BR112021010084A2 - Método de controle de uma fazenda de pecuária e seu sistema - Google Patents
Método de controle de uma fazenda de pecuária e seu sistema Download PDFInfo
- Publication number
- BR112021010084A2 BR112021010084A2 BR112021010084-9A BR112021010084A BR112021010084A2 BR 112021010084 A2 BR112021010084 A2 BR 112021010084A2 BR 112021010084 A BR112021010084 A BR 112021010084A BR 112021010084 A2 BR112021010084 A2 BR 112021010084A2
- Authority
- BR
- Brazil
- Prior art keywords
- data
- farm
- animal
- condition
- sensor data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 244000144972 livestock Species 0.000 title claims abstract description 34
- 241001465754 Metazoa Species 0.000 claims abstract description 124
- 230000001419 dependent effect Effects 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 238000009423 ventilation Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 235000013372 meat Nutrition 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000002255 vaccination Methods 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 4
- 235000013305 food Nutrition 0.000 claims description 4
- 230000037023 motor activity Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000037396 body weight Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 239000006041 probiotic Substances 0.000 claims description 3
- 235000018291 probiotics Nutrition 0.000 claims description 3
- 238000003307 slaughter Methods 0.000 claims description 3
- 235000019786 weight gain Nutrition 0.000 claims description 3
- 230000037213 diet Effects 0.000 claims description 2
- 235000005911 diet Nutrition 0.000 claims description 2
- 229940079593 drug Drugs 0.000 claims description 2
- 230000002503 metabolic effect Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 18
- 241000287828 Gallus gallus Species 0.000 description 13
- 235000013330 chicken meat Nutrition 0.000 description 13
- 238000013459 approach Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 244000144992 flock Species 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 210000000481 breast Anatomy 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 244000144980 herd Species 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 244000144977 poultry Species 0.000 description 4
- 235000013594 poultry meat Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 239000003674 animal food additive Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009223 counseling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- FFEARJCKVFRZRR-BYPYZUCNSA-N L-methionine Chemical compound CSCC[C@H](N)C(O)=O FFEARJCKVFRZRR-BYPYZUCNSA-N 0.000 description 1
- 241000269799 Perca fluviatilis Species 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000020774 essential nutrients Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000006052 feed supplement Substances 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229930182817 methionine Natural products 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31376—MFL material flow
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Housing For Livestock And Birds (AREA)
- Feeding And Watering For Cattle Raising And Animal Husbandry (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
Abstract
MÉTODO DE CONTROLE DE UMA FAZENDA DE
PECUÁRIA E SEU SISTEMA. A presente invenção se refere a um método
implementado por computador de controle de uma fazenda de pecuária que
aloja uma população de animais, o método compreendendo as etapas de
obter, por meio de um ou mais, preferivelmente uma pluralidade de,
sensores, dados de sensor da fazenda indicativos da condição da fazenda
de pecuária; combinar opcionalmente os ditos dados de sensor da fazenda
com dados adicionais, indicativos da condição da fazenda de pecuária,
mas não obtidos por meio de sensores, para obter dados de condição da
fazenda; obter, por meio de um ou mais, preferivelmente uma pluralidade
de, dispositivos de medição, dados de estado do animal da população da
fazenda de pecuária; e selecionar e ajustar continuamente, dependente
dos dados de sensor da fazenda obtidos ou dos dados de condição da
fazenda e dos dados de estado do animal, um conjunto de valores de
suprimento do animal usando um circuito de realimentação de maneira tal
que um valor de pelo menos um dado selecionado dos dados de estado do
animal seja otimizado.
Description
Relatório Descritivo da Patente de Invenção para “MÉTODO DE CONTROLE DE UMA FAZENDA DE PECUÁRIA E SEU SISTEMA”
[001] A presente invenção se refere a um método implementado por computador e a um sistema de controle de uma fazenda de pecuária que aloja uma população de animais, como, por exemplo, galinha ou outros avícolas.
[002] Fazendeiros têm, tipicamente, gerenciado e operado casas agrícolas, tais como galinheiros, pela realização das tarefas diárias da fazenda manualmente. Estas tarefas primariamente incluíam prover alimentação e água adequadas para os animais ou rebanho alojado. Durante o tempo, foi verificado que o controle de certos parâmetros pode levar a rendimentos e qualidade superiores no rebanho. Por exemplo, temperatura, umidade, ventilação, ciclos de alimentação e iluminação, todos, contribuem para pecuária bem-sucedida e melhores rendimentos. Além do mais, através do processo de procriação seletiva, certas características desejadas, como rendimento de carne, foram modificadas.
[003] Sistemas de controle para casas agrícolas inicialmente iniciaram com simples controles analógicos, tais como termostatos para controlar a temperatura na casa agrícola. Controladores digitais logo seguiram e, no geral, substituíram controles manual ou analógico em casas agrícolas. Os parâmetros relevantes são, no geral, controlados automaticamente, por meio de vários sensores e atuadores posicionados por toda a casa agrícola. Os parâmetros controlados em uma casa agrícola, tais como uma capoeira ou chiqueiro, no geral, incluem temperatura, umidade, água, ventilação, temporizadores para alimentador e bebedouros, e temporizadores para iluminação.
