ПІДВИЩЕННЯ КОНКУРЕНТОСПРОМОЖНОСТІ ПРОДУКЦІЇ ТВАРИННИЦТВА В УМОВАХ ЦИФРОВОЇ ЕКОНОМІКИ
DOI:
https://doi.org/10.32689/2523-4536/68-3Ключові слова:
конкурентоспроможність, тваринництво, підприємства тваринництва, цифрові технології, Precision Livestock FarmingАнотація
Вихід продукції на одиницю тварини зменшується через такі причини, як традиційна практика, зміна клімату, змішування соціально-економічних та екологічних явищ в умовах фермерських господарств. Благополуччя тварин також має значний вплив на продуктивність, і тварини повинні постійно перебувати під наглядом і контролем, щоб відстежувати стан їхнього благополуччя. Оцінка благополуччя традиційно проводилася в минулому шляхом безпосереднього спостереження людьми та надання інформації лише в окремі моменти часу. Мета статті – дослідити існуючі сучасні інформаційні інструменти підвищення конкурентоспроможності діяльності підприємств тваринництва та управління біологічними активами. Великомасштабне тваринництво повинно мати автоматизовані та економічно ефективні системи ідентифікації тварин для фермерів як передумову для зв'язку даних про тварин з системами точного тваринництва. В даний час радіочастотна ідентифікація, оптичне розпізнавання символів і системи розпізнавання обличчя широко використовуються в галузі свинарства та інших тварин або серед окремих методів ідентифікації, що використовуються в дослідженнях.
Посилання
Alonso R. S. An intelligent Edge-IoT platform for monitoring livestock and crops in a dairy farming scenario. Alonso R. S., Sittón-Candanedo I., García O., Prieto J., Rodríguez-González S. Ad Hoc Networks. 2020. № 98. С. 102047
Canga D. Determination of the Effect of Some Properties on Egg Yield with Regression Analysis Met-hod Bagging Mars and R / Canga D., Boğa M. Turkish Journal of Agriculture – Food Science and Technology. 2020. № 8(8). С. 1705-1712, 2020 DOI: https://doi.org/10.24925/turjaf.v8i8.1705-1712.3468.
Çevik K. K. Deep Learning Based Real-Time Body Condition Score. Classification System Digital Object. 2020.
Fuentes S. Artificial Intelligence Applied to a Robotic Dairy Farm to Model Milk Productivity and Quality based on Cow Data. Fuentes S., Viejo C. G., Cullen B., Tongson E., Chauhan S. S., Dunshea F. R. Daily Environmental Parameters. 2020. № 20. С. 2975. DOI: https://doi.org/10.3390/s20102975 www.mdpi.com/journal/sensors.
Ilyas Q. M. Smart Farming: An Enhanced Pursuit of Sustainable Remote Livestock Tracking and Geofencing Using IoT and GPRS Hindawi. Ilyas Q. M., Ahmad M. Wireless Communications and Mobile Computing. Volume 2020, Article ID 6660733, 12. DOI: https://doi.org/10.1155/2020/6660733.
Kakani V. A critical review on computer vision and artificial intelligence in food industry. Kakani V., Nguyen V. H., Kumar B. P., Kim H., Pasupuleti V. R. Journal of Agriculture and Food Research. 2020. № 2, 100033.
Smith P. Effects of Multivalent BRD Vaccine Treatment and Temperament on Performance and Feeding Behavior Responses to a BVDV1b Challenge in Beef Steers / Smith P., Carstens G., Runyan C., Ridpath J., Sawyer J., Herring A. Animals. 2021. 11(7), 2133
Tekin K. Precision livestock farming technologies: Novel direction of information flow. Tekin K., Yurdakök Dikmen B., Kanca H., Guatteo R. Ankara Univ Vet Fak Derg. 2021. № 68, 193-212, DOI: https://doi.org/10.33988/auvfd.837485.
Tschoner T. Retrospective Evaluation of Claw Lesions, Inflammatory Markers, and Outcome after Abomasal Rolling in Cattle with Left Displacement of the Abomasum. Tschoner T., Zablotski Y., Feist M. Animals. 2021, 11, 1648. DOI: https://doi.org/10.3390/ani11061648 https://www.mdpi.com/journal/animals.
Volkmann N. On-farm detection of claw lesions in dairy cows based on acoustic analyses and machine learning/ Volkmann N., Kulig B., Hoppe S., Stracke J., Hensel O., Kemper N. Journal of dairy science. 2021. 104(5), 5921- 5931.
Wang Z. Applications of machine learning for livestock body weight prediction from digital images / Wang Z., Shadpour S., Chan E., Rotondo V., Wood K. M., Tulpan D. Journal of Animal Science. 2021, Vol. 99, No. 2, 1–15, doi:10.1093/jas/skab022.
