Применение искусственного интеллекта в кролиководстве: от мониторинга воспроизводства до точного земледелия

Искусственный интеллект (ИИ) совершает революцию в животноводстве, автоматизируя и оптимизируя процессы управления, и обладает значительным потенциалом в кролиководстве. Благодаря высокой репродуктивной способности кроликов и их разнообразному использованию, ИИ может значительно улучшить управление воспроизводством, мониторинг здоровья и анализ поведения, а также репродуктивный мониторинг, оценку состояния здоровья и точное животноводство.

Технологии ИИ, такие как машинное обучение (МО), компьютерное зрение и интеграция датчиков, обеспечивают более эффективное обнаружение беременности, прогнозирование окрола, мониторинг родов и наблюдение за здоровьем. Эти инновационные системы снижают зависимость от ручного труда, сокращают время наблюдения и повышают благополучие животных. Системы на основе ИИ могут выявлять беременность и прогнозировать окрол путем анализа физиологических данных, а носимые датчики и модели машинного обучения отслеживают данные о состоянии здоровья в реальном времени для выявления ранних признаков заболеваний. Кроме того, инструменты ИИ отслеживают поведение кроликов, уровень их активности и социальные взаимодействия, обеспечивая оптимальные условия содержания и снижая стресс или риск травм. Однако остаются проблемы, включая сбор данных, этические вопросы и адаптацию систем к различным условиям фермерских хозяйств. Несмотря на эти препятствия, ИИ предлагает существенные преимущества, включая точное управление, повышение производительности и улучшение благосостояния животных. По мере развития технологий ИИ необходимы дальнейшие усовершенствования в области доступности, экономической приемлемости и интеграции в существующие системы управления фермами. Внедрение ИИ в кролиководство может способствовать устойчивым и гуманным методам ведения хозяйства, предоставляя основанные на данных решения для принятия более обоснованных решений. Данный обзор подчеркивает, как инновации в области ИИ произведут революцию в кролиководстве и заложат основу для более широкого применения в управлении животноводством, способствуя глобальному расширению точного земледелия.

Кролиководство играет важнейшую роль в коммерческом производстве мяса, а также как источник companionship для владельцев домашних животных (1). Во всем мире кролики высоко ценятся за их быструю репродуктивную способность, высокую эффективность конверсии корма и адаптируемость к различным системам содержания (1, 2). Однако управление воспроизводством, здоровьем и поведением кроликов создает значительные проблемы, особенно в крупных хозяйствах. Эти проблемы усугубляются быстрыми репродуктивными циклами кроликов и их относительно короткой продолжительностью жизни, что требует непрерывного мониторинга и оперативного принятия решений для обеспечения их здоровья, продуктивности и благополучия (3, 4). Традиционные подходы к управлению воспроизводством, обнаружению сукрольности, успешному окролу и мониторингу здоровья часто основываются на трудоемких методах, требующих квалифицированного персонала и подверженных человеческим ошибкам, обусловленным субъективным суждением и изменчивостью условий окружающей среды (2, 5). Например, пальпация и ультразвуковое исследование, обычно применяемые для подтверждения сукрольности, являются неинвазивными, но требуют специального обучения и оборудования (6). В крупных кролиководческих хозяйствах reliance на ручные методы может быть непомерным, что приводит к неэффективности, задержкам в принятии мер и потенциальным нарушениям благополучия животных.

Для преодоления этих ограничений растет спрос на эффективные, точные и автоматизированные системы управления воспроизводством и здоровьем кроликов (7). Искусственный интеллект (ИИ) стал перспективным решением, способным оптимизировать и автоматизировать ключевые аспекты кролиководства. Такие технологии, как машинное обучение (МО), компьютерное зрение и системы на основе Интернета вещей (IoT), обеспечивают непрерывный, неинвазивный мониторинг здоровья, фертильности и поведения, предоставляя аналитическую информацию в реальном времени для поддержки обоснованных управленческих решений. Было показано, что ИИ эффективен для обнаружения сукрольности, прогнозирования окрола и обеспечения послеродового ухода. Например, модели МО могут анализировать физиологические показатели, такие как температура тела, частота сердечных сокращений и уровень активности, чтобы предвидеть наступление сукрольности или окрола, тем самым минимизируя осложнения (8). Системы ИИ также могут отслеживать самок и их крольчат после окрола, выявляя такие проблемы, как инфекции, недостаточная выработка молока или ненормальное поведение, что позволяет своевременно вмешиваться (9).

Более того, инструменты поведенческого анализа на основе ИИ все чаще применяются для отслеживания основных видов деятельности, включая кормление, питье, груминг и социальные взаимодействия, что обеспечивает соответствующие условия содержания и помогает снизить стресс и агрессию — распространенные проблемы в условиях интенсивного животноводства (10). В данном обзоре освещаются текущие применения ИИ в кролиководстве, с особым акцентом на обнаружение сукрольности, прогнозирование окрола, послеродовой уход, мониторинг здоровья и оценку поведения. Мы также обсуждаем расширяющийся объем исследований, подтверждающих интеграцию ИИ в системы управления кролиководческими хозяйствами, и конкретные методы, разрабатываемые для практической реализации.

В настоящем обзоре также освещаются проблемы, связанные с внедрением ИИ в кролиководство, включая необходимость стандартизированных методов сбора данных, этические проблемы, касающиеся непрерывного мониторинга, и барьеры для внедрения в условиях ограниченных ресурсов. Кроме того, мы обсуждаем будущие направления развития ИИ в кролиководстве, подчеркивая важность инноваций и бесшовной интеграции систем ИИ в устойчивые, ориентированные на благополучие методы ведения хозяйства. Потенциал ИИ для повышения продуктивности, снижения затрат труда и улучшения благополучия животных в кролиководстве значителен. Поскольку технологии ИИ продолжают развиваться, они обещают преобразовать традиционные методы ведения хозяйства, что приведет к более эффективным, гуманным и устойчивым подходам к животноводству. Данная статья предоставляет обзор текущих достижений в области ИИ для управления кролиководством, определяя ключевые области для будущих исследований и разработок, включая мониторинг сукрольности кроликов, анализ здоровья и поведения, а также управление условиями окружающей среды.

Интеграция ИИ в животноводство начала переопределять управление livestock в разных видах животных, включая кроликов. В связи с растущим глобальным акцентом на улучшение благополучия животных, продуктивности ферм и экологической устойчивости, ИИ предоставляет мощный набор инструментов для оптимизации кролиководства. Технологии ИИ предлагают передовые возможности для автоматизации рутинных задач, прогнозирования критических биологических событий и содействия принятию решений на основе данных. Эти инновации особенно актуальны по мере того, как кролиководческие хозяйства масштабируются для удовлетворения растущего спроса на мясо, мех и лабораторных животных, а также реагируют на более строгие стандарты благополучия. На рисунке 1 показано, как ИИ в настоящее время применяется в четырех основных областях кролиководства: мониторинг сукрольности, наблюдение за здоровьем, отслеживание поведения и управление условиями окружающей среды.

Рисунок 1 Таксономия инноваций искусственного интеллекта (ИИ) в кролиководстве. На этом рисунке представлена иерархическая классификация технологий ИИ и их основные применения в системах кролиководства.

В воспроизводстве кроликов искусственный интеллект (ИИ) продемонстрировал высокий потенциал для повышения эффективности разведения благодаря раннему и точному выявлению сукрольности (7, 9). Традиционные методы диагностики, такие как пальпация, трудоемки, требуют квалифицированного персонала и могут вызывать стресс. Системы на основе ИИ, использующие машинное обучение и компьютерное зрение, могут анализировать внешние признаки, такие как поза, уровень активности и незначительные изменения температуры или дыхания, предоставляя неинвазивную и эффективную альтернативу (5, 9, 10). Эти подходы могут быть дополнительно усилены за счет интеграции носимых биосенсоров для непрерывного мониторинга отдельных кроликов. Раннее выявление сукрольности способствует лучшему планированию программ разведения, сокращает ненужные случки и оптимизирует использование ресурсов. ИИ также может помогать в отслеживании показателей поздних сроков гестации и прогнозировании окрола, обеспечивая своевременное вмешательство и повышая выживаемость крольчат во время родов (11, 12). В послеродовой период системы интеллектуального мониторинга на основе ИИ отслеживают здоровье новорожденных, измеряя температуру, частоту кормления и движение в гнезде, с автоматическими оповещениями для выявления аномальных состояний, таких как низкая активность или недостаточная материнская забота. Данные послеродового периода могут затем уточнять прогностические модели, улучшая репродуктивный успех и генетику стада с течением времени (9, 10).

Помимо воспроизводства, ИИ преобразует управление здоровьем в новую область, не в последнюю очередь в кролиководстве. Системы на основе камер и биосенсоров могут выявлять ранние признаки заболеваний, включая респираторные или пищеварительные расстройства, или индикаторы боли и дистресса, часто до того, как они становятся заметны для человеческого наблюдателя (11, 13). Едва заметные изменения в походке, позе или поведении при кормлении могут свидетельствовать о возникающих проблемах со здоровьем. Непрерывное наблюдение обеспечивает более последовательный охват по сравнению с ручным наблюдением, поскольку оно объединяет поведенческие и физиологические данные с факторами окружающей среды, такими как температура, влажность и качество воздуха, обеспечивая тем самым контекстно-зависимую диагностику (2, 5). Такой проактивный подход снижает количество вспышек заболеваний, улучшает благополучие, повышает продуктивность и снижает ветеринарные затраты (9, 11).

Поведенческий анализ является еще одним новым направлением в точном кролиководстве. Кролики являются highly sensitive and social animals, чье поведение отражает их физическое и психологическое состояние (14). Системы ИИ, использующие компьютерное зрение и анализ движений, могут отслеживать паттерны активности, груминг, социальные взаимодействия и агрессию. Отклонения от нормального поведения, такие как снижение подвижности или изменение времени кормления, могут предшествовать клиническим симптомам заболеваний. Более того, ИИ может выявлять негативные социальные взаимодействия, такие как преследование, укусы или доминирование, что поддерживает управленческие решения по групповому содержанию и обогащению среды (15, 16). Эти поведенческие данные также могут применяться для разработки индивидуальных программ благополучия, способствующих умственной стимуляции, снижению стресса и улучшению общего самочувствия (17).

