[Chăn nuôi Việt Nam] – Thịt lợn giữ vai trò chủ lực trong cơ cấu sản phẩm chăn nuôi, nhưng khi quy mô trang trại ngày càng mở rộng, phương thức giám sát thủ công dần bộc lộ nhiều hạn chế, gây áp lực cho người chăn nuôi và tiềm ẩn rủi ro đối với sức khỏe đàn vật nuôi. Trong bối cảnh đó, ứng dụng trí tuệ nhân tạo (AI) thông qua hệ thống cảm biến, camera và công nghệ RFID đang mở ra hướng tiếp cận mới: thu thập và phân tích dữ liệu hành vi, âm thanh của lợn theo thời gian thực, giúp phát hiện sớm bất thường, nâng cao phúc lợi vật nuôi và hiệu quả sản xuất.

Dân số toàn cầu không ngừng gia tăng đã kéo theo nhu cầu ngày càng lớn đối với các sản phẩm chăn nuôi bền vững (Godfray và Garnett, 2014). Trong bối cảnh đó, thịt lợn – một trong những sản phẩm chủ lực của ngành chăn nuôi đóng vai trò then chốt đối với an ninh lương thực toàn cầu. Đồng thời, cùng với sự phát triển của nền kinh tế và nhận thức ngày càng cao của người tiêu dùng về thực phẩm an toàn, lành mạnh, vấn đề sức khỏe và phúc lợi của lợn ngày càng được quan tâm nhiều hơn (Qiao và ctv, 2021). 

Phúc lợi động vật thường được tiếp cận từ 3 khía cạnh chính: đời sống tự nhiên, trạng thái cảm xúc và sức khỏe cũng như khả năng hoạt động (Gómez và ctv, 2021). Riêng đối với lợn, việc đánh giá sức khỏe và phúc lợi có thể dựa trên các chỉ số về ngoại hình (như khối lượng, kích thước cơ thể), hành vi hoặc khả năng phát ra tín hiệu âm thanh (Racewicz và ctv, 2021). Trước đây, nông dân chủ yếu dựa vào kinh nghiệm cá nhân để quan sát và đưa ra đánh giá. Tuy nhiên, phương pháp truyền thống này không thể đáp ứng được nhu cầu giám sát liên tục và theo thời gian thực trong điều kiện chăn nuôi quy mô lớn (Garcia và ctv, 2020).

Để nâng cao hiệu quả, hướng đến phát triển bền vững, ngành chăn nuôi lợn đã dần ứng dụng nhiều công nghệ tiên tiến như cảm biến thông minh, internet vạn vật (IoT) và AI (Gauthier và ctv, 2022). Công nghệ chăn nuôi chính xác (Precision Livestock Farming-PLF) tận dụng các công cụ AI và IoT để thu thập, phân tích dữ liệu và hỗ trợ quản lý đàn vật nuôi (Collins và Smith, 2022). Thông qua việc kết hợp cảm biến, camera, micro cùng phần mềm thông minh, PLF cho phép nhận dạng hành vi, theo dõi sự phát triển và tình trạng sức khỏe của lợn, từ đó đưa ra các giải pháp quản lý phù hợp nhằm cải thiện năng suất, phúc lợi cũng như giảm thiểu tác động môi trường (Halachmi và Guarino, 2016). Trong bối cảnh chăn nuôi hiện đại, PLF ngày càng trở thành công nghệ trọng yếu, bởi việc chăm sóc chi tiết đến từng cá thể vật nuôi là rất khó nếu thiếu sự hỗ trợ của công nghệ (Zhang và ctv, 2019). Đặc biệt, AI đã mở rộng đáng kể khả năng ứng dụng của các thiết bị và cảm biến, góp phần thúc đẩy sự phát triển của ngành chăn nuôi lợn cũng như các loài vật nuôi khác.

Ứng dụng AI trong chăn nuôi lợn chính xác

Nhu cầu toàn cầu đối với các sản phẩm từ động vật đang tăng trưởng theo cấp số nhân, từ đó thúc đẩy sản xuất chăn nuôi một cách sáng tạo, đồng thời bảo tồn phúc lợi động vật và thúc đẩy các hoạt động bền vững đã nổi lên như một thách thức then chốt. Tuy nhiên, thách thức này đồng thời cũng mang đến một cơ hội hấp dẫn. Nó thúc đẩy việc tích hợp các công nghệ tiên tiến như IoT và AI vào lĩnh vực quản lý chăn nuôi, từ đó định hình lại các mô hình chăn nuôi truyền thống (Gu và ctv, 2020; Tzanidakis và ctv, 2021).

Chăn nuôi lợn chính xác (Precision pig farming) được xem là một giải pháp quan trọng nhằm tăng cường khả năng quản lý đàn lợn quy mô lớn, đồng thời đảm bảo giám sát sức khỏe và phúc lợi của từng cá thể một cách hiệu quả (Tzanidakis và ctv, 2021).