You J. A supervised machine learning method to detect anomalous real-time broiler breeder body weight data recorded by a precision feeding system/ You J., Lou E., Afrouziyeh M., Zukiwsky N. M., Zuidhof M. J. Computers and ElectronicsinAgriculture. 2021. С.185-171
Болтянська Н., Подашевська Н., Скляр О., Скляр Р., Болтянський О. Проблеми впровадження цифрових технологій у тваринництві. ITEA-2021: 1-й семінар 10-ї Міжнародної науково-практичної конференції "Інформаційні технології в енергетиці та агропромисловому комплексі", 6-8 жовтня 2021 року, м. Львів, Україна. С. 75-89.
Alonso, R.S., Sittón-Candanedo, I., García, O., Prieto, J., Rodríguez-González, S. (2020). An intelligent Edge-IoT platform for monitoring livestock and crops in a dairy farming scenario Ad Hoc Networks 98 102047
Canga, D., Boğa, M. (2020). Determination of the Effect of Some Properties on Egg Yield with Regression Analysis Met-hod Bagging Mars and R, Turkish Journal of Agriculture – Food Science and Technology, 8(8): 1705-1712, 2020 DOI: https://doi.org/10.24925/turjaf.v8i8.1705-1712.3468.
Çevik, K.K. (2020). Deep Learning Based Real-Time Body Condition Score Classification System Digital Object Identifier. DOI: https://doi.org/10.1109/ACCESS.2020.3040805.
Fuentes, S., Viejo CG., Cullen, B., Tongson, E., Chauhan, S.S. and Dunshea, F.R. (2020). Artificial Intelligence Applied to a Robotic Dairy Farm to Model Milk Productivity and Quality based on Cow Data and Daily Environmental Parameters, 20, 2975. DOI: https://doi.org/10.3390/s20102975 www.mdpi.com/journal/sensors.
Ilyas, Q.M. and Ahmad, M. (2020). Smart Farming: An Enhanced Pursuit of Sustainable Remote Livestock Tracking and Geofencing Using IoT and GPRS Hindawi Wireless Communications and Mobile Computing Volume 2020, Article ID 6660733, 12. DOI: https://doi.org/10.1155/2020/6660733.
Kakani, V., Nguyen, V.H., Kumar, B.P., Kim, H., Pasupuleti, V.R. (2020). A critical review on computer vision and artificial intelligence in food industry Journal of Agriculture and Food Research 2, 100033.
Smith, P., Carstens, G., Runyan, C., Ridpath, J., Sawyer, J. and Herring, A. (2021). Effects of Multivalent BRD Vaccine Treatment and Temperament on Performance and Feeding Behavior Responses to a BVDV1b Challenge in Beef Steers. Animals, 11(7), 2133
Tekin, K., Yurdakök dikmen, B., Kanca, H., Guatteo, R. (2021). Precision livestock farming technologies: Novel direction of information flow, Ankara Univ Vet Fak Derg, 68, 193-212. DOI: https://doi.org/10.33988/auvfd.837485.
Tschoner, T., Zablotski, Y. and FEIST, M. (2021). Retrospective Evaluation of Claw Lesions, Inflammatory Markers, and Outcome after Abomasal Rolling in Cattle with Left Displacement of the Abomasum Animals 2021, 11, 1648. DOI: https://doi.org/10.3390/ani11061648 https://www.mdpi.com/journal/animals.
Volkmann, N., Kulig, B., Hoppe, S., Stracke, J., Hensel, O. and Kemper, N. (2021). On-farm detection of claw lesions in dairy cows based on acoustic analyses and machine learning. Journal of dairy science, 104(5), 5921- 5931.
Wang, Z., Shadpour, S., Chan, E., Rotondo, V., Wood, K.M. and Tulpan, D. (2021). Applications of machine learning for livestock body weight prediction from digital images Journal of Animal Science, 2021, Vol. 99, No. 2, 1–15. DOI: https://doi.org/10.1093/jas/skab022.
You, J., Lou, E., Afrouziyeh, M., Zukiwsky, N.M., Zuidhof, M.J. (2021). A supervised machine learning method to detect anomalous real-time broiler breeder body weight data recorded by a precision feeding system Computers and ElectronicsinAgriculture185(2021)106171
Boltyanska N., Podashevska N., Skliar O., Skliar R., Boltyansky O. (2021). Problems of implementation of digital technologies in animal husbandry. ITEA-2021: 1st workshop of the 10th International Scientific and Practical Conference "Information Technologies in Energy and Agroindustrial Complex", October 6-8, 2021, Lviv, Ukraine. P. 75-89 [In Ukrainian].