На рисунке 2 представлено визуальное изображение разнообразных применений ИИ в управлении кролиководством. Он включает шесть ключевых компонентов: мониторинг сукрольности, послеродовой уход, носимые технологии, оценку здоровья, отслеживание поведения и контроль окружающей среды. Каждый из этих компонентов вносит вклад в создание насыщенной данными, быстро реагирующей системы хозяйствования, обеспечивающей раннее выявление проблем, вмешательство в реальном времени и непрерывную оптимизацию благополучия. Носимые технологии совершают революцию в сборе данных на уровне отдельных животных. Легкие устройства могут измерять физиологические параметры, такие как температура тела, частота сердечных сокращений и движения, и передавать эти данные на платформы ИИ для анализа в реальном времени. Эти детализированные данные поддерживают индивидуальное профилирование здоровья, позволяя осуществлять более точный и персонализированный уход.

Рисунок 2 Обзор применения ИИ в кролиководстве. Ключевые области включают мониторинг на основе датчиков, носимые технологии, оценку здоровья, отслеживание поведения и контроль окружающей среды.

Помимо мониторинга животных, ИИ играет важнейшую роль в управлении условиями окружающей среды на ферме. Условия окружающей среды, включая температуру, влажность, циркуляцию воздуха и освещение, оказывают прямое влияние на здоровье, продуктивность и благополучие кроликов. Интегрированные с ИИ системы климат-контроля могут автоматически регулировать эти параметры в ответ на данные датчиков в реальном времени, поддерживая стабильные и оптимальные условия содержания. Более того, ИИ может использовать прогнозную аналитику для предвидения экологических проблем, таких как волны жары или холода, на основе внешних метеорологических данных, позволяя фермерам подготовиться заранее (9, 17). Эта прогностическая способность не только защищает благополучие животных, но также повышает энергоэффективность и снижает эксплуатационные расходы, избегая ненужного чрезмерного использования систем отопления или охлаждения.

Еще одним перспективным направлением является интеграция данных ИИ из всех этих областей в централизованные платформы управления фермой. Такие платформы могут предоставлять комплексные панели управления, отслеживающие репродуктивные показатели, состояние здоровья, поведенческие тенденции и экологические метрики в реальном времени. Инструменты поддержки принятия решений на основе ИИ могут предлагать практические рекомендации, предлагать меры вмешательства и даже автоматизировать рутинные действия. Например, если система ИИ обнаруживает снижение активности в сочетании с высокой температурой окружающей среды, она может автоматически активировать системы охлаждения, одновременно оповещая персонал фермы о необходимости проверки признаков теплового стресса.

Резюмируя, внедрение ИИ в управление кролиководством преобразует способы работы ферм, переходя от реактивных, трудоемких методов к проактивным, основанным на данных системам. Интегрируя технологии, поддерживающие выявление сукрольности, мониторинг здоровья, поведенческий анализ и контроль окружающей среды, ИИ обеспечивает целостный подход к благополучию животных и эффективности фермы. Как показано на рисунках 1 и 2, синергия между этими приложениями ИИ не только повышает продуктивность, но и соответствует развивающимся этическим стандартам и стандартам устойчивости в современном животноводстве.

На рисунке 3 представлена система на основе ИИ для мониторинга сукрольности кроликов, отслеживающая физиологические и поведенческие изменения на протяжении трех основных фаз гестации: имплантация (дни 0–6), развитие плода (дни 8–22) и подготовка к лактации/окролу (дни 28–31). Научная литература (6, 7, 12, 15) подтверждает наблюдаемые тенденции, показанные на рисунке. В течение фазы имплантации наблюдается постепенное повышение температуры тела и подвижности, что соответствует ранним гормональным и метаболическим изменениям. Поведение гнездования и кормления на этой фазе минимально. По мере того как сукрольность переходит в фазу развития плода, наблюдается стабильное повышение температуры, массы тела, активности кормления и поведения гнездования, что соответствует увеличению роста плода и материнским потребностям в ресурсах. Движение становится более стабильным в этот период, согласно исследованиям, использующим ИИ и акселерометры для мониторинга поведенческих паттернов у кроликов. В заключительной фазе, подготовке к лактации и окролу, происходят заметные физиологические и поведенческие сдвиги. Исследования показывают характерное снижение температуры тела самки непосредственно перед окролом, за которым следует резкое повышение при родах. Масса тела и поведение кормления также могут уменьшаться из-за гормональных изменений и физической нагрузки на поздних сроках гестации (6, 15). Поведение гнездования, регулируемое гормональными сигналами, такими как эстроген и пролактин, значительно усиливается в этой фазе, при этом самки выщипывают пух и активно строят гнездо, готовясь к окролу. Одновременно движение обычно уменьшается, так как самка сохраняет энергию и остается рядом с местом гнездования. Анализируя различные биологические маркеры и факторы окружающей среды, ИИ может прогнозировать ключевые этапы сукрольности, такие как ожидаемое время родов или потенциальные осложнения. Эта прогностическая способность помогает фермерам и ветеринарам планировать и готовиться к каждому этапу сукрольности, повышая эффективность и уровень успеха программ разведения. Интеграция ИИ в мониторинг сукрольности может предложить более точный и основанный на данных подход к воспроизводству кроликов, в конечном итоге улучшая общий уход и методы управления.

Рисунок 3 Применение ИИ для мониторинга сукрольности кроликов. На рисунке показано, как методы на основе ИИ способствуют раннему выявлению охоты и состояния сукрольности.

3.1 Выявление сукрольности

Точное определение сукрольности у кроликов имеет важнейшее значение для оптимизации репродуктивных циклов, сокращения ненужных случек и повышения эффективности управления стадом (12). Традиционные методы, такие как ручная пальпация и ультразвуковое исследование, широко используются для выявления сукрольности, но часто являются стрессовыми и полуинвазивными, требуют квалифицированного персонала и могут влиять на благополучие животных и продуктивность (6, 12).

Технологии искусственного интеллекта (ИИ), включая машинное обучение, компьютерное зрение и интеграцию датчиков, стали перспективными инструментами для повышения точности выявления сукрольности при одновременном снижении трудозатрат и стресса у животных (14). Одним из наиболее перспективных достижений в этой области является использование неинвазивных датчиков для мониторинга физиологических изменений у кроликов во время сукрольности. Например, тепловизионная инфракрасная визуализация может обнаруживать незначительные колебания температуры, связанные с гормональными изменениями у сукрольных крольчих. Алгоритмы ИИ могут анализировать эти тепловые паттерны для прогнозирования сукрольности с высокой точностью (12, 16). Сообщаемые показатели точности для систем тепловизионной визуализации на основе ИИ варьируются в зависимости от модели, размера набора данных и условий окружающей среды, но обычно составляют от 80 до 95%, что выше, чем при традиционной пальпации или ручных методах осмотра (18). Непрерывный мониторинг температуры тела и других физиологических параметров позволяет системам ИИ обеспечивать постоянную оценку состояния сукрольности, минимизируя необходимость физического контакта, облегчая раннее вмешательство и повышая общую эффективность управления воспроизводством. Носимые биосенсоры являются еще одним решением на основе ИИ, которое набирает обороты в мониторинге сукрольности кроликов. Эти датчики, крепящиеся непосредственно к животным, могут непрерывно отслеживать такие физиологические параметры, как частота сердечных сокращений, температура и движения. Данные в реальном времени, генерируемые этими датчиками, анализируются моделями машинного обучения для прогнозирования сукрольности, начала окрола и общего состояния здоровья. Например, в недавнем исследовании Yuan и др. (19) было представлено носимое устройство, использующее фотоэлектрические датчики для оценки физиологических сигналов, связанных с сукрольностью. Этот подход обеспечивает непрерывный неинвазивный мониторинг, минимизирует человеческий фактор и улучшает принятие решений в управлении фермой (12, 18, 19).

Системы распознавания изображений на основе ИИ также были разработаны для выявления визуальных изменений у кроликов, которые могут указывать на сукрольность. Эти системы отслеживают такие физические характеристики, как размер и форма живота, которые часто являются ранними признаками сукрольности. Компьютерное зрение на основе ИИ может анализировать эти изменения с высокой точностью, оповещая фермеров о наличии сукрольности и обеспечивая более раннее вмешательство и оптимизированное управление репродуктивными циклами (20). Более того, эти технологии обеспечивают долгосрочный визуальный мониторинг без физического контакта, тем самым улучшая как благополучие животных, так и эксплуатационную эффективность.

В таблице 1 обобщены последние достижения в области методов на основе ИИ для раннего выявления сукрольности у кроликов. Множество моделей ИИ, включая метод опорных векторов (SVM), дискриминантный анализ методом частичных наименьших квадратов (PLS-DA), метод K-ближайших соседей (KNN), наивный байесовский классификатор и сверточные нейронные сети (CNN), были применены к различным входным наборам данных, таким как оптическое отражение, спектроскопия в видимом и ближнем инфракрасном диапазоне (Vis–NIR) и признаки на основе изображений. Среди исследований на кроликах модели SVM, использующие оптические данные с носимых или портативных датчиков, продемонстрировали высокую точность (до 86,63 и 83,94% соответственно) в выявлении сукрольности уже на 14-й день после осеменения.

Таблица 1 Раннее выявление охоты и сукрольности у кроликов.

Несмотря на эти достижения, проблемы остаются в области интеграции систем и их широкого внедрения. Внедрение решений ИИ требует инвестиций в аппаратное и программное обеспечение, что может быть барьером для малых фермерских хозяйств. Кроме того, сбор и интеграция данных должны быть стандартизированы для обеспечения стабильной точности в различных условиях содержания. Тем не менее, потенциал ИИ для революционного изменения выявления сукрольности у кроликов и улучшения практики управления стадом значителен. По мере развития ИИ ожидается, что он будет играть важнейшую роль в том, чтобы сделать кролиководство более устойчивым, эффективным и благоприятным для благополучия животных (12, 14).

3.2 Оценка периода гестации

В связи с вариативностью продолжительности гестации у разных пород кроликов точное прогнозирование периода гестации у кроликов необходимо для оптимизации репродуктивных циклов, снижения рисков, связанных с преждевременными или задержанными родами, и улучшения общего управления фермой (рисунок 3). Хотя типичный период гестации у кроликов составляет примерно 31 день, могут происходить вариации в зависимости от породы, возраста, состояния здоровья и факторов окружающей среды (6). Традиционно прогнозы гестации основывались на историческом опыте и общих рекомендациях, которые часто неточны. Внедрение технологий ИИ и машинного обучения теперь позволяет более точно прогнозировать период гестации путем анализа множества точек данных, включая физиологические показатели и условия окружающей среды. Модели машинного обучения могут быть обучены на исторических данных о разведении для выявления паттернов и корреляций, что позволяет более точно прогнозировать индивидуальные даты родов (8). Этот подход обеспечивает четкую связь между анализом данных на основе ИИ и улучшенным управлением воспроизводством, устраняя разрыв между традиционными оценками и персонализированными прогнозами в реальном времени. Например, системы ИИ могут анализировать данные из предыдущих сукрольностей, чтобы понять типичную продолжительность гестации конкретных крольчих или пород, обеспечивая тем самым более персонализированный и точный прогноз. Кроме того, такие факторы, как возраст крольчихи, ее физическое состояние и репродуктивный анамнез, учитываются алгоритмами машинного обучения для дальнейшей корректировки прогнозов и обеспечения точной оценки ожидаемой даты родов (7). Включая такие данные, фермеры могут более обоснованно готовиться к родам, тем самым улучшая управление как самкой, так и ее крольчатами.