[004] A partir de US 2005/0010333, um sistema para monitorar, gerenciar e/ou operar uma pluralidade de casas agrícolas em uma pluralidade de fazendas é conhecido incluindo um controlador e/ou uma caixa monitora na casa agrícola e um computador em comunicação com o controlador para controlar e ajustar vários parâmetros da casa agrícola ou com a caixa monitora para monitorar a casa agrícola. O sistema também inclui um computador em um escritório do integrador que é operável para monitorar e/ou controlar vários parâmetros da casa agrícola remotamente. Estes parâmetros habilitam o integrador a coordenar operações com plantas de processamento, usinas de alimentação, serviço de campo e incubadoras. Isto também habilita o integrador a preparar vários relatos de dados para uso pelo integrador ou outros. O integrador pode padronizar ou determinar parâmetros de controle ideais de várias fazendas para alcançar os melhores resultados medidos pelos parâmetros de resultado. O integrador pode comparar uma taxa de alimentação de uma primeira casa agrícola e uma segunda casa agrícola e, então, comparar a taxa que o rebanho alcança um peso de rebanho selecionado. Se uma casa agrícola alcançar o parâmetro de resultado selecionado mais rápido, o integrador pode determinar um melhor parâmetro de controle para alcançar o parâmetro de resultado selecionado.
[005] Em uma fazenda de pecuária hoje em dia, muitos dados (sensor) podem, assim, ser coletados, tais como temperatura, pressão do ar, fluxo de ar, ruídos, CO 2, amônia, ingestão de água e alimentação, umidade, composição do ar. Este grande número de dados de medição é muito difícil para que um fazendeiro considere em sua íntegra. O ajuste de valores de suprimento do animal como reações às mudanças de dados de sensor da fazenda pode, portanto, não ser realizado da maneira que seria teoricamente possível devido à complexidade dos dados. Além do mais, uma certa mudança de dados (sensor) não apenas sugere um certo ajuste de valores de suprimento do animal em particular, mas, em vez disto, diversos ajustes diferentes são possíveis.
[006] Portanto, é um objetivo da presente invenção prover um método implementado por computador e um sistema de controle de uma fazenda de pecuária que aloja uma população de animais, como, por exemplo, galinha ou outros avícolas, que auxilia o fazendeiro no melhor uso dos dados coletados na fazenda a fim de otimizar os resultados obtidos na fazenda.
[007] Este objetivo é alcançado por um método implementado por computador de controle de uma fazenda de pecuária que aloja uma população de animais, o método compreendendo as etapas de obter, por meio de um ou mais, preferivelmente uma pluralidade de, sensores, dados de sensor da fazenda indicativos da condição da fazenda de pecuária; combinar opcionalmente os ditos dados de sensor da fazenda com dados adicionais, indicativos da condição da fazenda de pecuária, mas não obtidos por meio de sensores, para obter dados de condição da fazenda; obter, por meio de um ou mais, preferivelmente uma pluralidade de, dispositivos de medição, dados de estado do animal da população da fazenda de pecuária; e selecionar e ajustar continuamente, dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda e dos dados de estado do animal, um conjunto de valores de suprimento do animal usando um circuito de realimentação de maneira tal que um valor de pelo menos um dado selecionado dos dados de estado do animal seja otimizado.
[008] A presente invenção, além do mais, provê um sistema para controlar uma fazenda de pecuária que aloja uma população de animais, o sistema compreendendo um ou mais, preferivelmente uma pluralidade de, sensores adaptados para obter dados de sensor da fazenda indicativos da condição da fazenda de pecuária; opcionalmente, um dispositivo adaptado para combinar ditos dados de sensor da fazenda com dados adicionais, indicativos da condição da fazenda de pecuária, mas não obtidos por meio de sensores, para obter dados de condição da fazenda; um ou mais, preferivelmente uma pluralidade de, dispositivos de medição adaptados para obter dados de estado do animal da população da fazenda de pecuária; e uma unidade de controle adaptada para selecionar e ajustar continuamente, dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda e dos dados de estado do animal, um conjunto de valores de suprimento do animal usando um circuito de realimentação de maneira tal que um valor de pelo menos um dado selecionado dos dados de estado do animal seja otimizado.
[009] Dados de sensor podem ser obtidos e monitorados aleatoriamente, continuamente e/ou em intervalos de tempo pré-definidos. O mesmo se aplica para obter os dados de estado do animal.
[010] O fazendeiro ou o operador da fazenda pode escolher um dado de estado do animal em particular ou uma combinação de uma pluralidade de valores como indicador(es) de desempenho e continuamente otimizam estes valores com base no mecanismo de realimentação e usando os valores de suprimento do animal como valores de entrada do sistema variáveis. Valores de suprimento do animal podem incluir pelo menos valores de suprimento de alimentação do animal e valores de suprimento de água do animal.
[011] Para otimização dos valores de suprimento do animal usando o circuito de realimentação, inteligência artificial (AI) pode ser usada. Abordagens de AI adequadas a serem aplicadas no circuito de realimentação são aprendizado de máquina e raciocínio de máquina, ou a combinação de ambos.
[012] Na abordagem de raciocínio de máquina, a etapa de ajuste é realizada usando uma rede de blocos de construção de conhecimento seletivamente conectados pré-definidos, em que cada bloco de construção de conhecimento mapeia um estado de entrada para um valor de saída de acordo com uma regra de conhecimento pré-definida; o valor de saída de um bloco de construção de conhecimento pode ser o estado de entrada de um outro bloco de construção de conhecimento; o conjunto de blocos de construção de conhecimento define os valores de suprimento do animal dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda, e as conexões da rede de blocos de construção de conhecimento são adaptadas com base nos dados de estado do animal medidos da população da fazenda de pecuária.
[013] Esta rede de blocos de construção de conhecimento permite alimentar conhecimento previamente obtido em um fino nível granular no mecanismo de realimentação e, assim, serve como um mecanismo acionado por AI para ajustar o conjunto selecionado de valores de suprimento do animal.
[014] Os blocos de construção de conhecimento preferivelmente definem regras previamente obtidas que representam a reação dos animais a condições da fazenda em particular.