Một hệ thống chăn nuôi lợn chính xác điển hình thường bao gồm 4 mô-đun: Thiết bị IoT; Dữ liệu; PhÂn tích và ra quyết định dựa trên AI; Trực quan hóa (Gómez và ctv, 2021). Trong bối cảnh dữ liệu lớn, AI và IoT phát triển mạnh mẽ, csdc hệ thống này đã có những bước tiến đáng kể trong những năm gần đây (Arulmozhi và ctv, 2021).

Mô-đun thiết bị IoT bao gồm các cảm biến thu thập dữ liệu, thiết bị giám sát và kiểm soát môi trường, thiết bị kết nối và truyền dẫn mạng cùng các tiện ích liên quan khác. Hệ thống IoT cần được vận hành đúng cách trong môi trường khắc nghiệt để đảm bảo dữ liệu và thông tin có thể đáp ứng nhu cầu chăn nuôi lợn. Mô-đun dữ liệu bao gồm thu thập, xử lý, lưu trữ dữ liệu và hệ thống cảnh báo lỗi thiết bị. Việc thu thập và xử lý dữ liệu chủ yếu chịu trách nhiệm xử lý dữ liệu được thu thập bởi thiết bị IoT, tạo ra dữ liệu và thông tin hữu ích. Hệ thống cảnh báo lỗi thiết bị chủ yếu giám sát các cảm biến, máy cho ăn tự động, máy bơm và các thiết bị vật lý khác để thu thập dữ liệu một cách bình thường. Môđun quyết định và phân tích dựa trên AI bao gồm đánh giá sức khỏe và phúc lợi của lợn, chẩn đoán bệnh, kiểm soát môi trường, quản lý dinh dưỡng và sản xuất, và hệ thống ra quyết định của trang trại lợn.

Phúc lợi của lợn thường được thể hiện qua hành vi của lợn. Sức khỏe, phúc lợi và chẩn đoán bệnh của lợn có thể được đánh giá thông qua hệ thống ra quyết định sử dụng tín hiệu hình ảnh và âm thanh. Mặt khác, hệ thống ra quyết định dựa trên AI kiểm soát hoạt động của thiết bị vật lý liên quan đến kiểm soát môi trường và quản lý dinh dưỡng để tăng cường sức khỏe và phúc lợi của lợn, chủ yếu dựa trên kết quả phân tích trên. Mô-đun trực quan hóa cung cấp cho người chăn nuôi thông tin trực quan và hiển thị thông tin đầu ra hợp lệ từ các mô-đun khác (Tzanidakis và ctv, 2021; Gómez và ctv, 2021; Arulmozhi và ctv, 2021).

Cốt lõi của chăn nuôi lợn chính xác là sự kết hợp giữa IoT và AI để duy trì việc giám sát liên tục các chỉ số sức khỏe và phúc lợi (Gu và ctv, 2020). Cụ thể, IoT được triển khai thông qua cảm biến đo nhiệt độ, độ ẩm cùng nhiều thông số môi trường khác, đồng thời kết nối với các thiết bị mạng để thu thập dữ liệu. Dữ liệu này sau đó được truyền qua internet công nghiệp đến máy chủ, nơi AI và điện toán đám mây thực hiện các bước trích xuất đặc điểm, phân tích, mô hình hóa và hỗ trợ ra quyết định (Sun và ctv, 2021). Trong toàn bộ quy trình này, độ tin cậy được coi là yếu tố then chốt quyết định thành công của việc triển khai hệ thống (Diana và ctv, 2019).

Ở giai đoạn phân tích, các camera và micro giúp ghi nhận những đặc điểm phản ứng của vật nuôi, sau đó hệ thống AI và các phương pháp học máy sẽ chuyển đổi dữ liệu này thành các chỉ số chính phục vụ quản lý (Vranken và Berckmans, 2017). Nhờ đó, các chiến lược tối ưu hóa sản xuất và sinh sản có thể được thiết lập, giúp tránh tình trạng cho ăn quá mức, giảm thiểu chất thải, hạ thấp chi phí chăn nuôi, đồng thời nâng cao tính bền vững về kinh tế, xã hội, môi trường (Yu và ctv, 2021).