Факторы окружающей среды, включая температуру, влажность и стресс, также играют важнейшую роль в продолжительности гестации (9). Системы ИИ могут интегрировать эти переменные, используя данные прогнозов погоды или датчиков окружающей среды, установленных на ферме. Исследования показали, что колебания температуры и экологические стрессоры могут влиять на период гестации у кроликов (20). Модели на основе ИИ могут обрабатывать эти внешние факторы наряду с физиологическими данными, чтобы предложить более целостный и точный прогноз периода гестации. Учитывая внутренние и внешние факторы, системы ИИ предоставляют комплексный инструмент для улучшения управления фермой и снижения неопределенностей, связанных с распределением трудовых ресурсов.

Более того, интеграция носимых устройств и датчиков в системы ИИ позволяет в режиме реального времени отслеживать физиологические сигналы крольчихи, такие как температура тела, частота сердечных сокращений и уровень активности. Эти устройства могут отслеживать незначительные изменения, которые могут указывать на приближающиеся роды, что дополнительно повышает точность прогнозов гестации (19). Непрерывный поток данных от таких датчиков в сочетании с передовыми алгоритмами машинного обучения может обеспечивать оповещения в реальном времени о потенциальных осложнениях или отклонениях от ожидаемого периода гестации. Это позволяет фермерам своевременно принимать меры, такие как корректировка условий окружающей среды или обеспечение дополнительного ухода, для снижения рисков для самки и ее потомства. По мере развития систем ИИ их способность прогнозировать и отслеживать периоды гестации, вероятно, будет становиться более точной, улучшая эффективность практик кролиководства и повышая благополучие животных (6, 18).

В таблице 2 выделены разнообразные применения ИИ для контроля за родами у кроликов, обеспечивающие важную поддержку на протяжении всего процесса родов. Одним из значительных применений является способность ИИ прогнозировать начало родов, что позволяет лучше выбрать время и подготовиться. Анализируя различные точки данных, такие как колебания температуры, поведенческие изменения и физиологические сигналы, ИИ может предсказать, когда крольчиха, вероятно, начнет рожать. Это раннее прогнозирование позволяет персоналу по уходу сделать необходимые приготовления, тем самым снижая риск осложнений во время родов (16). Это также обеспечивает важное окно для вмешательства ветеринаров или лиц, осуществляющих уход, обеспечивая более безопасный и гладкий опыт родов для матери и ее крольчат.

Таблица 2 Применение ИИ при окроле у кроликов и послеродовом уходе.

Кроме того, таблица 2 иллюстрирует, как ИИ помогает в управлении как родами, так и послеродовым уходом. Во время родов инструменты ИИ могут отслеживать прогресс схваток, отслеживать положение крольчат и оценивать общее состояние здоровья крольчихи в реальном времени. Если обнаруживаются какие-либо нарушения или задержки, система может оповестить лиц, осуществляющих уход, о необходимости своевременных действий (12). После родов ИИ продолжает играть жизненно важную роль, отслеживая восстановление матери и благополучие новорожденных. Он может выявлять потенциальные признаки инфекции или дистресса, предлагать соответствующие планы кормления и обеспечивать надлежащий уход как за самкой, так и за ее крольчатами (17, 19). Интегрируя ИИ в эти процессы, управление окролами у кроликов становится более эффективным, что в конечном итоге приводит к улучшению результатов как для самки, так и для ее потомства.

4.1 Прогнозирование родов и управление ими

Процесс родов у кроликов может быть сложным для прогнозирования, и могут возникать такие осложнения, как дистоция (трудные роды) или мертворождение. ИИ может быть жизненно важным для прогнозирования родов и управления ими путем анализа физиологических и поведенческих данных в реальном времени. Процесс родов у кроликов, обычно называемый партурицией, является критической фазой в кролиководстве. Однако его часто трудно предсказать, и могут возникать такие осложнения, как дистоция или мертворождение, которые представляют значительный риск как для самки, так и для ее крольчат. Точное прогнозирование и управление родами имеют важнейшее значение для улучшения исходов и обеспечения здоровья животных (17). В последние годы ИИ стал мощным инструментом для мониторинга и прогнозирования родов путем анализа широкого спектра физиологических и поведенческих данных в реальном времени. Алгоритмы ИИ могут эффективно обрабатывать данные с носимых датчиков, таких как датчики температуры, акселерометры и мониторы сердечного ритма, чтобы обнаруживать едва заметные изменения в организме самки, указывающие на начало родов (18). Эти датчики непрерывно отслеживают жизненно важные показатели, позволяя системам ИИ обнаруживать ранние предупредительные сигналы и предоставлять аналитическую информацию в реальном времени о ходе родов.

Носимые датчики являются одними из наиболее инновационных инструментов в мониторинге родов на основе ИИ. Например, акселерометры могут отслеживать изменения в уровне активности самки, в то время как датчики температуры фиксируют незначительное повышение температуры тела, которое обычно происходит по мере приближения родов (19). Модели ИИ, обученные на исторических данных и входных данных в реальном времени от этих датчиков, могут выявлять паттерны поведения и физиологических изменений, связанных с ранними стадиями родов. Когда система обнаруживает паттерны беспокойства, такие как поведение гнездования, усиление движений или изменение позы, она может с высокой точностью предсказать, что партуриция неизбежна. Эти ранние предупреждения могут оповещать фермеров или ветеринаров, позволяя им вмешаться при необходимости, минимизируя риски осложнений и обеспечивая лучшее управление процессом родов (17–19).

Помимо мониторинга поведенческих изменений, ИИ также может использоваться для отслеживания сокращений матки во время родов. Мониторинг сокращений имеет решающее значение для оценки прогресса родов и выявления потенциальных осложнений, таких как инерция матки, которая может препятствовать процессу родов. Анализируя частоту, интенсивность и регулярность сокращений, системы ИИ могут предоставить точную оценку времени, оставшегося до родов (9). Инструменты на основе ИИ могут обрабатывать эти данные в реальном времени, предоставляя фермерам ценную информацию, которая помогает им предвидеть, когда, вероятно, начнутся роды и может ли потребоваться медицинское вмешательство. Такие прогностические возможности могут значительно снизить частоту мертворождений или травм самки и ее крольчат, улучшая как продуктивность, так и благополучие животных на ферме (6, 12).

Более того, способность ИИ анализировать огромные объемы данных от нескольких датчиков и источников позволяет интегрировать различные факторы, которые могут влиять на роды. Например, условия окружающей среды, такие как температура, влажность и уровень стресса, также могут влиять на время и сложность родов (20). Модели ИИ могут включать эти внешние факторы, обрабатывая данные с датчиков окружающей среды в сочетании с физиологическими данными от самки. Интегрируя более широкий круг переменных, ИИ может предложить более целостное понимание факторов, влияющих на партурицию, позволяя фермерам оптимизировать условия для более гладких и менее стрессовых родов. Интеграция прогнозирования родов на основе ИИ с экологическим мониторингом особенно ценна в крупных коммерческих кролиководческих хозяйствах, где управление родами вручную может быть затруднительным.

Инструменты прогнозирования родов на основе ИИ также развиваются, включая автоматизированные оповещения и системы поддержки принятия решений, которые помогают в принятии решений во время родов. Например, системы ИИ могут генерировать оповещения в реальном времени для фермеров при обнаружении осложнений родов, таких как риск дистоции. Эти оповещения могут быть основаны на анализе в реальном времени физиологического состояния самки, поведения и сокращений матки. Инструменты ИИ также могут предлагать соответствующие действия, такие как обеспечение дополнительного ухода, усиление наблюдения или подготовка к ветеринарному вмешательству при необходимости (7). Эти передовые возможности ИИ обеспечивают более проактивное управление партурицией, гарантируя, что любые осложнения будут своевременно устранены для предотвращения задержек или смертности во время родов.

Наконец, интеграция систем ИИ в управление окролами у кроликов имеет потенциал для трансформации практик разведения в долгосрочной перспективе. ИИ может не только помогать в мониторинге родов в реальном времени, но и вносить вклад в более широкую стратегию управления разведением, выявляя факторы, улучшающие репродуктивный успех. Технологии ИИ все чаще применяются в воспроизводстве кроликов для повышения точности и эффективности на каждом этапе, от выявления сукрольности до управления родами и послеродового ухода. Точное выявление сукрольности имеет важнейшее значение для оптимизации репродуктивных циклов, сокращения ненужных случек и повышения эффективности управления стадом (19, 20). Традиционные методы, такие как ручная пальпация и ультразвуковое исследование, часто стрессовы, требуют квалифицированного персонала и могут влиять на благополучие животных и продуктивность (6, 18). Неинвазивные подходы на основе ИИ, включая спектроскопию в видимом и ближнем инфракрасном диапазоне (Vis–NIR) с пространственным разрешением и носимые фотоэлектрические датчики, позволяют непрерывно отслеживать физиологические изменения, связанные с сукрольностью, такие как незначительные колебания температуры, паттерны движений и другие биометрические сигналы (18, 19). Эти системы ИИ могут анализировать сложные наборы данных в реальном времени, предоставляя прогнозы сукрольности с более высокой точностью, чем традиционные методы, при этом минимизируя стресс от обращения.

Помимо выявления сукрольности, ИИ может отслеживать сокращения матки и другие физиологические показатели, важные для понимания прогресса родов. Анализируя частоту, интенсивность и паттерны сокращений, алгоритмы ИИ могут прогнозировать время партуриции, позволяя своевременно вмешиваться для поддержки как самки, так и ее крольчат (18, 19). Интеграция передовых методов визуализации, таких как прижизненное ультразвуковое исследование и биомикроскопия, дополнительно повышает способность ИИ визуализировать активность матки и фолликулов, тем самым улучшая точность мониторинга родов (20). Непрерывное наблюдение также позволяет на ранней стадии выявлять осложнения, такие как затянувшиеся роды или дистоция, способствуя быстрым корректирующим действиям и снижая материнскую смертность (21).