[015] Como uma alternativa ao uso da rede dos blocos de construção de conhecimento, a etapa de ajuste pode ser realizada usando uma abordagem de aprendizado de máquina. Ao contrário da abordagem de raciocínio de máquina com base em regra supradescrita, aprendizado de máquina usa modelos matemáticos e estatísticos para aprender a partir de conjuntos de dados. Há dúzias de diferentes procedimentos de aprendizado de máquina. Em princípio, o aprendizado de máquina distingue entre dois sistemas: Primeiro, abordagens simbólicas, tais como sistemas de pronunciação-lógica, em que o conhecimento é explicitamente representado. Segundo, sistemas subsimbólicos, tais como redes neurais artificiais, que funcionam nas mesmas linhas do cérebro humano e em que o conhecimento é implicitamente representado.
[016] De acordo com a presente invenção, um procedimento de aprendizado de máquina pode estar operando em uma rede neural artificial para otimizar iterativamente o conjunto de valores de suprimento do animal dependente dos dados de sensor da fazenda obtidos, em que os dados de estado do animal são usados como dados alvos para treinar a rede neural.
[017] O termo “sensor” se refere a quaisquer dispositivo, módulo, máquina ou subsistema cujo propósito é detectar dados, mudanças ou eventos em seu ambiente e enviar a informação para outros componentes eletrônicos, preferivelmente, um processador de computador. Desta maneira, dados de sensor da fazenda são dados da fazenda coletados por meio de sensores que estão localizados na fazenda de pecuária.
[018] Os sensores usados no método de acordo com a presente invenção podem incluir sensores ópticos, acústicos e/ou químicos.
[019] Preferivelmente, um sinal de alarme óptico ou acústico é gerado se um dos dados de sensor da fazenda obtidos estiver fora de uma faixa pré-definida.
[020] Os dados de sensor da fazenda podem ser opcionalmente combinados com dados adicionais indicativos da condição da fazenda de pecuária, mas não obtidos por meio de sensores. Desse modo, dados de condição da fazenda são obtidos.
[021] Dados de sensor da fazenda e/ou dados de condição da fazenda podem compreender dados sobre idade do animal, dimensão da fazenda, condições de iluminação e ventilação, ou a agenda de vacinação, dados sobre alimentação e consumo de água (dados metabólicos do animal), peso, ou comportamento dos animais. Os dados de sensor da fazenda e/ou os dados de condição da fazenda podem incluir adicionalmente um ou mais de temperatura, pressão do ar, dados sobre distribuição e movimento dos animais na casa agrícola, atividade motora dos animais, dados de som, dados de composição do ar e dados olfativos.
[022] O termo “dados de estado do animal” se refere a dados sobre o estado, condição ou situação da população da fazenda de pecuária. Desta maneira, os dados de estado do animal são diretamente correlacionados à população de animais e podem incluir um ou mais de saúde e mortalidade do animal, taxas de conversão calórica e de conversão de alimentação, ganho de peso corporal dos animais, rendimento de abate, quantidade, qualidade e variabilidade de uma carne produzida.
[023] Os valores de suprimento do animal que servem como os dados de entrada da casa agrícola podem incluir um ou mais de uma quantidade, uma qualidade e uma composição de alimentação, dieta, suplementos, probióticos, fármacos, suprimento de água, temperatura, pressão do ar, ventilação, iluminação, som e umidade do animal na casa agrícola.
[024] A presente invenção ficará mais prontamente aparente a partir da seguinte descrição de modalidades detalhadas da mesma em conexão com os desenhos anexos, nos quais: - a figura 1 é uma ilustração esquemática das correlações gerais entre valores de suprimento do animal, dados de sensor da fazenda e dados de estado do animal; - a figura 2 é uma ilustração esquemática de um circuito de realimentação exemplar de acordo com uma modalidade da presente invenção; - a figura 3 é uma ilustração esquemática de um circuito de realimentação multiestágios de acordo com uma modalidade da presente invenção; - a figura 4 é uma ilustração esquemática de uma rede de blocos de construção de conhecimento de acordo com uma modalidade da presente invenção; - a figura 5 é uma ilustração esquemática de um circuito de realimentação exemplar com base em uma rede de blocos de construção de conhecimento de acordo com uma modalidade da presente invenção; - a figura 6 é uma ilustração esquemática de um processo de ajuste usando blocos de construção de conhecimento exemplares de acordo com uma modalidade da presente invenção; - a figura 7 é uma ilustração esquemática de um processo de ajuste usando blocos de construção de conhecimento exemplares de acordo com uma modalidade adicional da presente invenção.
[025] A presente invenção se refere a um método implementado por computador e a um sistema de controle de uma fazenda de pecuária que aloja uma população de animais, como, por exemplo, galinha ou outros avícolas. A invenção não é restrita a um tipo em particular de casa agrícola, mas é aplicável a todos os tipos do mesmo que tem as instalações para alojar e alimentar a população de animais. Uma casa agrícola exemplar pode ser uma capoeira.
[026] A casa agrícola (não mostrada nos desenhos) compreende uma pluralidade de sensores, incluindo sensores ópticos, acústicos e/ou químicos que obtêm dados de sensor da fazenda. Os mesmos podem incluir dados sobre temperatura, pressão do ar, ventilação, iluminação, sobre distribuição e movimento dos animais na casa agrícola, atividade motora dos animais, peso dos animais, alimentação e consumo de água, dados de som, dados de composição do ar e dados olfativos.