Hiện nay, thiết bị thông minh dựa trên AI trong chăn nuôi lợn chính xác đã được ứng dụng ở nhiều lĩnh vực như truy xuất nguồn gốc sản phẩm, giám sát hành vi và giám sát âm thanh (Gray và ctv, 2017). Ở khía cạnh truy xuất nguồn gốc, IoT cùng các cảm biến (đặc biệt là công nghệ nhận dạng tần số vô tuyến-RFID) được triển khai để theo dõi xuyên suốt quá trình sản xuất, chế biến, lưu trữ, phân phối và tiêu thụ (PlàAragonès, 2021). Khi xảy ra sự cố liên quan đến chất lượng hoặc an toàn thực phẩm, hệ thống này cho phép nhanh chóng xác định nguồn gốc và nguyên nhân, góp phần kiểm soát tốt hơn toàn bộ chuỗi cung ứng. Ngoài ra, nhiều nghiên cứu đã chứng minh các hệ thống giám sát trong chăn nuôi lợn chính xác hiện nay đang khai thác đồng thời nhiều công nghệ cảm biến khác nhau nhằm theo dõi toàn diện các khía cạnh trong đời sống của lợn (Tzanidakis và ctv, 2021).

Nghiên cứu sử dụng cân sàn hỗ trợ ghi nhận khối lượng để theo dõi tăng trưởng; micro thu thập và phân tích âm thanh nhằm phát hiện các bất thường về sức khỏe hoặc hành vi; camera nhiệt đánh giá sự phân bố nhiệt độ cơ thể; trong khi nhiệt kế hồng ngoại cho phép đo chính xác nhiệt độ của từng cá thể (Gómez và ctv, 2021). Sự tích hợp này tạo thành một hệ thống giám sát đa chiều, cung cấp dữ liệu tin cậy cho các mô hình phân tích AI, từ đó nâng cao khả năng quản lý sức khỏe và phúc lợi của đàn lợn một cách khoa học và hiệu quả.

Ứng dụng AI trong theo dõi sức khoẻ lợn

Một trong những phương pháp chính là phân tích âm thanh để theo dõi sức khỏe đường hô hấp của lợn. Các hệ thống như máy theo dõi ho lợn liên tục ghi nhận và phân tích âm thanh từ chuồng nuôi để phát hiện các dấu hiệu bệnh hô hấp (Hemeryck và Berckmans, 2015). Các kết quả cho thấy, việc kết hợp công nghệ AI với thiết bị thu âm có thể giúp nhận diện tiếng ho, cung cấp những hướng dẫn kỹ thuật hiệu quả cho việc chăn nuôi.

Ngoài âm thanh, các nhà nghiên cứu còn sử dụng phân tích hình ảnh để giám sát sức khỏe của lợn (Jorquera-Chavez và ctv, 2020). Kỹ thuật này giúp theo dõi các dấu hiệu sinh lý quan trọng như nhiệt độ, nhịp tim và nhịp thở. JorqueraChavez và ctv (2020) đã nghiên cứu cách sử dụng hình ảnh nhiệt và thông thường để đo lường những thay đổi này, cho thấy kỹ thuật thị giác máy tính có thể cung cấp dữ liệu quan trọng để quản lý bệnh. Năm 2021, nhóm nghiên cứu đã phát triển một hệ thống sử dụng camera RG (đỏ, lục, lam) và camera ảnh nhiệt, kết hợp với các kỹ thuật theo dõi bằng máy tính, để giám sát nhịp tim và nhịp thở từ xa (Jorquera-Chavez và ctv, 2021). Thí nghiệm đã chỉ ra sự khác biệt rõ rệt về nhịp thở giữa lợn khỏe mạnh và lợn bị bệnh, mặc dù cần thêm nghiên cứu để hoàn thiện phương pháp này. Việc ước tính khối lượng của lợn cũng có thể thực hiện một cách tự động. Camera 3D vượt trội hơn camera 2D nhờ khả năng cung cấp thông tin về chiều sâu, giúp ước tính khối lượng chính xác hơn (Condotta và ctv, 2018).

Một nghiên cứu của Kongsro (2024) đã sử dụng camera Kinect 3D để tạo ra bản đồ độ sâu và bản đồ đám mây điểm của lợn. Khi kết hợp với công nghệ học máy, phương pháp này đã cải thiện độ chính xác, với sai số chỉ khoảng 4-5% so với khối lượng trung bình của lợn.

Thị giác máy tính là một công cụ không tiếp xúc mạnh mẽ để theo dõi liên tục hành vi và phúc lợi của lợn (Zhang và ctv, 2019). Việc phát hiện và theo dõi từng con lợn là yếu tố then chốt để chuyển từ việc điều trị cả đàn sang chăm sóc từng cá thể (Van der và ctv, 2021). Hệ thống AI dựa trên thị giác cho phép phát hiện và theo dõi lợn tự động theo thời gian thực (Huang và ctv, 2022). Từ đó, có thể theo dõi những thay đổi về hành vi của từng con, giúp xác định sớm các vấn đề về sức khỏe và phúc lợi. Hiểu rõ những thay đổi hành vi (cả tự nhiên và bất thường) là rất quan trọng để chẩn đoán sức khỏe, năng suất và điều chỉnh môi trường sống của lợn, như chuồng trại và chế độ ăn (Pedersen, 2018). Việc theo dõi hành vi lợn theo thời gian thực là yếu tố cạnh tranh quan trọng đối với các doanh nghiệp chăn nuôi công nghiệp hiện đại (Fernandes và ctv, 2021).