В послеродовой период системы ИИ продолжают играть ключевую роль в уходе за новорожденными. Интеллектуальные инструменты мониторинга могут отслеживать активность крольчат, частоту кормления, температуру тела и движение в гнезде, оповещая фермеров о потенциальных проблемах, таких как низкая материнская забота или аномальное поведение крольчат. Данные, собранные в послеродовой период, могут быть использованы для уточнения моделей ИИ с течением времени, улучшая прогностическую точность и поддерживая долгосрочный репродуктивный успех. В целом, эти подходы на основе ИИ не только повышают благополучие животных и продуктивность, но и позволяют целенаправленно распределять ресурсы, снижать текущие потребности в рабочей силе и поддерживать более обоснованное принятие решений в крупных кролиководческих хозяйствах (18–21).

4.2 Послеродовой уход

Послеродовой уход — это еще одна область, где ИИ может улучшить здоровье и благополучие кроликов. После родов как самка, так и ее крольчата требуют тщательного наблюдения, чтобы убедиться, что они хорошо восстанавливаются и получают надлежащий уход. Технологии ИИ, такие как носимые трекеры здоровья и системы видеонаблюдения, могут использоваться для оценки здоровья как матери, так и ее потомства (12, 16). Аналогично, послеродовой уход является важным аспектом управления здоровьем и благополучием кроликов, поскольку как самка, так и ее крольчата требуют постоянного наблюдения после рождения. Технологии ИИ предлагают значительные улучшения в том, как фермеры отслеживают здоровье самки и ее потомства. Носимые трекеры здоровья и системы видеонаблюдения на основе ИИ все чаще используются для оценки жизненно важных показателей, таких как температура тела, частота сердечных сокращений и частота дыхания, которые имеют решающее значение для выявления послеродовых осложнений, таких как инфекции или проблемы с маткой (12). Эти системы обеспечивают непрерывный анализ данных в реальном времени, позволяя фермерам выявлять проблемы со здоровьем на ранней стадии, тем самым снижая риск серьезных осложнений и улучшая исходы выздоровления.

ИИ также может помогать отслеживать выработку молока у самки, что является важнейшим фактором для выживания крольчат. Обеспечение адекватной выработки молока необходимо для питания и роста крольчат, так как недостаточное кормление может привести к недоеданию. С помощью датчиков и видеоанализа системы ИИ могут отслеживать поведение самки при кормлении, проверяя, кормятся ли крольчата должным образом и получают ли достаточное питание. Если система обнаруживает, что крольчата не кормятся или выработка молока недостаточна, алгоритмы ИИ могут оповестить фермера о необходимости целенаправленных вмешательств. Они могут включать дополнительное молоко или искусственное вскармливание, обогрев или корректировку гнезда для улучшения комфорта крольчат, проведение проверок здоровья как самки, так и крольчат, или временное подсаживание крольчат к другой лактирующей самке для обеспечения адекватного питания (6, 7). Обеспечивая своевременные и точные вмешательства, системы ИИ, такие как платформы компьютерного зрения для отслеживания поведения, сети носимых датчиков для физиологического мониторинга и интеллектуальные устройства мониторинга гнезда с поддержкой IoT, могут оповещать фермеров, когда крольчата не кормятся или когда выработка молока недостаточна (6, 7). Эти системы позволяют своевременно вмешиваться, включая дополнительное кормление, корректировку гнезда или проверки здоровья, обеспечивая благополучие как самки, так и ее потомства. Кроме того, системы ИИ могут использоваться для мониторинга уровня активности самих крольчат, предоставляя важную информацию об их общем состоянии здоровья и развитии. Мониторинг поведения крольчат с помощью видеозаписей или носимых датчиков может выявить важную информацию о привычках кормления, физической активности и общей жизнеспособности (17). Анализируя эти поведения, алгоритмы ИИ могут обнаруживать признаки дистресса, вялости или других проблем со здоровьем, которые могут препятствовать росту крольчат. При обнаружении аномалий система ИИ может оповестить фермера о необходимости немедленных действий, гарантируя, что крольчата получат необходимый уход для нормального развития (18). Этот тип раннего вмешательства может значительно повысить показатели выживаемости крольчат, особенно в крупных кролиководческих хозяйствах, где ручной мониторинг может быть менее осуществимым.

Более того, ИИ может улучшить мониторинг материнского поведения, такого как кормление и груминг, которые жизненно важны для выживания крольчат в ранний послеродовой период. Системы ИИ могут отслеживать эти поведения с помощью видеоанализа, выявляя такие проблемы, как снижение груминга или отказ от кормления, которые могут поставить под угрозу развитие крольчат. Если система ИИ обнаруживает отклонения от нормальных паттернов, она может отправлять оповещения в реальном времени фермеру, побуждая к немедленному вмешательству (9, 10). Интегрируя эти системы мониторинга на основе ИИ в практику управления фермой, фермеры могут обеспечить оптимальное благополучие самки и ее крольчат, устраняя потенциальные проблемы до того, как они станут критическими.

Кроме того, интеграция систем на основе ИИ в послеродовой уход соответствует растущей тенденции в точном сельском хозяйстве и животноводстве. Технологии ИИ могут поддерживать эффективное использование ресурсов, позволяя фермерам обеспечивать целенаправленный уход на основе индивидуальных потребностей животных, а не применять универсальный подход. Эти системы также способствуют снижению затрат на рабочую силу, поскольку они автоматизируют процесс мониторинга и предоставляют ценную информацию без необходимости постоянного вмешательства человека. По мере развития технологий ИИ и датчиков ожидается, что они будут играть еще более заметную роль в улучшении благополучия животных и продуктивности на кролиководческих фермах (10, 22). Системы на основе ИИ также могут отслеживать уровень активности крольчат, который может указывать на то, хорошо ли они развиваются после рождения.

В таблице 3 представлены различные применения ИИ в мониторинге здоровья кроликов, подчеркивающие его роль в выявлении заболеваний, их профилактике и непрерывном отслеживании состояния здоровья с помощью носимых устройств. Одним из ключевых применений является способность ИИ выявлять ранние признаки заболеваний путем анализа данных из нескольких источников, таких как изменения в поведении, физиологические показатели и условия окружающей среды (12, 16). С помощью передовых методов машинного обучения ИИ может обнаруживать паттерны и аномалии, обеспечивая раннее вмешательство до того, как состояние ухудшится. Такой проактивный подход к выявлению заболеваний помогает минимизировать риски для здоровья и способствует общему благополучию кроликов.

Таблица 3 Методы ИИ для прогнозирования заболеваний и мониторинга здоровья у кроликов.

CF: коэффициент уверенности; HS: сердечные звуки; STFT: кратковременное преобразование Фурье; FFT: быстрое преобразование Фурье; NV: неоваскуляризация; PPV: положительная прогностическая ценность; NPV: отрицательная прогностическая ценность; SM: иприт (сернистый газ).

Кроме того, на рисунке 4 показано, как носимые устройства интегрируются с ИИ для обеспечения непрерывного мониторинга здоровья кроликов. Носимые устройства, такие как ошейники или датчики, оснащенные алгоритмами на основе ИИ, отслеживают жизненно важные показатели, такие как частота сердечных сокращений, температура тела и уровень активности, в реальном времени. Этот постоянный поток данных о здоровье позволяет лицам, осуществляющим уход, выявлять любые нарушения, обеспечивая своевременное внимание при необходимости. Сочетая выявление заболеваний на основе ИИ с мониторингом здоровья в реальном времени через носимые устройства, лица, осуществляющие уход, могут значительно повысить точность и эффективность управления здоровьем, что приводит к улучшению результатов и повышению благополучия кроликов.

Рисунок 4 ИИ в мониторинге здоровья кроликов и профилактике заболеваний. На этом рисунке выделены инструменты ИИ, используемые для ранней диагностики заболеваний, отслеживания здоровья и профилактического ухода.

5.1 Выявление и профилактика заболеваний

Раннее выявление заболеваний необходимо для поддержания здоровья кроликов и предотвращения вспышек потенциально смертельных болезней, таких как миксоматоз, вирусная геморрагическая болезнь кроликов (RHD) и различные респираторные инфекции. В таблице 3 выделены различные применения ИИ для прогнозирования заболеваний и мониторинга здоровья у кроликов. Эти модели ИИ анализируют такие данные, как симптомы, сердечные звуки, условия окружающей среды и состояние глаз или кожи, для выявления распространенных заболеваний, таких как чесотка, диарея, пневмония и стресс-индуцированные сердечные проблемы. Системы включают экспертные диагностические инструменты, нейронные сети и классификаторы машинного обучения, предлагающие ранние предупреждения и рекомендации по лечению. Некоторые модели также используют данные с датчиков и камер в реальном времени для отслеживания экологических рисков и поведения кроликов на фермах. В целом, эти технологии помогают улучшить управление здоровьем кроликов посредством своевременного, точного и автоматизированного мониторинга.

Системы на основе ИИ, особенно те, которые используют компьютерное зрение и алгоритмы машинного обучения, предлагают значительный потенциал для раннего выявления проблем со здоровьем у кроликов путем непрерывного мониторинга как физических, так и поведенческих изменений. Эти технологии могут выявлять едва заметные признаки заболевания, которые в противном случае могли бы остаться незамеченными, обеспечивая своевременное вмешательство, которое может предотвратить распространение болезней и защитить целые стада (23).

Платформы компьютерного зрения могут выявлять видимые индикаторы, такие как изменения состояния шерсти, внешнего вида глаз или позы, которые часто сигнализируют о начале заболевания. Одновременно алгоритмы ИИ могут отслеживать поведенческие изменения, включая снижение активности, ненормальные движения или вялость, оповещая фермеров о потенциальных проблемах со здоровьем. Например, модели машинного обучения могут распознавать паттерны, связанные с дискомфортом или инфекциями на ранних стадиях, обеспечивая оповещения в реальном времени и быстрое реагирование на возникающие проблемы (7, 23).

Помимо визуального и поведенческого мониторинга, выявление заболеваний на основе ИИ может интегрировать дополнительные источники данных, включая медицинские записи, датчики окружающей среды и информацию о погоде. Модели машинного обучения могут анализировать корреляции между переменными окружающей среды, такими как температура, влажность и частота заболеваний, для прогнозирования вспышек до их возникновения (21, 23). Например, определенные патогены могут размножаться при определенных сезонных или климатических условиях, и алгоритмы ИИ могут выявлять эти паттерны риска. Предоставляя ранние предупреждения, такие системы дают фермерам возможность принимать профилактические меры, тем самым снижая вероятность широкомасштабных заболеваний и улучшая общее управление здоровьем стада.

