Approcci di machine learning per la valutazione del comportamento di galline ovaiole in sistemi cage free

The many limitations of cage farming compromise the quality of life of animals, which is increasingly important for the consumers. Indeed, there are several instances that public opinion and NGOs have presented to the legislature from the 1960s until today. Although cage systems are still widely used in the EU for rearing laying hens, given the advantages in terms of health, control, and economic efficiency, cage-free systems are a viable alternative and are considered better by consumers. Cage-free systems, in which around 50% of the laying hens bred in Europe are housed, basically provide greater freedom of movement and expression of the species-specific behavioural repertoire. However, the transition from caged to cage-free systems has several critical points. A free environment, in which groups of animals are very large, promotes negative behaviors such as cannibalism and suffocation. These issues have an impact on animal welfare that must be limited. In today's complex rearing environment of laying hens, monitoring and studying the dynamics that lead to problems in large groups of hens is possible using new technologies of precision livestock farming (PLF) and machine learning (ML). The former allows large amounts of digital data to be collected via sensors, and the latter allows the processing of the same data. ML uses sophisticated statistical methods that can extrapolate and relate huge masses of data. This makes it possible to obtain information, even in real time, on the condition of animals, including the state of animal welfare. The use of deep learning algorithms, or neural networks, dealing with Object recognition is one of the ways through which ML can be exploited. These algorithms analyze images to obtain information such as animal location, density, or execution of certain behavior. Having said that, this thesis aimed at creating an autonomous system for surveying the density of laying hens kept in aviaries, using the YOLO (You Only Look Once) algorithm. The goal was to monitor, and in the future prevent, conditions that can lead to crowding and suffocation of animals. In addition, the system evaluated the possibility of monitoring animal welfare in terms of comfort behaviours and, specifically, in terms of animals engaged in sand bathing. For this purpose, video recordings of the behaviour of the animals on the ground were used within an avian system divided into 8 modules, starting from the thirty-fifth week of life of the hens. The videos were then divided into individual images and 1150 images were manually labelled within which individual animals were identified by distinguishing two categories, i.e. animals on the ground (ground) and animals on the ground engaged in sand bathing (dust), functional and species-specific behaviour. The labelled images were then divided into 2 data set, the first, the training set, used for training the algorithm, and the other, the test set, used at the end of the evaluation. Two different versions of YOLO, YOLO v4 and YOLO v4-tiny, were evaluated with the same images to identify the fastest and most accurate algorithm with regard to counting the hens on the litter and with regard to the ability to detect those engaged in sand bathing. The results show that both algorithms exhibit high accuracy, about 95%, being able to correctly identify and classify the hens on the litter. The model that has the highest speed, about 31.35 FPS, with high accuracy, 95%, was the v4-tiny model. In conclusion, this thesis has demonstrated the possibility of using an ML system to count animals on land and those engaged in sand bathing.

I numerosi limiti dell’allevamento in gabbia compromettono la qualità della vita degli animali, la quale risulta sempre più importante agli occhi del consumatore. Sono diverse, infatti, le istanze che opinione pubblica e ONG hanno presentato al legislatore dagli anni 60 fino ad oggi. Sebbene i sistemi di allevamento in gabbia siano tuttora largamente utilizzati in UE per l’allevamento di galline ovaiole, dati i vantaggi in termini di sanità, controllo ed efficienza economica, i sistemi cage free rappresentano un’alternativa valida e sono ritenuti migliori da parte dei consumatori. I sistemi cage free, nei quali sono accasate circa il 50% delle ovaiole allevate in Europa, forniscono fondamentalmente una maggiore libertà di movimento e di espressione del repertorio comportamentale specie-specifico. Il passaggio dai sistemi in gabbia a quelli senza gabbia presenta però diversi punti critici. Un ambiente più libero in cui i gruppi di animali sono molto numerosi promuove comportamenti negativi quali cannibalismo e soffocamento. Queste problematiche hanno un impatto sul benessere animale che deve essere limitato. cLe prime permettono di raccogliere tramite sensori grosse quantità di dati digitali, le seconde consentono l’elaborazione degli stessi. Il ML, o apprendimento automatico, utilizza sofisticati metodi statistici in grado di estrapolare e mettere in relazione enormi moli di dati. Ciò permette di ricavare informazioni, anche in tempo reale, relative alla condizione degli animali, incluso lo stato di benessere animale. L’utilizzo di algoritmi di deep learning, o reti neurali, che si occupano di Object recognition è uno dei modi attraverso il quale è possibile sfruttare il ML. Questi algoritmi analizzano le immagini al fine di ottenere informazioni come la collocazione degli animali, la densità o l'esecuzione di un certo comportamento. Fatte queste premesse, la presente tesi di laurea ha inteso creare un sistema autonomo per il rilievo della densità delle galline ovaiole allevate in aviari, utilizzando l’algoritmo YOLO (You Only Look Once). L’obiettivo è quello di monitorare, e in futuro prevenire, le condizioni che possono portare all’affollamento e al soffocamento degli animali. Inoltre, il sistema ha valutato la possibilità di monitorare il benessere degli animali in termini di comportamenti di comfort e, nello specifico, in termini di animali impegnati nel bagno di sabbia. Allo scopo, sono state utilizzate le video registrazioni del comportamento degli animali a terra all’interno di un sistema ad aviario diviso in 8 moduli, a partire dalla trentacinquesima settimana di vita delle galline. I video sono stati successivamente divisi in singole immagini e sono state etichettate manualmente 1150 immagini entro le quali sono state individuati i singoli capi distinguendodue categorie, i.e. animali a terra (ground) e animali a terra impegnati nel bagno di sabbia (dust), comportameto funzionale e specie specifico. Le immagini etichettate sono state poi divise in 2 data set, il primo, il training set, utilizzato per l’addestramento dell’algoritmo, l’altro, il test set, utilizzato alla fine in fase di valutazione. Sono state valutate con le stesse immagini due diverse versioni di YOLO, YOLO v4 e YOLO v4-tiny al fine di individuare il più veloce e preciso algoritmo rispetto al conteggio delle galline presenti sulla lettiera e rispetto alla capacità di individuare quelle impegnate nel bagno di sabbia. I risultati mostrano che entrambi gli algoritmi presentano un’elevata accuratezza, circa 95%, riuscendo ad individuare e classificare correttamente le galline sulla lettiera. Il modello che presenta maggior velocità, circa 208,45 FPS, con precisione elevata, 95%, è risultato il modello v4-tiny. In conclusione, la presente tesi ha dimostrato la possibilità di utilizzare un sistema di ML per il conteggio degli animali a terra e quelli impegnati nel bagno di sabbia.