طراحی سامانه سخت‌افزاری و نرم‌افزاری خودکارسازی هوشمند دامداری صنعتی با کمک اینترنت اشیاء

دامپروری صنعتی نسل چهارم باعث کاهش تلفات دام، افزایش میزان باروری، کاهش هزینه‌های عملیاتی، مدیریت منابع انسانی و به‌ صورت کلی افزایش بهره‌وری می‌شود. در این تحقیق مجموعه‌ای از حسگرهای الکترونیکی زیستی برای خودکارسازی هوشمند دامداری صنعتی به‌ صورت یک گردن‌بند و یک پابند طراحی شد که به تک‌تک دام‌ها متصل می‌شود. مجموعه‌ای از دروازه‌های اینترنت اشیا که به ‌صورت اختصاصی برای مزرعه طراحی و به صورت آزمایشی پیاده‌سازی شدند وظیفۀ انتقال داده‌های این حسگرها را به سیستم محاسبات ابری بر عهده داشتند. با طراحی یک سامانۀ نرم‌افزاری تحلیل داده‌های بزرگ بر اساس اطلاعات جمع‌آوری ‌شده از دام‌ها، رفتار دام برای ارائۀ توصیه‌های لازم در مدیریت دامداری مدل شد. سامانۀ خودکارسازی ارائه ‌شده، نشانه های حیاتی دام‌ها شامل دمای بدن، میزان تحرک، میزان تغذیه و نشخوار، فحل بودن و رفتار دام‌ها مانند استرس‌ گرمایی و موارد مشابه را با دقت بالایی در لحظه نظارت می‌کند و در اختیار دامداران قرار می‌دهد. در این تحقیق با کمک داده‌های حسگرهای دام و روش‌های هوش مصنوعی رفتار دام به ‌صورت شبانه‌روزی ‌بررسی شد. دقت الگوریتم نزدیک‌ترین همسایه  برای مدل‌سازی رفتار دام 78 درصد و دقت شبکه‌های عصبی پیچشی 84 درصد بود. اما با توجه به‌ سادگی اجرای الگوریتم نزدیک‌ترین همسایه  استفاده از این روش طول عمر باتری سیستم را تا 4.5 برابر افزایش داد و انتخاب مناسب‌تری بود.

Design of Hardware and Software Platform for Intelligent Automation of Livestock Farming using Internet of Things

The 4th generation industrial livestock farming reduces livestock losses, increases fertility rates, reduces operating costs, manages human resources, and generally increases productivity. In this research, a set of wearable sensors including a cattle collar and a leg mounted sensor was designed for automation of livestock farming. A LoRaWAN based internet of things network was designed using a set of custom gateways in three livestock farms. An intelligent livestock big data analysis framework that uses edge and cloud computing was designed for processing and modelling of the behaviour of the cattle using the collected sensor data. A decision support system for estrous cycle management, stress and health control and cattle behaviour modelling was designed using machine learning based modelling of this data. The proposed system monitored the cattle and provided the vital signs such as body temperature, mobility, feeding behaviour and estrous behaviour for management and veterinarian decision support. The accuracy of the KNN algorithm for modelling livestock behaviour was 78% and the accuracy of convolutional deep neural networks was 84%. However, due to the simplicity of the KNN algorithm, this method increased the battery life of the system by 4.5 times and therefore, it was a more appropriate choice for commercial livestock farming.