Кроме того, технология ИИ может оптимизировать диагностические процессы. В последние годы были разработаны такие диагностические инструменты, как Luminex x-TAG, для быстрого обнаружения множественных патогенов кроликов, что является примером потенциала ИИ в идентификации возбудителей заболеваний (21). Эти системы могут быть интегрированы в структуры мониторинга для предоставления фермерам более точных и эффективных диагностических возможностей. Сочетая данные медицинских записей с данными датчиков в реальном времени и прогностическими алгоритмами, системы ИИ могут обнаруживать потенциальные угрозы здоровью и рекомендовать соответствующие варианты лечения гораздо эффективнее, чем традиционные методы (13).

Интеграция алгоритмов машинного обучения в профилактику заболеваний также может помочь оптимизировать практику управления фермой. Модели ИИ могут обрабатывать большие наборы данных, включающие исторические тенденции здоровья, переменные окружающей среды и текущие данные мониторинга здоровья. Это позволяет получить всестороннее понимание динамики здоровья на ферме, помогая фермерам предвидеть и смягчать риски заболеваний на упреждающей основе. Например, паттерны, возникающие из данных, собранных с течением времени, могут указывать на рост респираторных проблем в определенной зоне фермы, позволяя фермерам решить проблему до того, как она перерастет в широко распространенную проблему (17). Этот подход, основанный на данных, не только улучшает выявление заболеваний, но и повышает общее состояние здоровья и благополучие популяции кроликов.

Наконец, ИИ может способствовать более устойчивому и экономически эффективному управлению фермой, минимизируя необходимость частых ручных проверок. Системы ИИ, оснащенные датчиками и моделями машинного обучения, непрерывно отслеживают здоровье и поведение кроликов, генерируя оповещения только тогда, когда требуется вмешательство (9, 10). Этот целенаправленный подход гарантирует, что труд и ресурсы используются эффективно, позволяя фермерам сосредоточиться на сложных управленческих задачах при сохранении высоких стандартов ухода за животными. Интегрируя несколько технологий мониторинга в единую структуру ИИ, фермеры получают всестороннее наблюдение за здоровьем, улучшают принятие решений, повышают эффективность профилактики заболеваний и общее управление стадом.

5.2 Непрерывный мониторинг здоровья с помощью носимых устройств

Носимые датчики все чаще признаются важнейшими инструментами для непрерывного мониторинга здоровья кроликов, предоставляя фермерам информацию о благополучии их животных в реальном времени. Эти устройства, которые могут крепиться в виде ошейников, имплантатов или бирок, собирают различные физиологические данные, включая частоту сердечных сокращений, температуру тела, частоту дыхания и паттерны движений (24). Собранные данные затем передаются в модели ИИ для анализа, что помогает выявлять ранние признаки заболевания или дистресса, даже до того, как физические симптомы станут заметными. Этот непрерывный мониторинг позволяет проводить раннее вмешательство, потенциально предотвращая прогрессирование заболевания и обеспечивая общее здоровье кроликов (13).

Интеллектуальные ошейники, бирки или даже подкожные имплантаты могут обеспечить неинвазивное решение для круглосуточного отслеживания здоровья кроликов. Эти устройства предоставляют точные данные о жизненно важных показателях животного в реальном времени, и алгоритмы ИИ могут быстро обнаруживать любые аномалии. Например, если температура тела кролика значительно повышается, указывая на лихорадку, или его сердечный ритм становится нерегулярным, сигнализируя о стрессе или потенциальных проблемах со здоровьем, системы ИИ могут немедленно оповестить фермера (16, 20). Раннее выявление особенно важно в быстро меняющейся среде фермы, где традиционное наблюдение может быть недостаточным или несвоевременным. Своевременно выявляя признаки таких заболеваний, как инфекции, стресс или дискомфорт, эти системы могут предотвратить распространение болезней и гарантировать, что пораженный кролик получит немедленную помощь.

Кроме того, носимые датчики могут отслеживать поведенческие изменения, обеспечивая более полное понимание здоровья кролика. Эти датчики отслеживают паттерны движений, уровень активности и изменения в поведении, которые часто являются первыми индикаторами заболевания у животных. Например, снижение активности или ненормальные движения могут сигнализировать о боли или вялости, которые могут быть вызваны различными состояниями, такими как желудочно-кишечные проблемы или инфекции (25). Системы ИИ, анализируя эти данные, могут выявлять паттерны, связанные с определенными проблемами со здоровьем, что облегчает фермерам раннее обнаружение потенциальных проблем, даже когда животные не проявляют внешних признаков заболевания.

Системы мониторинга здоровья на основе ИИ с использованием носимых устройств также могут включать данные из других источников, таких как условия окружающей среды и практика управления фермой. Например, интеграция данных о погоде, таких как экстремальные изменения температуры или уровень влажности, с данными о здоровье может помочь предсказать или объяснить проблемы со здоровьем (16, 20, 21). В некоторых случаях такие факторы окружающей среды, как холодная погода или высокая влажность, могут усугублять такие состояния, как респираторные инфекции или стресс у кроликов (1, 3, 4). Модели ИИ могут анализировать эти факторы в реальном времени и предоставлять фермерам целостное представление о том, что может влиять на здоровье их кроликов, помогая им корректировать условия на ферме для минимизации стресса и максимизации благополучия животных (9). Этот интегрированный подход обеспечивает уровень проактивного управления, которого не хватает традиционным методам, позволяя фермерам предотвращать проблемы со здоровьем до того, как они станут критическими.

Более того, непрерывный мониторинг здоровья с помощью носимых устройств может улучшить управление стадом, предоставляя ценные продольные данные. Со временем системы ИИ могут анализировать тенденции и паттерны в жизненно важных показателях кроликов, выявляя любые долгосрочные изменения в состоянии здоровья или постепенное ухудшение самочувствия (21). Это может иметь решающее значение для управления здоровьем отдельных животных, а также для оценки общих тенденций здоровья в популяции кроликов на ферме. Такие данные могут служить ориентиром для программ разведения, раннего выявления заболеваний и персонализированного ухода за отдельными кроликами, в конечном итоге улучшая как здоровье, так и продуктивность фермы (19, 21). Непрерывно собирая и анализируя данные о состоянии здоровья, фермеры могут принимать более обоснованные решения, что приводит к улучшению результатов как для животных, так и для операционной эффективности фермы.

Наконец, интеграция носимых датчиков с ИИ может помочь снизить потребность в частых ручных проверках кроликов, экономя время фермеров и затраты на рабочую силу. Благодаря оповещениям в реальном времени фермеры могут расставлять приоритеты вмешательств, решая проблемы со здоровьем только при необходимости, вместо проведения плановых проверок, которые могут не давать существенных результатов. Этот переход к автоматизированному мониторингу здоровья оптимизирует управление фермой, гарантируя, что кролики получают наилучший возможный уход, а также повышая эффективность фермерских операций (10). По мере развития технологий они обещают предоставлять еще более детальную информацию о здоровье кроликов, дополнительно улучшая благополучие животных в коммерческих системах содержания.

Искусственный интеллект (ИИ) предлагает широкий спектр применений в мониторинге поведения кроликов, играя жизненно важную роль в оценке благополучия, социальных взаимодействий и материнской заботы. Одним из ключевых применений является способность ИИ анализировать и интерпретировать поведенческие паттерны для оценки благополучия кроликов (19, 21). Непрерывно отслеживая такие виды деятельности, как кормление, отдых, груминг и движение, системы ИИ могут выявлять признаки стресса, дискомфорта или ненормального поведения, которые могут сигнализировать о скрытых проблемах со здоровьем или стрессовых факторах окружающей среды. Этот непрерывный поведенческий надзор позволяет своевременно и обоснованно вмешиваться, помогая гарантировать, что кролики содержатся в условиях, благоприятствующих их благополучию. Помимо индивидуальной оценки благополучия, технологии ИИ все чаще используются для мониторинга социальных взаимодействий в группах кроликов. Наблюдая за паттернами взаимодействия, ИИ может раскрывать информацию о социальной динамике, такой как иерархия доминирования, сплоченность группы и совместимость. Эти данные необходимы для оптимизации группового управления, снижения конфликтов и минимизации стресса, связанного с плохой социальной интеграцией. Кроме того, ИИ играет важную роль в мониторинге материнского поведения. ИИ может обнаруживать и анализировать ключевые материнские действия, такие как строительство гнезда, груминг, кормление и взаимодействие между самками и их крольчатами. Выявляя ранние признаки пренебрежения или трудностей в материнской заботе, системы ИИ могут побуждать к своевременному вмешательству для поддержки как матери, так и ее потомства. Такой целостный подход к поведенческому мониторингу улучшает общее управление популяциями кроликов, способствуя улучшению здоровья, благополучия и продуктивности.

6.1 Поведенческий анализ для благополучия

Системы поведенческого анализа на основе ИИ используют комбинацию видеокамер, датчиков движения и носимых устройств для мониторинга уровня активности кроликов, поведения при кормлении, паттернов груминга и социальных взаимодействий. Эти технологии обрабатывают огромные объемы поведенческих данных для выявления ранних признаков дистресса, заболевания или дискомфорта, обеспечивая своевременное вмешательство и более эффективный уход (10, 16). Системы ИИ также обеспечивают мониторинг в реальном времени больших групп кроликов, что делает их особенно ценными в коммерческих фермерских средах, где ручное наблюдение менее осуществимо.

Например, ИИ может анализировать видеозаписи для обнаружения едва заметных поведенческих изменений, таких как снижение подвижности или изменение привычек кормления, которые являются ранними индикаторами заболевания или экологического стресса. Кроме того, ИИ может выявлять агрессивное поведение или признаки социальной изоляции, связанные с травмами или эмоциональным дистрессом (17). Помимо физических поведений, алгоритмы ИИ могут оценивать эмоциональные реакции, обнаруживая признаки стресса, такие как учащенное дыхание или ненормальные паттерны движений. Эти поведенческие реакции могут быть соотнесены со стрессорами окружающей среды, такими как колебания температуры, перенаселенность или неадекватная вентиляция, позволяя фермерам вносить обоснованные коррективы для улучшения условий содержания.

Одним из главных преимуществ поведенческого анализа на основе ИИ является его способность интегрировать несколько потоков данных для обеспечения целостного понимания благополучия кроликов. Сочетая поведенческие данные с показаниями датчиков окружающей среды и физиологическими показателями от носимых устройств, системы ИИ могут выявлять паттерны, указывающие на плохие условия благополучия. Например, если кролик проявляет поведение, связанное со стрессом, ИИ может соотнести это с повышенной температурой или влажностью окружающей среды. Эти практические данные позволяют фермерам проактивно управлять своими стадами и смягчать потенциальные риски для благополучия до их обострения (13, 16, 21).

