睿畜科技: 智能养猪,深度学习技术在规模化牲畜养殖领域的应用

by 英伟达中国

背景

随着畜牧养殖逐渐走向规模化,养殖场管理的复杂程度也在不断提升,目前的大多数规模化养殖场主要依靠纸张、手机App 和电脑记录牲畜的数量、行为等相关信息,信息录入过程依赖于人工的手动记录。手工记录信息的方式,极可能造成无意的错漏,还会导致不可避免的大量信息传输滞后。

例如,规模化的母猪养殖需要对母猪生理状态进行检测,如体温、运动状态、激素水平,通过变化规模了解母猪是否处于发情期。目前普遍采用多次人工查情,增加配种次数的方式,尽可能提高配种成功率,但是耗时耗力,且人工判断完全靠经验,不够精准。

单靠“人工”已经力不从心了,但“人工智能”深度学习则为规模化养殖场提供了解决方案。

案例介绍

智能繁育减少空怀期

睿畜科技团队积极利用深度学习技术,为养殖企业建立科学化个体化的人工智能养殖管理系统——天蓬系统,24 小时无间断地对养殖场内所有牲畜的身份、状态和移动轨迹进行实时自动化监测,实时预测它们的生理状态,并通过后期建立GPU集群处理多路视频,来完成大规模的视频解析和AI计算,为其发情做精准预报,提高配种成功率,减少空怀期。

智能用料提高料肉比

除此之外,对于肉猪用料管理方面,利用深度学习技术做轮廓识别,从肉猪断奶到出栏,能进行实时体型体重估算,并绘制其生长曲线、吃料情况(靠近料槽的次数以及停留的时间),帮助养殖场合理用料,提高料肉比,带来更多的收益。

更强的算力支持,更少的人力投入

对于天蓬系统,深度学习多目标检测任务模型的训练、测试和调用都需要耗费大量的计算资源,必须利用加速器快速实现AI计算,缩短模型迭代周期,高效地更新算法。前测试CPU四核十二线程跑满处理1080P,用于检测猪只的深度卷积神经网络模型检测平均速度为0.4fps,而测试单个GPU训练Caffe、Keras、TensorFlow 等开源框架下的深度学习模型的速度消耗的时间能减少到1/20,单帧检测速度提升到了普通运算的8倍,进而能够实时、科学地给养殖企业提供有力的分析支持。

从人力成本方面,以年出栏20万头猪的养殖场为例,至少需要配备70多个员工来负责猪的日常生产,而有了天蓬,仅需原来1/3的人力即可高效完成同样的工作。

可见,人工智能养殖能够实现规模化养殖,为企业带来多方面的效益。不仅能够帮助其确保牲畜健康生长,实现牲畜养殖溯源,精细化个体养殖管理,还能减少人工投入,提高整体养殖效率。但睿畜科技的思考并未止于此,如何进一步联合政府监管部门、保险公司、饲料公司、药企,做到信息互联互通,带动中国万亿养猪业实现智能化升级,也是睿畜科技下一步的研究发展方向。

www.nvidia.com

© 2019 NVIDIA Corporation. All rights reserved.