[027] Distribuição, movimento e atividade motora dos animais podem ser determinadas pela análise estatística de dados com base em vídeo ou foto. O peso do animal pode ser determinado usando um medidor de peso apropriado, tal como um que mede a força produzida em uma haste de empoleiramento de poleiro de galinhas. O consumo de alimentação pode ser determinado usando um alimentador com um sistema de enchimento incluindo um fluxímetro que pode medir a quantidade de alimentação provida para a casa agrícola que é consumida pelo rebanho contido no mesmo. A composição do ar e os dados olfativos podem, por exemplo, ser determinados usando narizes eletrônicos ou cromatografia de gás (GC).
[028] Além do mais, a casa agrícola compreende instalações para prover para a população de animais quantidades definidas do suprimento necessário de, por exemplo, água, alimentação, ventilação, temperatura, umidade, suplementos de alimentação, probióticos, fármacos, vacinação, etc. As quantidades dos supramencionados parâmetros (os valores de suprimento do animal) servem como os parâmetros de entrada variáveis que influenciam o bem-estar e o sucesso da população de animais.
[029] O sistema de ventilação (tipicamente incluindo ventiladores que podem ser desligados e ligados e obturadores de ventilador que podem abrir e fechar) permite controlar a quantidade de admissão de ar fresco no interior da casa agrícola e, também, a diferenciação de pressão. O sistema de ventilação, incluindo seus vários componentes, pode afetar a temperatura e a qualidade do ar (tais como concentração de amônia e dióxido de carbono e níveis de oxigênio) na casa agrícola.
[030] A temperatura pode ser indiretamente controlada por meio do sistema de ventilação. Entretanto, a mesma também pode ser diretamente controlada por um sistema de resfriamento evaporativo e criadeiras. O sistema de resfriamento evaporativo pode não apenas ajustar o parâmetro de temperatura, mas, também, o nível de umidade na casa agrícola pela extração do ar através de um bloco molhado.
[031] Alimentação e hidratação dos animais, preferivelmente suíno e galinha, podem ser controladas por alimentadores (automatizados) que são supridos por um compartimento de alimentação e um sistema de enchimento.
[032] Dados de estado do animal incluindo dados sobre saúde e mortalidade do animal, tais como peso vivo, taxas de conversão calórica e de conversão de alimentação, ganho de peso corporal dos animais, rendimento de abate, quantidade, qualidade e variabilidade de uma carne produzida, são diretamente ou indiretamente obtidos continuamente ou em intervalos pré-determinados.
[033] Os dados de estado do animal servem como os indicadores de desempenho do processo de otimização de acordo com a presente invenção. O fazendeiro ou o operador da fazenda podem escolher o parâmetro de estado desejado ou múltiplos parâmetros para otimizar a produção de carne para seus propósitos.
[034] Vários valores de suprimento do animal, tais como qualidade e quantidade de alimentação e de água, adição de aditivos de alimentação, temperatura, fluxo de ar, ruído, condições climáticas, umidade, composição do ar, têm uma influência no desempenho e certos dados de estado dos animais. Os dados chaves de estado do animal podem ser diretamente medidos ou indiretamente previstos. Para a previsão, inteligência artificial pode ser usada.
[035] A fim de otimizar os dados de estado do animal, os valores de suprimento do animal são continuamente ajustados. O circuito de realimentação acionado pelos valores de suprimento do animal e que influencia os dados de sensor da fazenda e os dados de estado do animal é esquematicamente ilustrado na figura 2. Uma operação de produção começa com um conjunto pré-definido de valores de suprimento do animal (pré-ajustes). Durante o processo, dados de sensor da fazenda são obtidos por meio de sensores. Dados de estado do animal podem ser obtidos por meio de medição direta. Dependendo dos dados de sensor da fazenda e dos dados de estado do animal obtidos, os valores de suprimento do animal são continuamente ajustados pelo circuito de realimentação. Desse modo, a fazenda como um todo pode ser controlada e os resultados da produção (intermediário e final) podem ser otimizados.
[036] Com base no circuito de realimentação fundamental representado na figura 2, o uso de inteligência artificial pode assumir o comando e otimizar a decisão sobre o ajuste da mudança dos valores de suprimento do animal na totalidade dos dados disponíveis. Um ciclo de três estágios para otimizar os dados de estado do animal é esquematicamente mostrado na figura 3. Um primeiro ciclo de realimentação acionado por AI otimiza um primeiro conjunto de dados de estado do animal final e intermediário, seguido por um segundo ciclo de melhoria e um terceiro ciclo de melhoria que transmite os dados de estado do animal finais reais. Desta maneira, os dados de estado e, assim, o estado real da população de animais, são iterativamente otimizados pelo ajuste contínuo dos valores de suprimento do animal.
[037] Para aplicar inteligência artificial no circuito de realimentação, duas diferentes abordagens podem ser aplicadas, a saber, raciocínio de máquina e aprendizado de máquina.
1. USO DE RACIOCÍNIO DE MÁQUINA
[038] O componente de AI em sistemas de raciocínio de máquina são redes formadas de módulos de conhecimento dependentes do estado chamados de blocos de construção de conhecimento (KBB), da forma ilustrada na figura 4. Tais blocos de construção de conhecimento contêm regras finamente granulares, que são associadas em conjunto pela AI para formar uma rede de regra flexível. Estas regras podem incluir, por exemplo, valores ideais de consumo de alimentação e água ou perfis de peso, conversão de alimentação, ruído de fundo (indicador de estresse), etc., que são acoplados por meio de modelos com as ações a serem aplicadas em certas condições. Como uma ação, ou a ramificação para um outro bloco de construção de conhecimento pode ser realizada ou, também, uma certa mudança de parâmetros de entrada, como, por exemplo, a composição da alimentação, a adição de certos aditivos de alimentação, medicamentos, a mudança de temperatura, ventilação, etc. Com o propósito de simples ilustração, os KBBs na figura 4 também incluem dados de estado do animal.