Системы с поддержкой ИИ могут прогнозировать дискомфорт или проблемы со здоровьем до того, как они станут серьезными, путем непрерывного обучения на новых данных, уточнения своих прогнозов и обеспечения точных вмешательств. Этот цикл обратной связи повышает как благополучие животных, так и продуктивность фермы. Кроме того, платформы компьютерного зрения на основе ИИ могут обнаруживать физические индикаторы благополучия, включая изменения в позе, состоянии тела и паттернах движений, которые могут указывать на состояние здоровья или эмоциональное состояние. Алгоритмы также могут оценивать выражения лица и микродвижения для дальнейшего повышения точности оценки благополучия (20, 21). По мере развития этих технологий ожидается, что они станут еще более чувствительными к едва заметным поведенческим изменениям, обеспечивая более ранние и точные оповещения о возникающих проблемах. Интеграция ИИ в управление здоровьем и благополучием кроликов революционизирует то, как фермы отслеживают животных и ухаживают за ними. Такие технологии, как поведенческий анализ, прогностическое моделирование и системы мониторинга здоровья, предоставляют фермерам мощные инструменты для раннего выявления признаков заболевания, дискомфорта или плохих условий окружающей среды (7, 9, 13). Эти инструменты обеспечивают своевременные, основанные на доказательствах вмешательства, которые повышают стандарты благополучия и операционную эффективность. Более того, ИИ не только поддерживает физическое здоровье, но и помогает обеспечить эмоциональное благополучие путем выявления и смягчения экологических стрессоров.

По мере того как системы ИИ продолжают развиваться, они станут незаменимыми инструментами для устойчивого и этичного кролиководства. Благодаря непрерывному обучению и мониторингу в реальном времени эти технологии улучшают принятие решений, снижают трудоемкость и вносят вклад в более гуманную и продуктивную систему ведения хозяйства. В конечном счете, постоянное развитие и внедрение ИИ в животноводстве обещают будущее, в котором благополучие животных и эффективность сельского хозяйства будут идти рука об руку, принося пользу животным, фермерам и сельскохозяйственному сектору в целом (20, 21).

6.2 Мониторинг социальных взаимодействий кроликов с помощью ИИ

Кролики являются highly social animals, чьи взаимодействия внутри группы влияют не только на их эмоциональное состояние, но и на их долгосрочное здоровье, воспроизводство и продуктивность. В условиях интенсивного животноводства, где много кроликов содержится вместе, мониторинг социальных поведений имеет решающее значение для поддержания стандартов благополучия. Искусственный интеллект (ИИ), особенно с помощью машинного обучения и компьютерного зрения, предлагает инновационный подход к отслеживанию и интерпретации этих сложных социальных динамик (15, 26).

Технологии ИИ могут анализировать видеозаписи и данные датчиков для выявления и классификации различных типов социальных взаимодействий, таких как груминг, игра, подчинение и агрессия, без необходимости постоянного наблюдения человека (15, 27). В отличие от традиционных ручных методов, системы ИИ могут автоматически распознавать и количественно оценивать эти поведения в реальном времени, даже в больших популяциях. Эта возможность особенно ценна для выявления проблемных поведений, таких как стойкая агрессия, буллинг или социальная изоляция, которые часто являются ранними индикаторами плохого благополучия или экологических стрессоров (15, 26, 27).

Недавние исследования продемонстрировали потенциал мониторинга на основе ИИ для улучшения управления группами в кролиководстве. Например, алгоритмы могут отслеживать отдельных животных в загоне для выявления аномальных паттернов взаимодействия, таких как повторяющиеся агрессивные столкновения или поведение избегания, что указывает на ухудшение социальных условий (15, 27). Эти данные позволяют своевременно вмешиваться, включая перегруппировку животных, корректировку плотности посадки или изменение конструкции жилья для уменьшения конфликтов и улучшения совместимости.

Системы ИИ также использовались для выявления стресс-связанных социальных поведений, таких как чрезмерный груминг или манежная активность, которые могут быть не сразу заметны невооруженным глазом. Эти поведения часто коррелируют с недостатками окружающей среды, такими как плохая вентиляция или перенаселенность. В одном исследовании инструменты на основе ИИ успешно связали повышенную агрессию с конкретными экологическими стрессорами, позволив фермерам вносить целенаправленные улучшения, которые повысили благополучие кроликов (15, 27).

Сосредоточившись конкретно на анализе социальных взаимодействий, ИИ обеспечивает более тонкое понимание группового поведения кроликов, дополняя более широкие инструменты мониторинга благополучия. Вместо замены традиционных методов эти технологии повышают способность фермеров быстро реагировать на поведенческие сигналы, в конечном итоге способствуя созданию более здоровых социальных сред и снижению риска травм или стресс-связанных заболеваний у кроликов, содержащихся в группах.

6.3 Материнское поведение и взаимодействие с крольчатами

Материнское поведение у кроликов имеет решающее значение для выживания и развития их потомства. Самки кроликов демонстрируют определенные поведения, такие как груминг, кормление и защита своих крольчат, которые необходимы для физического и эмоционального благополучия крольчат. Технологии ИИ могут играть важную роль в мониторинге этих поведений, чтобы гарантировать, что материнская забота является адекватной и последовательной. Например, системы ИИ могут отслеживать частоту и продолжительность сеансов кормления, привычки груминга самки и взаимодействия между матерью и ее крольчатами. Это отслеживание в реальном времени может дать ранние указания на любые проблемы, такие как материнское пренебрежение, которые могут негативно повлиять на крольчат. Своевременно выявляя эти проблемы, фермеры могут вмешаться, чтобы обеспечить необходимую поддержку, гарантируя, что крольчата получают адекватный уход и питание (16, 28, 29).

Одним из ключевых аспектов мониторинга материнского поведения является отслеживание времени кормления и других взаимодействий матери и детенышей. González-Mariscal и коллеги (30) подчеркнули важность времени сосания у кроликов. Частота и регулярность сосания влияют как на выработку молока у матери, так и на продолжительность контакта между самкой и ее крольчатами. Если системы ИИ могут отслеживать паттерны сосания, они могут помочь выявить отклонения от нормального поведения, такие как нерегулярные интервалы кормления или недостаточная выработка молока. Это позволяет своевременно вмешиваться для оптимизации питания и роста крольчат, гарантируя, что потомство процветает на ранних стадиях жизни.

Системы на основе ИИ также могут отслеживать другие материнские поведения, такие как груминг, который имеет значительные последствия как для физического, так и для психологического здоровья крольчат. Груминг не только помогает поддерживать чистоту, но и служит связующим действием между самкой и ее детенышами. Отсутствие или снижение поведения груминга может указывать на стресс или материнское пренебрежение. ИИ может обнаруживать изменения в паттернах груминга и отмечать любые аномалии, которые могут потребовать вмешательства человека. Это может предотвратить возникновение проблем, связанных со стрессом, которые могут повлиять на здоровье и развитие крольчат (31–36).

Способность ИИ отслеживать защитное поведение матери является еще одним важным аспектом. В дикой природе кролики используют сложное поведение гнездования для защиты своих детенышей от хищников и факторов окружающей среды. Bilkó и др. (16) исследовали состав гнезд диких кроликов и то, как это естественное поведение может информировать практику разведения домашних кроликов. ИИ может помогать в мониторинге защитного поведения самки, отслеживая ее движения и взаимодействия с ее гнездом. Анализируя эти данные, ИИ может помочь фермерам убедиться, что самки обеспечивают достаточную защиту и безопасность для своих крольчат, предотвращая их воздействие вредных условий или хищников.

Более того, технологии ИИ могут дать представление о том, как факторы окружающей среды влияют на материнское поведение. Например, наличие стрессоров, таких как перенаселенность, неподходящие температуры или неадекватные условия гнездования, может повлиять на материнские инстинкты и поведение самки. Caba и др. (29) подчеркнули значение факторов окружающей среды в проявлении материнской заботы у кроликов. Используя ИИ для отслеживания как поведения самки, так и условий окружающей среды, фермеры могут корректировать жизненное пространство и условия для лучшей поддержки материнского поведения. Такие корректировки могут улучшить как благополучие самки, так и крольчат, что приведет к более здоровому потомству и лучшей продуктивности в условиях фермы.

Наконец, использование ИИ в мониторинге материнского поведения кроликов предоставляет возможность улучшить благополучие кроликов в селекционных и коммерческих средах. Способность непрерывно отслеживать поведения без человеческого фактора позволяет применять более объективный и эффективный подход к обеспечению материнской заботы. Системы на основе ИИ могут обеспечить более гуманный и научно обоснованный подход к управлению воспроизводством и уходом за кроликами. Выявляя проблемы на ранней стадии, такие как стресс или недостаточное материнское поведение, вмешательства могут быть предприняты до того, как они приведут к более серьезным проблемам, улучшая благополучие животных и успех программ разведения (32). Интеграция ИИ в мониторинг материнской заботы представляет собой значительный шаг вперед в этическом управлении разведением и уходом за кроликами.

7.1 Сбор и интеграция данных

Успешное внедрение ИИ в кролиководстве в значительной степени зависит от наличия высококачественных и надежных данных. Для того чтобы ИИ был эффективным в мониторинге и улучшении благополучия кроликов, необходимо собирать точные и всесторонние данные из различных источников. Эти источники часто включают носимые устройства, которые отслеживают движения и поведения кроликов, камеры, которые фиксируют визуальные данные социальных взаимодействий и материнского поведения, и датчики окружающей среды, которые контролируют температуру, влажность и уровень освещения. Интегрируя данные из этих разнообразных источников, модели ИИ могут быть обучены распознаванию паттернов в поведении кроликов, обнаружению индикаторов стресса и оптимизации условий окружающей среды. Однако для полной реализации потенциала ИИ в этой области важно обеспечить согласованность и надежность данных. Без точных данных модели ИИ рискуют выдавать неточные прогнозы или выводы, что может в конечном итоге нанести вред благополучию животных.

Одной из основных проблем при интеграции данных из различных источников является обеспечение согласованности и точности. Носимые устройства, например, могут производить данные с различной степенью точности в зависимости от типа используемого датчика, качества устройства или конкретных условий животного. Камеры и инструменты визуального распознавания, с другой стороны, могут сталкиваться с такими проблемами, как проблемы с освещением, окклюзии или сложность точной идентификации отдельных кроликов в группе. Датчики окружающей среды также могут сталкиваться с проблемами калибровки или не учитывать все переменные, влияющие на благополучие животных. Эти вариации в качестве данных могут затруднить объединение и анализ данных в осмысленном виде. Таким образом, тщательная калибровка и валидация каждого источника данных необходимы для того, чтобы информация, поступающая в модели ИИ, была точной и надежной.

