van de moderne pluimveehouderij drijft een simpel biologisch feit complexe economische beslissingen aan: mannelijke en vrouwelijke kuikens hebben verschillende diëten nodig om te gedijen. Mannetjes groeien het best op energierijk voedsel om gewicht op te bouwen, terwijl vrouwtjes behoefte hebben aan eiwitrijke maaltijden om de eierproductie te maximaliseren. Decennialang hebben boeren vertrouwd op twee hoofdwegen om de geslachten te onderscheiden nadat de kuikens uit het ei zijn gekomen. De ene methode omvat deskundige werkers die handmatig de kleine cloaca inspecteren, een taak die snel is maar gevoelig voor menselijke fouten en vermoeidheid. De andere methode maakt gebruik van gespecialiseerde machines die accuraat zijn, maar onbetaalbaar duur en traag voor grootschalige operaties. Beide benaderingen worstelen om te voldoen aan de eisen van moderne, efficiënte boerderijen, waardoor er een gat ontstaat voor een oplossing die zowel betaalbaar als nauwkeurig is.

Deze uitdaging heeft ertoe geleid dat onderzoekers kunstmatige intelligentie verkennen, specifiek door middel van computer vision om de verschillen tussen mannelijke en vrouwelijke kuikens te "zien". Ho'ewel sommige eerdere pogingen hebben geprobeerd om het geluid van gepiep of de textuur van veren te analyseren, falen deze methoden vaak in de lawaaierige, onvoorspelbare omgeving van een echte broedmachine. Geluid wordt gemakkelijk overstemd door machines en veren kunnen de subtiele fysieke verschillen die nodig zijn voor identificatie verhullen. Om dit op te lossen, heeft een team van onderzoekers een nieuw visueel systeem ontwikkeld dat zich direct richt op de gonaden van het kuiken, de interne organen die het geslacht bepalen. Door geavanceerde beeldherkenning te combineren met een gespecialiseerde camerasetup, hebben zij een hulpmiddel gecreëerd dat het geslacht van een kuiken met een hoge nauwkeurigheid kan identificeren, wat een potentiële weg biedt naar een meer humane en efficiënte landbouw.

De onderzoekers begonnen door de meest fundamentele hindernis aan te pakken: data. Om een computer te leren hoe hij een mannelijk en een vrouwelijke kuiken van elkaar kan onderscheiden, hadden ze een uitgebreide bibliotheek nodig van heldere afbeeldingen die de specifieke fysieke kenmerken van elk type laten zien. Ze verzamelden meer dan 1.200 hoogwaardige foto's van één dag oude gele broilerkuikens. In een zorgvuldig, niet-invasief proces legden specialisten de cloaca-regio van elk kuiken voorzichtig bloot om de gonaden vast te leggen. De beelden onthulden een duidelijk verschil: mannelijke kuikens vertonen een kleine, ronde uitstulping, terwijl vrouwelijke kuikens relatief vlak lijken. Het vastleggen van deze beelden is echter moeilijk omdat de organen verborgen liggen onder zachte donsveren, en het proces vaak menselijke vingers omvat die het kuiken vasthouden, wat zowel het zicht kan blokkeren als verwarrende schaduwen kan creëren. Om dit te overwinnen, bouwde het team de eerste gestandaardiseerde dataset van dit soort in China, waarbij elke afbeelding zorgvuldig werd gelabeld als mannelijk of vrouwelijk, wat een fundament vormde voor hun systeem van kunstmatige intelligentie.

Met de data in handen construeerde het team een tweeledig systeem, ontworpen om de manier na te bootsen waarop een menselijke expert de taak zou benaderen, maar dan met de snelheid en consistentie van een machine. Het eerste deel fungeert als een lokalisator. Met behulp van een bekende technologie voor objectdetectie scant het systeem een afbeelding van een kuiken en vindt onmiddellijk de exacte plek waar de gonaden zich bevinden, waarbij de rest van de vogel, de veren en de menselijke vingers die het vasthouden worden genegeerd. Vervolgens knipt het alleen dat kleine gebied uit en schaalt het naar een standaardformaat. Deze stap is cruciaal omdat het de visuele rommel verwijdert die andere systemen vaak in verwarring brengt, waardoor de computer alleen naar de relevante biologische kenmerken kijkt.