[039] Se os valores de suprimento do animal forem ajustados pela AI, isto resulta em uma mudança nos dados de sensor da fazenda (e nos dados de estado do animal), da forma representada na figura 5. Os novos dados de estado do animal resultantes (indicador de desempenho) são usados para avaliar a qualidade da rede dos blocos de construção de conhecimento, de forma que a rede seja continuamente otimizada e diferentes redes sejam avaliadas e ponderadas pelos blocos de construção de conhecimento. Com este realimentação, a AI aprende quais reações a certas mudanças nos dados de estado do animal são vantajosas. Este realimentação também pode ocorrer indiretamente se a decisão de mudar os valores de suprimento do animal for previamente aprovada/avaliada por humanos.
[040] Um exemplo para o uso de Raciocínio de Máquina é a digitalização de uma árvore de decisão que foi realizada por humanos até agora, que avalia o estado da fazenda e dá aconselhamento a fim de manter ou restaurar uma condição ideal. Uma árvore de decisão humana pode ser com base em uma variedade de dados e decisões. Em uma primeira etapa de digitalização, pode-se concentrar nos dados de alimentação e água, por exemplo, da forma ilustrada pelas duas 'ramificações' da árvore de decisão mostrada na figura 6.
[041] Pode ser vantajoso, entretanto, integrar mais ramificações da árvore de decisão. Além do mais, o aconselhamento pode ser integrado e os resultados do aconselhamento realimentados a fim de otimizar o caminho através da rede de blocos de construção de conhecimento. Um curto exemplo concreto disto é o seguinte: todas as galinhas de uma casa agrícola agacham, juntas, no meio do estábulo. Isto é automaticamente detectado por sensores de vídeo e registrado como uma condição anormal. A AI do método de acordo com a presente invenção pode derivar diversos motivos pelos quais este isto pode ser assim: 1) a ventilação é muito forte, ou 2) não há material de ninho no piso próximo das paredes. Estes motivos são estatisticamente ponderados, de forma que a AI da invenção saiba que, na maior parte dos casos - e juntamente com todos os outros dados - a ventilação é muito forte e, portanto, age para reduzir a ventilação. Se isto não tiver o efeito desejado, o método pode tomar a rota alternativa e prover um sinal para os funcionários do estábulo informando para os mesmos que mais material de ninho deve ser igualmente distribuído no piso. Com a realimentação das novas imagens de vídeo, o método com base em AI pode aprender qual caminho através da rede foi o melhor e decidir qual rota tomar da próxima vez que uma situação similar ocorrer.
[042] A otimização de KBBs também pode ocorrer por meio de aprendizado de máquina. Esta abordagem é chamada de “aprendizado de reforço”. Múltiplas operações podem ser necessárias a fim de obter KBBs otimizados.
[043] Em um caso exemplar, o consumo de água e alimentação em uma fazenda de frango é usado para avaliar a condição das galinhas. Água e alimentação servem como indicações se as galinhas estão expostas a estresse e, assim, alcançam utilização de alimentação inferior, são expostos a doenças, ou têm um efeito em fatores perturbadores que influenciam o crescimento das galinhas.
[044] Várias regras podem ser formuladas como blocos de construção de conhecimento e integradas no sistema com base em AI. Exemplos de tais regras são: (a) Consumo de água de hoje deve ser mais alto do que consumo de água de ontem na mesma hora do dia; (b) Se vacinação estiver em progresso, consumo de água é mais baixo; (c) Se as galinhas estiverem adormecidas, as mesmas não consomem nenhuma água.
[045] Os blocos de construção de conhecimento podem ser atribuídos a diferentes categorias, da forma exemplificada na seguinte tabela: Nº Categoria Exemplo
1. Blocos de construção de Leitura em dados de alimentação atuais conhecimento preparatórios Hora atual
2. Parâmetros fixos Plano de 'fases noturnas' Ingestão de alimentação mediana por hora
3. Cálculo de valores Razão de alimentação por água intermediários Verificação de 'fase noturna'
4. Geração de alarmes Alarme que muita água foi consumida Alarme que muito pouca água foi consumida
5. Enviar e redefinir alarmes Enviar alarme para interface gráfica de usuário Redefinir alarme
[046] Categorias de KBB adicionais são “aconselhamento/recomendação” e “execução”.
[047] Os dados de sensor podem ser preparados em um primeiro estágio do processamento, estes dados são, então, comparados com parâmetros fixos ou valores intermediários calculados. Então, alarmes são gerados, que são subsequentemente exibidos, por exemplo, em uma interface gráfica de usuário.
[048] Um exemplo adicional da aplicação de raciocínio de máquina é o acoplamento da qualidade da matéria-prima com a qualidade do bando. Um exemplo de estágios subsequentes de processamento pelos blocos de construção de conhecimento é mostrado na figura 7.
[049] Em muitos estábulos, a conexão direta entre dados da fazenda diretos e a qualidade do bando é traçada. É bem conhecido que a qualidade da matéria-prima e a especificação da alimentação têm uma alta influência na qualidade e no desempenho do bando. Entretanto, estes dois parâmetros nunca foram correlacionados on-line ou usados para otimizar importantes parâmetros de estado ou desempenho da galinha.
[050] Por exemplo, certos produtores podem desejar aumentar a quantidade de carne de peito por galinha, bem como o tamanho do filé em um dado tamanho padrão para a íntegra do bando. É conhecido que a quantidade de carne de peito é essencialmente relacionada a nutrientes essenciais, como o primeiro aminoácido limitante metionina. Uma análise de matéria-prima NIR pode, assim, prover dados precisos para a especificação da alimentação ideal exigida para o peito ideal. Estes modelos podem, então, ser otimizados e estendidos através do realimentação e do uso de parâmetros adicionais.