Основным препятствием в преодолении этих проблем является необходимость стандартизации форматов данных и протоколов связи. Различные типы датчиков и устройств часто используют проприетарные форматы или системы, что может создавать барьеры для бесшовной интеграции данных. Стандартизированные протоколы позволили бы гармонизировать и эффективно объединять данные с носимых устройств, камер и датчиков окружающей среды для анализа ИИ. Эта стандартизация также облегчила бы разработку интероперабельных систем на разных фермах, позволяя фермерам и исследователям более эффективно сотрудничать и обмениваться выводами из своих систем мониторинга на основе ИИ. Кроме того, такие стандарты упростили бы масштабирование решений ИИ, гарантируя, что технологические достижения могут быть широко внедрены в отрасли. По этим причинам установление четких руководящих принципов для форматов данных и протоколов интеграции будет иметь решающее значение для полной реализации потенциала ИИ в кролиководстве и управлении благополучием животных.

7.2 Этические соображения и соображения благополучия

Хотя технологии ИИ предлагают значительные преимущества для улучшения здоровья и благополучия кроликов, они также поднимают важные этические соображения, которые должны быть решены. Одной из основных проблем является потенциальное влияние непрерывного мониторинга на животных. Для того чтобы системы ИИ эффективно отслеживали поведения и условия окружающей среды, датчики и камеры должны быть размещены в жилых помещениях кроликов, что может привести к повышенному стрессу или дискомфорту, если животные чувствительны к присутствию этих устройств. Процесс крепления носимых датчиков, например, может быть инвазивным или вызывать дистресс, особенно если устройства плохо спроектированы или неправильно подогнаны. Более того, присутствие камер и других инструментов мониторинга может создавать у кроликов чувство беспокойства, влияя на их естественное поведение. Как отметили Siddiqui и др. (33), хотя технологические достижения, такие как ИИ, могут принести положительные изменения в производственные системы, они должны быть взвешены в отношении потенциальных рисков для благополучия животных. Этические соображения должны направлять развитие приложений ИИ, гарантируя, что любая используемая технология не причиняет вреда. Баланс между благополучием и потребностями мониторинга имеет решающее значение, чтобы избежать непреднамеренных последствий, которые могут подорвать цель улучшения ухода за кроликами.

Тщательное рассмотрение благополучия животных также должно включать минимизацию нарушений, вызванных технологиями мониторинга. Системы ИИ, хотя и полезны, должны внедряться для улучшения условий содержания кроликов, а не для усугубления стресса или дискомфорта. Например, мониторинг на основе ИИ может быть настроен так, чтобы устройства мониторинга были максимально ненавязчивыми, позволяя эффективно собирать данные без вторжения в естественное поведение животных. Dalmau и др. (34) подчеркнули, что при оценке благополучия животных в производственных системах любой мониторинг должен проводиться с учетом способности животного выражать естественное поведение. Кроме того, использование ИИ должно быть направлено на улучшение общей среды для кроликов, решая такие проблемы, как перенаселенность, плохая вентиляция или недостаточное пространство — факторы, которые могут негативно влиять на их благополучие. Temple и Manteca (35) также подчеркнули, что проблемы благополучия в производственных системах требуют практических решений, и ИИ может быть важным инструментом в выявлении и решении этих экологических стрессоров.

В нескольких исследованиях изучалось использование ИИ и цифровых технологий в мониторинге кроликов, подчеркивая как преимущества, так и этические последствия. Например, Irawati и др. (36) разработали экспертную систему на базе Android для диагностики заболеваний кроликов, продемонстрировав, как цифровые платформы могут помогать в ветеринарной помощи, хотя интеграция таких инструментов в повседневное управление должна учитывать комфорт животных. Аналогично, Lai и др. (37) представили устройство для диагностики сукрольности кроликов, основанное на оптическом зондировании, подчеркивая точность и эффективность, но также предполагая необходимость минимально инвазивных методов. Zhang и др. (38) использовали глубокие нейронные сети для прогнозирования внезапной смерти кроликов при истощающих физических нагрузках, поднимая вопросы об этичном дизайне сред тестирования и их влиянии на благополучие животных. Zhang и Qian (39) предложили интеллектуальную идентификацию неисправностей в фермерских средах с использованием моделей нейронных сетей, подчеркивая преимущества автоматизации, но также выделяя необходимость гуманной интеграции систем. Более того, прогностические модели, подобные тем, которые обсуждались Horwitz и др. (40), иллюстрируют мощь машинного обучения в прогнозировании клинических исходов, но также подчеркивают ответственность за использование этих инструментов без ущерба для этических стандартов. Установление руководящих принципов для этического использования ИИ в животноводстве имеет решающее значение для поддержания баланса между технологическим прогрессом и правами животных. Такие меры гарантировали бы, что преимущества ИИ полностью реализованы, предотвращая при этом потенциальный вред для отслеживаемых кроликов. В конечном счете, благополучие животных всегда должно оставаться главным приоритетом, при этом ИИ выступает в качестве инструмента для улучшения качества их жизни, а не для его ухудшения.

7.3 Направления будущих исследований

Будущие исследования в области применения ИИ в кролиководстве должны быть направлены на повышение точности, адаптируемости и общей применимости этих систем для улучшения благополучия животных и практики ведения хозяйства. Одним из важных направлений является интеграция ИИ с технологиями IoT для создания более целостной системы мониторинга. Объединяя ИИ с IoT, датчики и устройства могут обмениваться данными в реальном времени, обеспечивая непрерывное отслеживание здоровья, поведения и условий окружающей среды кроликов. Эти технологии могут обеспечить более динамичное понимание потребностей кроликов, позволяя фермерам принимать решения на основе данных для оптимизации ухода. Более того, обеспечение способности систем ИИ эффективно функционировать в различных условиях окружающей среды — от контролируемых внутренних сред до различных внешних климатов — будет иметь важное значение для более широкого внедрения ИИ в кролиководстве. Устройства IoT также могут отслеживать факторы окружающей среды, такие как температура, влажность и вентиляция, которые являются ключевыми для благополучия кроликов. Поскольку фермы различаются по размеру, планировке и местоположению, системы, способные адаптироваться к этим переменным, будут предоставлять более индивидуальные и актуальные решения.

Еще одной важной областью развития ИИ в кролиководстве является персонализация ухода с помощью адаптивных моделей ИИ. Точно так же, как здравоохранение человека все чаще применяет персонализированный подход, системы ИИ для благополучия кроликов должны быть разработаны с учетом уникальных характеристик каждого животного, таких как порода, возраст, состояние здоровья и индивидуальные поведенческие особенности. Например, ИИ мог бы отслеживать развитие молодых кроликов иначе, чем взрослых, учитывая их потребности в питании, паттерны роста и материнские взаимодействия. Аналогично, ИИ мог бы быть запрограммирован на учет конкретных проблем со здоровьем, таких как распространенные заболевания или травмы у определенных пород кроликов, и оповещать фермеров, когда требуется персонализированный уход. Такой уровень точности повысил бы общее благополучие отдельных животных, гарантируя, что они получают уход и внимание, необходимые на разных этапах жизни или в ответ на конкретные проблемы со здоровьем. Включая эти персонализированные элементы в модели ИИ, кролиководство могло бы эволюционировать в более специфичную для вида и гуманную практику, где благополучие каждого кролика непрерывно отслеживается и решается на основе его уникальных потребностей.

Кроме того, текущая разработка систем ИИ для кролиководства должна также подчеркивать необходимость масштабируемости и простоты внедрения. Хотя передовые технологии ИИ и интеграция IoT являются многообещающими, они должны быть доступны и практичны для фермеров, особенно в небольших или более традиционных фермерских хозяйствах. Исследования должны изучить способы сделать инструменты ИИ экономически эффективными, удобными для пользователя и адаптируемыми к различным масштабам операций, гарантируя, что даже фермы с ограниченными ресурсами могут извлечь выгоду из передовых технологий мониторинга. Создание стандартизированных платформ ИИ, а также удобных интерфейсов, сделало бы эти технологии более доступными и простыми в реализации, независимо от размера фермы или технологической инфраструктуры. Поскольку эти системы становятся более доступными, широкое внедрение ИИ в кролиководство может стать реальностью, предлагая долгосрочные улучшения в благополучии животных, эффективности ведения хозяйства и устойчивости.

Существует постоянная потребность в разработке инновационной системы на основе ИИ для кролиководства следующего поколения. На рисунке 5 показана среда выполнения предлагаемой системы на основе ИИ. На стороне сенсоров данные собираются с различных конечных устройств IoT, встроенных в приложения ИИ на кролиководческой ферме, включая робототехнику и автоматизацию, мониторинг сукрольности, контроль окружающей среды, выявление и профилактику заболеваний, мониторинг поведения и мониторинг социальных взаимодействий. Шлюзы IoT будут использоваться для агрегации этих сенсорных данных и координации связи устройств IoT друг с другом и с облачной стороной.

Рисунок 5 Архитектура предлагаемой системы на основе ИИ для кролиководства следующего поколения. В ней представлена интегрированная структура, объединяющая датчики, машинное обучение и аналитику данных в реальном времени для точного управления кроликами.

На стороне облачного моделирования и анализа на основе ИИ предлагаемая система поддержки принятия решений на основе ИИ (DSS) получает агрегированные события от различных сенсорных узлов через Gatekeeper, который реализует различные механизмы безопасности для обеспечения легитимности входящих сообщений. Агрегированные события затем сохраняются в распределенных базах данных на облачной стороне. Платформа также отправляет набор параметров шлюзам, инструктируя их о том, как обнаруживать события, формировать свои сообщения и как часто их отправлять (однократно или периодически, с какой частотой и т.д.). Система удаленного мониторинга генерирует синтетические данные для удовлетворения конкретных потребностей или условий, которые могут не встречаться в исходных реальных данных с сенсорных узлов. Как естественные, так и искусственные данные используются для обучения различных моделей МО, таких как сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), глубокие нейронные сети (DNN) и глубокие сети доверия (DBN).

