Ismerje meg az MI alapú sántaságjelző alkalmazást!
A mesterséges intelligencián alapuló videódiagnosztikai rendszer a szarvasmarhatartó gazdaságok egyik legnagyobb kihívására, a sántaság korai felismerésére kínál hatékony megoldást, mivel már a legkorábbi stádiumban képes azonosítani a szarvasmarhák sántaságára utaló jeleket és jelezni a sántaság szintjét.
A rendszer alkalmazásával a beavatkozás már a sántaság gyanújának felmerülésekor, akár preventív jelleggel is megtörténhet, így megelőzhetők a veszélyes szövődmények. Az állat testén nincs mozgásérzékelő készülék, ami kellemetlenséget okoz neki, elveszhet vagy megsérülhet, így megbízható, rendszeres adatszolgáltatást tesz lehetővé az állatok mozgására vonatkozóan.
Alkalmazása lehetővé teszi a probléma korai felismerését, így növeli a gazdálkodás hatékonyságát, a termelés mennyiségi, minőségi és jövedelmezőségi paramétereit a tej-és hústermelő gazdaságokban.
Hogyan működik?
A rendszer elemzi az egyes állományokban rögzített videófelvételeket az állatok mozgásáról, és felismeri a rendellenes járást, fej- és hátmozgást, ami a sántaságot jellemzi, és a sántaság mértékét 3 szintre sorolja be. A rendszer az állatok viselkedését, életmódját semmilyen módon nem befolyásolja és olyan pontos és objektív diagnosztikai eszközt jelent a gazdálkodók számára, amilyet csak a mesterséges intelligencia nyújthat, és akár egyetlen személy által felügyelhető.
MI-alapú szegmentáció
MI-alapú rendszerünk a szarvasmarhák mozgását több megfigyelési pont (lábak, lábvégek, fej, hát) viszonyítása alapján elemzi, és azonosítja a sántaságot, lehetővé téve a korai és pontos diagnózist.
Az AI rendszerünk a marhák fej- és lábmozgását, valamint hátuk ívét analizálva azonosítja a sántaságot, lehetővé téve a korai és pontos diagnózist.
A Limp Detect sántaságdiagnosztikai rendszer a Masters’I - Mesterséges intelligencián és videókép-elemzésen alapuló diagnosztikai rendszer a szarvasmarhák sántaságának és mozgásszervi betegségeinek korai felismerésére a tej- és hústermelő gazdaságokban (2020-1.1.2-PIACI-KFI-2021-00290) 2021. projekt keretében készült el az Innovációs és Technológiai Minisztérium Nemzeti Kutatási Fejlesztési és Innovációs Alapból nyújtott támogatásával, a 2020-1.1.2-PIACI-KFI pályázati program finanszírozásában.