[051] Este método com base em AI, assim, permite uma integração das matérias- primas com o abatedouro, o que permite que a produção de animal e, em particular,
a produção de galinha sejam otimizadas em uma grande extensão de acordo com certos dados de estado do animal, como quantidade de carne de peito ou uniformidade dos bandos, da forma esquematicamente representada na figura 7.
2. USO DO APRENDIZADO DE MÁQUINA
[052] No caso de uso de aprendizado de máquina para o processo de otimização de acordo com a presente invenção, a entrada para a AI são os dados observados. Com base nestes dados, a AI adéqua o modelo, que descreve os indicadores de desempenho supramencionados como o alvo variável e os parâmetros de entrada supramencionados como fatores influenciadores. Este modelo treinado pode, então, ser aplicado em novos dados para obter previsões/estimadores de valores alvos. Definições de parâmetro de entrada ideais também podem ser identificadas em relação ao alvo variável. Já que o modelo com base em dados pode apenas ser validado em combinações de parâmetro observadas até agora, entretanto, uma extrapolação além destas pode ser desafiadora.
[053] Um exemplo para o uso de aprendizado de máquina é a avaliação de figuras e vídeos tomados no estábulo. Com aprendizado de máquina, pode ser aprendido a partir das figuras no estábulo se a distribuição das galinhas é regular ou se as galinhas juntam-se. Se este for o caso, as galinhas não comem e bebem regularmente, o que, por sua vez, afeta os parâmetros de estado do animal. Um motivo para isto pode ser muita ventilação nos galinheiros, fazendo com que as galinhas congelem.
Claims (15)
1. Método implementado por computador de controle de uma fazenda de pecuária que aloja uma população de animais, caracterizado por o método compreender as etapas de: - obter, por meio de um ou mais, preferivelmente uma pluralidade de, sensores, dados de sensor da fazenda indicativos da condição da fazenda de pecuária, - combinar opcionalmente os ditos dados de sensor da fazenda com dados adicionais, indicativos da condição da fazenda de pecuária, mas não obtidos por meio de sensores, para obter dados de condição da fazenda, - obter, por meio de um ou mais, preferivelmente uma pluralidade de, dispositivos de medição, dados de estado do animal da população da fazenda de pecuária, e - selecionar e ajustar continuamente, dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda e dos dados de estado do animal, um conjunto de valores de suprimento do animal usando um circuito de realimentação de maneira tal que um valor de pelo menos um dado selecionado dos dados de estado do animal seja otimizado.
2. Método de acordo com a reivindicação 1, caracterizado por a etapa de ajuste ser realizada usando uma rede de blocos de construção de conhecimento seletivamente conectados pré-definidos, em que - cada bloco de construção de conhecimento mapeia um estado de entrada para um valor de saída de acordo com uma regra de conhecimento pré- definida, - o valor de saída de um bloco de construção de conhecimento pode ser o estado de entrada de um outro bloco de construção de conhecimento, - o conjunto de blocos de construção de conhecimento define os valores de suprimento do animal dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda, e - as conexões da rede de blocos de construção de conhecimento são adaptadas com base nos dados de estado do animal medidos da população da fazenda de pecuária.
3. Método de acordo com a reivindicação 2, caracterizado por os blocos de construção de conhecimento definirem regras previamente obtidas que representam uma reação dos animais a condições da fazenda em particular.
4. Método de acordo com a reivindicação 3, caracterizado por os dados de sensor da fazenda e/ou os dados de condição da fazenda compreenderem dados sobre idade do animal, dimensão da fazenda, condições de iluminação e ventilação, ou a agenda de vacinação, dados sobre alimentação e consumo de água, peso, ou comportamento dos animais.
5. Método de acordo com a reivindicação 1, caracterizado por a etapa de ajuste ser realizada usando um procedimento de aprendizado de máquina que opera em uma rede neural para otimizar iterativamente o conjunto de valores de suprimento do animal dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda, em que os dados de estado do animal são usados como dados alvos para treinar a rede neural.
6. Método de acordo com qualquer uma das reivindicações 1 a 5, caracterizado por os sensores incluírem sensores ópticos, acústicos e/ou químicos.
7. Método de acordo com qualquer uma das reivindicações 1 a 6, caracterizado por os dados de sensor da fazenda e/ou os dados de condição da fazenda incluírem um ou mais dos seguintes: temperatura, pressão do ar, ventilação, iluminação, dados sobre distribuição e movimento dos animais na casa agrícola, atividade motora dos animais, peso dos animais, alimentação e consumo de água, dados de som, dados de composição do ar e dados olfativos.
8. Método de acordo com qualquer uma das reivindicações 1 a 7, caracterizado por os dados de estado do animal incluírem um ou mais dos seguintes: saúde e mortalidade do animal, taxas de conversão calórica e de conversão de alimentação, ganho de peso corporal dos animais, rendimento de abate, quantidade, qualidade e variabilidade de uma carne produzida.
9. Método de acordo com qualquer uma das reivindicações 1 a 8, caracterizado por os valores de suprimento do animal incluírem um ou mais dos seguintes: quantidade, qualidade e composição de alimentação, dieta, suplementos, probióticos, fármacos, suprimento de água, temperatura, pressão do ar, ventilação, iluminação, som e umidade do animal na casa agrícola.
10. Método de acordo com qualquer uma das reivindicações 1 a 9, caracterizado por um sinal de alarme óptico ou acústico ser gerado se um dos dados de sensor da fazenda obtidos estiver fora de uma faixa pré-definida.