Het tweede deel van het systeem is de classifier, de "hersenen" die de uiteindelijke beslissing nemen. Dit onderdeel maakt gebruik van een gespecialiseerd neuraal netwerk, een type computerprogramma dat gemodelleerd is naar het menselijk brein, om de uitgesneden afbeelding te analyseren. De onderzoekers ontwierpen dit netwerk om aandacht te besteden aan twee specifieke zaken: de algehele vorm van het gebied en de specifieke details daarin. Ze integreerden een mechanisme waarmee het systeem zich kan concentreren op de belangrijkste delen van de afbeelding terwijl het de ruis negeert, net zoals een mens de ogen kan samenknijpen om zich op een specifiek detail te concentreren terwijl de achtergrond wordt buitengesloten. Door diepe lagen van kenmertextractie te combineren met deze dubbele focus, leert het systeem de subtiele ronde bult van een mannetje of het vlakke oppervlak van een vrouwtje te herkennen, zelfs wanneer de afbeelding licht imperfect is.

Bij tests presteerde het systeem met opmerkelijke precisie. In gecontroleerde experimenten identificeerde het nieuwe systeem het geslacht van een kuiken in meer dan 91 procent van de gevallen. Dit was een significante verbetering ten opzichte van het gebruik van een standaard detectiemodel alleen, dat moeite had met een nauwkeurigheid van slechts 55 procent, wat benadrukte hoe essentieel het gespecialiseerde ontwerp was voor het omgaan met de rommelige realiteit van echte afbeeldingen. De onderzoekers vergeleken hun systeem ook met verschillende andere populaire modellen voor kunstmatige intelligentie, waaronder die gebaseerd op complexe transformer-architecturen en klassieke convolutionele netwerken. Hun systeem behaalde niet alleen de hoogste nauwkeurigheid, maar deed dit ook met minder rekenkracht, waardoor het sneller en geschikter is voor de beperkte hardware die vaak op kleinere boerderijen te vinden is.

Om te waarborgen dat het systeem niet simpelweg gokte maar daadwerkelijk de juiste biologische kenmerken leerde, gebruikten de onderzoekers een techniek om te visualiseren waar de computer naar "keek" wanneer hij een beslissing nam. De resultaten toonden aan dat hun systeem scherp focuste op de gonadale regio, specif de uitstulping of het vlakke oppervlak, terwijl andere modellen vaak werden afgeleid door de omliggende veren of de menselijke vingers. Dit bevestigde dat het systeem vertrouwde op dezelfde anatomische aanwijzingen die menselijke experts gebruiken, in plaats van accidentele patronen in de achtergrond te vinden. In een praktijktest in een commerciële broedmachine draaide het systeem continu gedurende zes uur op bescheiden, betaalbare hardware, waarbij het ongeveer 11 tot 12 kuikens per seconde verwerkte met een consistente nauwkeurigheid, ongeacht veranderingen in de verlichting of wie de vogels vasthield.

De studie concludeert dat dit lichte visuele systeem een levensvatbaar, goedkoop alternatief biedt voor de pluimvee-industrie. Door de identificatie van het geslacht te automatiseren met een hoge nauwkeurigheid, belooft het de afhankelijkheid van handarbeid en dure machines te verminderen, wat potentieel de kosten verlaagt en het dierenwelzijn verbetert. De onderzoekers hebben hun dataset en de broncode van hun systeem publiekelijk beschikbaar gesteld, in een uitnodiging aan anderen om voort te bouwen op dit werk. Hoewel het huidige systeem werd getest op een enkel ras kuiken onder specifieke omstandigheden, suggereert het succes van deze aanpak een duidelijke weg voorwaarts voor de ontwikkeling van robuuste, geautomatiseerde tools die kunnen worden aangepast aan de diverse en veeleisende omgevingen van de moderne landbouw.