0
La caudofagia o morsicatura della coda è un comportamento dannoso che influisce sul benessere e sulla salute dei suini. La diagnosi precoce dei segni precursori della morsicatura della coda offre l'opportunità di adottare misure preventive, evitando così l'incidenza della morsicatura della coda.
Lo scopo di questo studio era costruire un algoritmo di apprendimento automatico per il rilevamento in tempo reale di imminenti focolai di morsicatura della coda, utilizzando i dati sul comportamento alimentare registrati da alimentatori elettronici.
Sono state valutate le capacità di previsione di 7 algoritmi di apprendimento automatico (modello lineare generalizzato con selezione graduale delle caratteristiche, random forest, macchine vettoriali di supporto con kernel di funzioni a base radiale, modello bayesiano lineare generalizzato, rete neurale, k-nearest neighbour e analisi discriminante di minimi parziali quadrati) dai dati sull'alimentazione giornaliera raccolti in 65 box di due allevamenti di suini da ingrasso (25-100 kg), con 27 casi di morsicatura della coda.
I dati sono stati divisi in dati di addestramento e dati di analisi in due modi diversi, dividendo casualmente i dati in 75% (set di addestramento) e 25% (set di analisi), oppure selezionando casualmente i box per costituire il set di analisi. Nella prima sezione di dati, il modello viene aggiornato periodicamente con i dati precedenti dei box, mentre nella seconda sezione di dati, il modello tenta di prevedere un box che non ha valutato in precedenza.
L'algoritmo k-nearest neighbors è stato in grado di prevedere il 78% dei focolai imminenti con una precisione del 96%, quando prevedeva focolai in box per i quali disponeva di dati precedenti.
In conclusione, i risultati indicano che i modelli di apprendimento automatico possono essere presi in considerazione per l'implementazione nei sistemi di alimentazione automatizzati per prevedere i focolai di morsicatura delle code in tempo reale.
Ollagnier C, Kasper C, Wallenbeck A, Keeling L, Bee G, Bigdeli SA. PLOS One. 2023. https://doi.org/10.1371/journal.pone.0252002