11. Sistema para controlar uma fazenda de pecuária que aloja uma população de animais, caracterizado por o sistema compreender: - um ou mais, preferivelmente uma pluralidade de, sensores adaptados para obter dados de sensor da fazenda indicativos da condição da fazenda de pecuária, - opcionalmente, um dispositivo adaptado para combinar ditos dados de sensor da fazenda com dados adicionais, indicativos da condição da fazenda de pecuária, mas não obtidos por meio de sensores, para obter dados de condição da fazenda, - um ou mais, preferivelmente uma pluralidade de, dispositivos de medição adaptados para obter dados de estado do animal da população da fazenda de pecuária, e - uma unidade de controle adaptada para selecionar e ajustar continuamente, dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda e dos dados de estado do animal, um conjunto de valores de suprimento do animal usando um circuito de realimentação de maneira tal que um valor de pelo menos um dado selecionado dos dados de estado do animal seja otimizado.
12. Sistema de acordo com a reivindicação 11, caracterizado por a unidade de controle ser adaptada para selecionar e ajustar continuamente o conjunto de valores de suprimento do animal usando uma rede de blocos de construção de conhecimento seletivamente conectados pré-definidos, em que: - cada bloco de construção de conhecimento mapeia um estado de entrada para um valor de saída de acordo com uma regra de conhecimento pré- definida, - o valor de saída de um bloco de construção de conhecimento pode ser o estado de entrada de um outro bloco de construção de conhecimento, e - o conjunto de blocos de construção de conhecimento define os valores de suprimento do animal dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda, - as conexões da rede de blocos de construção de conhecimento são adaptadas com base nos dados de estado do animal medidos da população da fazenda de pecuária.
13. Sistema de acordo com a reivindicação 12, caracterizado por os blocos de construção de conhecimento definirem regras previamente obtidas que representam uma reação dos animais a condições da fazenda em particular, e, opcionalmente, em que dados de sensor da fazenda e/ou dados de condição da fazenda compreendem dados sobre idade do animal, dimensão da fazenda, condições de iluminação e ventilação, ou a agenda de vacinação, e os dados metabólicos do animal compreendem dados sobre alimentação e consumo de água, peso, ou comportamento dos animais.
14. Sistema de acordo com a reivindicação 11, caracterizado por a unidade de controle ser adaptada para usar um procedimento de aprendizado de máquina que opera em uma rede neural para otimizar iterativamente o conjunto de valores de suprimento do animal dependente dos dados de sensor da fazenda obtidos ou dos dados de condição da fazenda, em que os dados de estado do animal são usados como dados alvos para treinar a rede neural.
15. Sistema, de acordo com qualquer uma das reivindicações 10 a 14, caracterizado por compreender sensores ópticos, acústicos e/ou químicos para obter dados de sensor da fazenda em tempo real, e compreendendo opcionalmente um dispositivo adaptado para gerar um sinal de alarme óptico ou acústico se um dos dados de sensor da fazenda obtidos estiver fora de uma faixa pré-definida.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18208858.3 | 2018-11-28 | ||
| EP18208858 | 2018-11-28 | ||
| PCT/EP2019/082658 WO2020109348A1 (en) | 2018-11-28 | 2019-11-27 | Method of controlling a livestock farm |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021010084A2 true BR112021010084A2 (pt) | 2021-08-24 |
Family
ID=64556759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021010084-9A BR112021010084A2 (pt) | 2018-11-28 | 2019-11-27 | Método de controle de uma fazenda de pecuária e seu sistema |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20220121174A1 (pt) |
| EP (1) | EP3886575A1 (pt) |
| CN (1) | CN113163734A (pt) |
| BR (1) | BR112021010084A2 (pt) |
| WO (1) | WO2020109348A1 (pt) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022207767A1 (en) * | 2021-03-31 | 2022-10-06 | Dsm Ip Assets B.V. | Model-based detection of deficiency in animal's nutritional state |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7317969B2 (en) | 2002-09-30 | 2008-01-08 | Ctb Ip, Inc. | Method and system for managing and operating a plurality of farm houses |
| WO2008001367A1 (en) * | 2006-06-27 | 2008-01-03 | State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (A.R.O.), Volcani Center | Methods and systems for monitoring and controlling body temperature of a group of homothermic organisms |
| CN101101644A (zh) * | 2006-07-07 | 2008-01-09 | 朱延平 | 农场运作系统以及方法 |
| US8024075B2 (en) * | 2007-12-05 | 2011-09-20 | Daniel Joseph Fekete | System and method for wireless irrigation utilizing a centralized control server and field module matrix |
| CN101839773A (zh) * | 2009-03-19 | 2010-09-22 | 胡宜敏 | 一种基于zigbee的猪体温及猪舍温湿度检测系统 |
| CN101833320B (zh) * | 2010-05-13 | 2012-08-22 | 湖南农业大学 | 一种精细智能化养猪方法 |
| CN101968649B (zh) * | 2010-10-18 | 2012-05-30 | 淮阴工学院 | 网络型生猪养殖环境控制系统与智能型环境因子控制方法 |
| BR112013024948B1 (pt) * | 2011-03-28 | 2021-06-15 | Clover Bench | Aparelho e método para identificar estados biológicos importante em um animal |