Ứng dụng AI trong nhận biết lợn động dục

Hành vi lên giống của lợn thường xuất hiện trong môi trường nuôi có mật độ đông và hành vi lên giống giữa các con lợn làm tăng nguy cơ chấn thương (Nasirahmadi và ctv, 2016). Hơn nữa, việc cải thiện hiệu quả sinh sản của lợn nái có thể giảm chi phí quản lý và chi phí thức ăn (Whittemore, 1996). Trong giao phối tự nhiên, lợn nái giao phối ít nhất 3 lần để tăng khả năng thụ tinh (Tur, 2013). Do đó, việc xác định chính xác hành vi lên giống và động dục là rất cần thiết để đảm bảo sự thụ tinh của lợn nái và sức khỏe cũng như phúc lợi của lợn (Li và ctv, 2019). Trong giai đoạn đầu của quá trình lên giống và nhận biết động dục của lợn, các kỹ thuật trừ nền và khớp hình elip thường được sử dụng để định vị lợn trong ảnh. Khoảng cách giữa đầu và đuôi, độ dài của trục chính và trục phụ của hình elip được lắp giữa đầu và bên hông được sử dụng làm đặc điểm của hành vi leo trèo của lợn (Nasirahmadi và ctv, 2016).

Để phát hiện tự động hành vi cưỡi trên lưng lợn dựa trên hình ảnh, Li và ctv (2019) đã sử dụng mô hình mạng kim tự tháp đặc trưng ResNet để phân đoạn ảnh lợn, sau đó nhận dạng hành vi cưỡi trên lưng lợn theo diện tích điểm ảnh mặt nạ. Đồng thời, mạng phân đoạn mạng nơ-ron tích chập vùng mặt nạ (Mask R-CNN) và máy học cực trị hạt nhân đã được sử dụng để cải thiện độ chính xác của việc nhận dạng hành vi cưỡi trên lưng lợn (Li và ctv, 2019). Mô hình này có thể giải quyết hiệu quả vấn đề phân đoạn của hiện tượng che khuất lợn.

Về nhận dạng hành vi động dục ở lợn, Zhuang và ctv (2020) đã theo dõi các đặc điểm rõ ràng của tai lợn trong thời kỳ động dục, thu thập dữ liệu ảnh tai lợn trong thời kỳ động dục và không động dục, đồng thời đơn giản hóa cấu trúc mạng Alexnet để cải thiện tốc độ nhận dạng hành vi động dục ở lợn. So với ảnh, thông tin chuỗi thời gian trong video chứa nhiều đặc điểm chi tiết hơn, điều này có thể nâng cao hơn nữa hiệu suất nhận dạng hành vi cưỡi trên lưng lợn (Li và ctv, 2020). Đối với dữ liệu video, các đặc điểm không gian-thời gian hiệu quả hơn trong việc nhận dạng hành vi cưỡi trong chuỗi video so với việc chỉ trích xuất các đặc điểm không gian của hình ảnh. Yang và ctv (2021) sử dụng mô hình phân loại LSTM dựa trên tối ưu hóa để xác định hành vi động dục của lợn. Các thí nghiệm cho thấy, phương pháp này có thể xác định hiệu quả hành vi động dục của lợn. Kết quả thử nghiệm cho thấy độ chính xác phát hiện lợn là 97% và độ chính xác trung bình của việc phát hiện hành vi cưỡi lên của lợn là 95,15%.

Kết luận

Mặc dù công nghệ thị giác và âm thanh dựa trên AI đã chứng minh hiệu suất tốt trong việc phát hiện và nhận dạng hành vi của lợn, ứng dụng trong theo dõi các chỉ số sức khoẻ và phúc lợi, nhưng vẫn còn nhiều thách thức và cơ hội cho việc ứng dụng có hệ thống chăn nuôi lợn chính xác do quy mô trang trại, trình độ học vấn của nhân viên chăn nuôi, tiêu chuẩn thiết bị thông minh và dữ liệu chăn nuôi. Cho đến nay, nhiều thành tựu đã đạt được trong việc giám sát lợn theo thời gian thực, nhưng cần phải cải thiện hơn nữa tính thực tiễn và tính ổn định của các hệ thống chăn nuôi để phát triển ngành chăn nuôi lợn tự động và bền vững.

Nguyễn Thị Thu Hiền, Trường Đại học Thủ Dầu Một

Email: hienntt@tdmu.edu.vn