طراحي سامانه سخت‌افزاري و نرم‌افزاري خودكارسازي هوشمند دامداري صنعتي با كمك اينترنت اشياء

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

دامپروري صنعتي نسل چهارم باعث كاهش تلفات دام، افزايش ميزان باروري، كاهش هزينه‌هاي عملياتي، مديريت منابع انساني و به‌ صورت كلي افزايش بهره‌وري مي‌شود. در اين تحقيق مجموعه‌اي از حسگرهاي الكترونيكي - زيستي براي خودكارسازي هوشمند دامداري صنعتي به‌ صورت يك گردن‌بند و يك پابند طراحي شد كه به تك‌تك دام‌ها متصل مي‌شود. مجموعه‌اي از دروازه‌هاي اينترنت اشيا كه به ‌صورت اختصاصي براي مزرعه طراحي و به صورت آزمايشي پياده‌سازي شدند وظيفۀ انتقال داده‌هاي اين حسگرها را به سيستم محاسبات ابري بر عهده داشتند. با طراحي يك سامانۀ نرم‌افزاري تحليل داده‌هاي بزرگ بر اساس اطلاعات جمع‌آوري ‌شده از دام‌ها، رفتار دام براي ارائۀ توصيه‌هاي لازم در مديريت دامداري مدل شد. سامانۀ خودكارسازي ارائه ‌شده، نشانه­هاي حياتي دام‌ها شامل دماي بدن، ميزان تحرك، ميزان تغذيه و نشخوار، فحل بودن و رفتار دام‌ها مانند استرس‌ گرمايي و موارد مشابه را با دقت بالايي در لحظه نظارت مي‌كند و در اختيار دامداران قرار مي‌دهد. در اين تحقيق با كمك داده‌هاي حسگرهاي دام و روش‌هاي هوش مصنوعي رفتار دام به ‌صورت شبانه‌روزي ‌بررسي شد. دقت الگوريتم نزديك‌ترين همسايه براي مدل‌سازي رفتار دام 78 درصد و دقت شبكه‌هاي عصبي پيچشي 84 درصد بود. اما با توجه به‌ سادگي اجراي الگوريتم نزديك‌ترين همسايه استفاده از اين روش طول عمر باتري سيستم را تا 4/5 برابر افزايش داد و انتخاب مناسب‌تري بود.

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.