| US8755570B2 (en) * | 2011-04-27 | 2014-06-17 | Steve Gomas | Apparatus and method for estimation of livestock weight |
| EP2925121B1 (en) * | 2012-12-02 | 2020-03-11 | Agricam AB | System and method for predicting the health outcome of a subject |
| WO2014118788A2 (en) * | 2013-02-04 | 2014-08-07 | Faunus Ltd. | Early warning system and/or optical monitoring of livestock including poultry |
| US9823138B2 (en) * | 2013-08-21 | 2017-11-21 | Petpace Ltd | Non-invasive automatic monitoring of pet animal's core temperature |
| KR101607934B1 (ko) * | 2014-05-14 | 2016-03-31 | 숭실대학교산학협력단 | 전염병 모니터링 방법 및 이를 이용한 시스템, 이를 수행하기 위한 기록매체 |
| US9961883B2 (en) * | 2014-06-16 | 2018-05-08 | Allan Schaefer | Rapid and automatic determination of metabolic efficiency in livestock |
| US9955672B2 (en) * | 2014-06-16 | 2018-05-01 | Nigel Cook | Infrared thermography and behaviour information for identification of biologically important states in animals |
| CN109068613B (zh) * | 2016-04-28 | 2021-06-01 | 国立大学法人大阪大学 | 健康状态推定装置 |
| WO2018100883A1 (ja) * | 2016-11-29 | 2018-06-07 | ソニー株式会社 | 表示制御装置、表示制御方法およびプログラム |
| EP3550525A4 (en) * | 2016-11-29 | 2019-11-27 | Sony Corporation | DISPLAY CONTROL DEVICE, DISPLAY CONTROL METHOD AND PROGRAM |
| CN107258667A (zh) * | 2017-06-30 | 2017-10-20 | 重庆问天农业科技有限公司 | 一种林下生态鸡养殖方法 |
| KR101994338B1 (ko) * | 2017-10-25 | 2019-06-28 | 엘지이노텍 주식회사 | 사육장 관리 장치 및 방법 |
| CN107765624A (zh) * | 2017-12-07 | 2018-03-06 | 四川谋席科技有限公司 | 基于大数据的调控监控系统 |
| WO2019245978A1 (en) * | 2018-06-19 | 2019-12-26 | Farm Jenny LLC | Farm asset tracking, monitoring, and alerts |
| JP7113769B2 (ja) * | 2019-02-18 | 2022-08-05 | 富士フイルム株式会社 | 情報処理装置、情報処理方法、情報処理プログラム、表示制御装置、表示制御方法、及び表示制御プログラム |
| US10628756B1 (en) * | 2019-09-12 | 2020-04-21 | Performance Livestock Analytics, Inc. | Livestock and feedlot data collection and processing using UHF-band interrogation of radio frequency identification tags |
| US20230225294A1 (en) * | 2020-04-17 | 2023-07-20 | The Governors Of The University Of Alberta | Apparatus and methodologies for improved detection of important biological states in animals |
| WO2021239458A1 (en) * | 2020-05-26 | 2021-12-02 | Evonik Operations Gmbh | Method of controlling and managing a production cycle of a livestock farm |
-
2019
- 2019-11-27 US US17/297,364 patent/US20220121174A1/en active Pending
- 2019-11-27 BR BR112021010084-9A patent/BR112021010084A2/pt not_active Application Discontinuation
- 2019-11-27 WO PCT/EP2019/082658 patent/WO2020109348A1/en unknown
- 2019-11-27 CN CN201980078059.3A patent/CN113163734A/zh active Pending
- 2019-11-27 EP EP19806284.6A patent/EP3886575A1/en not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| EP3886575A1 (en) | 2021-10-06 |
| CN113163734A (zh) | 2021-07-23 |
| WO2020109348A1 (en) | 2020-06-04 |
| US20220121174A1 (en) | 2022-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6704164B1 (ja) | 畜産自動管理システム | |
| Dawkins | Does smart farming improve or damage animal welfare? Technology and what animals want | |
| BRPI0614482A2 (pt) | sistema e método para otimização da produção animal usando informação do genótipo | |
| US11278007B2 (en) | Methods and systems for using sound data to analyze health condition and welfare states in collections of farm animals | |
| KR102652345B1 (ko) | 축산 제어 시스템, 축산 제어 서버, 축산 제어 방법, 및 기록 매체에 격납된 축산 제어 프로그램 | |
| JP2021132596A (ja) | 畜産情報管理システム、畜産情報管理サーバ、畜産情報管理方法、及び畜産情報管理プログラム | |
| Patel et al. | Role of artificial intelligence in livestock and poultry farming | |
| Demmers et al. | Neural predictive control of broiler chicken and pig growth | |
| CN112130596A (zh) | 养殖场环境调节方法、装置、电子设备及可读存储介质 | |
| CN116934088A (zh) | 一种基于分析模型的鸽子养殖智能管理方法及其系统 | |
| JP2020146040A (ja) | 畜産自動管理システム | |
| Ramirez et al. | Impact of housing environment and management on pre-/post-weaning piglet productivity | |
| WO2021239458A1 (en) | Method of controlling and managing a production cycle of a livestock farm | |
| BR112021010084A2 (pt) | Método de controle de uma fazenda de pecuária e seu sistema | |
| George et al. | Optimizing poultry production through advanced monitoring and control systems | |
| Petkov et al. | Fault Tolerance Smart Egg Incubation System with Computer Vision | |
| Zuidhof et al. | Smart poultry nutrition | |
| Natho et al. | A Prototype Platform for Automated Chicken Feeding Control with an Embedded System | |
| Frost | An overview of integrated management systems for sustainable livestock production | |
| Barsagadea et al. | Internet of Things Based Intelligent monitoring and Controlling of Poultry System on using Artificial Intelligence | |
| US20240099273A1 (en) | Method and control system for controlling an agricultural installation for small livestock farming and/or medium livestock farming | |
| Kristensen et al. | The intelligent pig barn | |
| Khan et al. | Electronics Design of an Automated Surveillance and Control System for Aviaries | |
| Cormick et al. | Get the most viable chicks by optimising your value chain. | |
| Purswell et al. | 8 Automation in Animal Housing and Production |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] | ||
| B11B | Dismissal acc. art. 36, par 1 of ipl - no reply within 90 days to fullfil the necessary requirements |