Пользователи системы (например, фермеры) и студенты могут быстро инициировать приложения IoT и управлять ими с помощью веб-графического пользовательского интерфейса (GUI) со своих персональных вычислительных устройств, таких как персональные компьютеры и смартфоны. Приложение запускается пользователем, который использует GUI для отправки запроса в DSS с поддержкой ИИ на создание нового приложения IoT. Например, рассмотрим интеллектуальное приложение для птицеводства, работающее на предлагаемой системе на основе ИИ, которое позволяет фермерам отслеживать условия на ферме из любого места с помощью датчиков и автоматизированного кормления и мониторинга поведения. Различные датчики будут использоваться для измерения параметров окружающей среды в соответствии с требованиями роста птицы, что позволяет контролировать условия окружающей среды на ферме. GUI поможет пользователям получать удаленный доступ к развернутой системе ИИ. Это устраняет необходимость в постоянном ручном мониторинге. Такая конструкция предоставляет экономически эффективные и оптимальные решения для фермеров с минимальным ручным вмешательством.

ИИ обладает потенциалом для революционного изменения управления сукрольностью, окролами, здоровьем и поведением кроликов, предлагая неинвазивные инструменты мониторинга в реальном времени, которые повышают эффективность и улучшают благополучие животных. С помощью датчиков на основе ИИ, моделей машинного обучения и систем компьютерного зрения фермеры могут более точно прогнозировать сукрольность, управлять окролами, отслеживать здоровье и обнаруживать поведенческие изменения. Несмотря на то что проблемы, связанные с интеграцией данных и этическими соображениями, остаются, будущее ИИ в кролиководстве выглядит многообещающим. Продолжающиеся исследования и разработки будут иметь решающее значение для полного раскрытия потенциала технологий ИИ для улучшения практики кролиководства и обеспечения лучших результатов как для фермеров, так и для кроликов.

1.    Abdel-Wareth A. A. A., Ali A. H. H., Amer S. A., Younis E. M., Abdel-Warith A. W. A., Kassim A. S. N., et al. (2024). Effects of dietary supplementation with zinc oxide or selenium nanoparticles and their combination on rabbit productive performance, nutritional and physiological responses. Ital J Anim Sci. 23, 1258–1268. doi: 10.1080/1828051X.2024.2391550. CrossRef. Google Scholar.

2.    Jaén-Téllez J. A., Sánchez-Guerrero M. J., Valera M., González-Redondo P. (2021). Influence of stress assessed through infrared thermography and environmental parameters on the performance of fattening rabbits. Animals. 11, 1747. doi: 10.3390/ani11111747. CrossRef. Google Scholar.

3.    Abdel-Wareth A. A. A., Raslan M. A. H., Ismail Z. S. H., Ismail Z. S. H., Salem W., Lohakare J. (2023). Effects of zinc oxide nanoparticle supplementation on performance, digestibility, and blood biochemistry of Californian male rabbits under hot climatic conditions. Biol Trace Elem Res. 201, 3418–3427. doi: 10.1007/s12011-022-03432-y. CrossRef. Google Scholar.

4.    Abdel-Wareth A. A. A., Taha E. M. M., Südekum K.-H., Lohakare J. (2018). Thyme oil inclusion levels in a rabbit ration: evaluation of productive performance, carcass criteria and meat quality under hot environmental conditions. Anim Nutr. 4, 410–416. doi: 10.1016/j.aninu.2018.02.004. CrossRef. Google Scholar.

5.    Saxmose Nielsen S., Alvarez J., Bicout D. J., Calistri P., Depner K., Drewe J. A., et al. (2020). Health and welfare of rabbits farmed in different production systems. EFSA J. 18, e05944. doi: 10.2903/j.efsa.2020.5944. CrossRef. Google Scholar.

6.    Szendrő Z., Szendrő K., Zotte A. D. (2012). Management of reproduction on small, medium, and large rabbit farms: a review. Asian Australas J Anim Sci. 25, 738–748. doi: 10.5713/ajas.2011.11510. CrossRef. Google Scholar.

7.    Rosati A. (2025). Guiding principles of AI: application in animal husbandry and other considerations. Anim Front. 14, 3–10. doi: 10.1093/af/vfae045. CrossRef. Google Scholar.

8.    Islam M. N., Mustafina S. N., Mahmud T., Khan N. I. (2022). Machine learning to predict pregnancy outcomes: a systematic review, synthesizing framework and future research agenda. BMC Pregnancy Childbirth. 22, 348. doi: 10.1186/s12884-022-04594-2. CrossRef. Google Scholar.

9.    Neethirajan S. (2023). Artificial intelligence and sensor technologies in dairy livestock export: charting a digital transformation. Sensors. 23, 7045. doi: 10.3390/s23167045. CrossRef. Google Scholar.

10. McDonagh J., Tzimiropoulos G., Slinger K. R., Huggett Z. J., Down P. M., Bell M. J. (2021). Detecting dairy cow behavior using vision technology. Agriculture. 11, 675. doi: 10.3390/agriculture11070675. CrossRef. Google Scholar.

11. Cruz E., Hidalgo-Rodriguez M., Acosta-Reyes A. M., Rangel J. C., Boniche K. (2024). Ai-based monitoring for enhanced poultry flock management. Agriculture. 14, 2187. doi: 10.3390/agriculture14122187. CrossRef. Google Scholar.

12. Pinto-Pinho P., Pinto M. L., Monteiro J., Fardilha M., Pinto-Leite R., Colaço B. (2023). Pregnancy complications and feto-maternal monitoring in rabbits. Vet Sci. 10, 622. doi: 10.3390/vetsci10100622. CrossRef. Google Scholar.

13. Curti P. F., Selli A., Pinto D. L., Merlos-Ruiz A., Balieiro J. C. C., Ventura R. V. (2023). Applications of livestock monitoring devices and machine learning algorithms in animal production and reproduction: an overview. Anim Reprod. 20, e20230077. doi: 10.1590/1984-3143-AR2023-0077. CrossRef. Google Scholar.

14. Elsayed M., Soliman F., Elghalid O., El-Sabrout K. (2024). Using different cage enrichments to improve rabbits' performance, behavior, and welfare. Animals. 14, 2271. doi: 10.3390/ani14152271. CrossRef. Google Scholar.

15. Dal Bosco A., Cartoni Mancinelli A., Hoy S., Martino M., Mattioli S., Cotozzolo E., et al. (2020). Assessing the preference of rabbit does to social contact or seclusion: results of different investigations. Animals. 10, 286. doi: 10.3390/ani10020286. CrossRef. Google Scholar.

16. Bilkó Á., Petróczi I., Bárdos B., Nagy I., Altbacker V. (2022). Composition of the wild rabbit nest and its implication for domestic rabbit breeding. Appl Sci. 12, 1915. doi: 10.3390/app12041915. CrossRef. Google Scholar.

17. Naqash A., Rehman M. U., Seneviratne L., Hussain I. (2025). The convergence of AI and animal-inspired robots for ecological conservation. Eco Inform. 85, 102950. doi: 10.1016/j.ecoinf.2024.102950. CrossRef. Google Scholar.

18. Yuan H., Liu C., Wang H., Wang L., Dai L. (2022). Early pregnancy diagnosis of rabbits: a non-invasive approach using Vis-NIR spatially resolved spectroscopy. Spectrochim Acta A Mol Biomol Spectrosc. 264, 120251. doi: 10.1016/j.saa.2021.120251. CrossRef. Google Scholar.

19. Yuan H., Zhou Z., Wang H., Liu C., Zhu C., Wang Y. (2023). Study on wearable pregnancy diagnosis device for rabbits based on photoelectric sensor. Comput Electron Agric. 207, 107751. doi: 10.1016/j.compag.2023.107751. CrossRef. Google Scholar.

20. Yang L., Yan C., Tao S., He Y., Zhao J., Wang Y., et al. (2024). In vivo imaging of rabbit follicles through combining ultrasound bio-microscopy and intravital window. Animals. 14, 1727. doi: 10.3390/ani14121727. CrossRef. Google Scholar.

21. Wu M., Zhu Y., Cong F., Duan Y., Zhang X., Zhang D., et al. (2018). Rapid detection of three rabbit pathogens by use of the Luminex x-TAG assay. BMC Vet Res. 14, 127. doi: 10.1186/s12917-018-1438-8. CrossRef. Google Scholar.

22. Inadagbo O., Makowski G., Ahmed A. A., Daigle C. (2024). On developing a machine learning-based approach for the automatic characterization of behavioral phenotypes for dairy cows relevant to thermotolerance. AgriEngineering. 6, 2656–2677. doi: 10.3390/agriengineering6030155. CrossRef. Google Scholar.

23. El-Sabrout K., Sherasiya A., Ahmad S., Aggag S., Nannoni E., Cavallini D., et al. (2024). Environmental enrichment in rabbit husbandry: comparative impacts on performance and welfare. Animals. 14, 2367. doi: 10.3390/ani14162367. CrossRef. Google Scholar.

24. Albadrani B., Abdel-Raheem M., Al-Farwachi M. (2024). Artificial intelligence in veterinary care: a review of applications for animal health. Egypt J Vet Sci. 55, 1725–1736. doi: 10.21608/ejvs.2024.260989.1769. CrossRef. Google Scholar.

25. Tian Z., Zhang Q., Wang L., Li M., Li T., Wang Y., et al. (2024). Progress in the mechanisms of pain associated with neurodegenerative diseases. Ageing Res Rev. 102, 102579. doi: 10.1016/j.arr.2024.102579. CrossRef. Google Scholar.

26. DiVincenti L. Jr., Rehrig A. N. (2016). The social nature of European rabbits (Oryctolagus cuniculus). J Am Assoc Lab Anim Sci. 55, 729–736. Google Scholar.

27. Dobos P., Kulik L. N., Pongrácz P. (2023). The amicable rabbit – interactions between pet rabbits and their caregivers based on a questionnaire survey. Appl Anim Behav Sci. 260, 105869. doi: 10.1016/j.applanim.2023.105869. CrossRef. Google Scholar.

28. González-Mariscal G., Caba M., Martínez-Gómez M., Bautista A., Hudson R. (2016). Mothers and offspring: the rabbit as a model system in the study of mammalian maternal behavior and sibling interactions. Horm Behav. 77, 30–41. doi: 10.1016/j.yhbeh.2015.05.011. CrossRef. Google Scholar.

29. Caba M., Martínez-Gómez M., Hernández Bonilla C., Hoffman K. L., Melo A. I. (2023). Basic protocols for the study of maternal behavior in rabbits. In: Paredes R. G., Portillo W., Bedos M., editors. Animal models of reproductive behavior. New York, NY: Humana, 45–60. Google Scholar.

30. González-Mariscal G. (2007). Mother rabbits and their offspring: timing is everything. Dev Psychobiol. 49, 71–76. doi: 10.1002/dev.20196. CrossRef. Google Scholar.

31. González-Mariscal G., Gallegos J. A. (2014). The maintenance and termination of maternal behavior in rabbits: involvement of suckling and progesterone. Physiol Behav. 124, 72–76. doi: 10.1016/j.physbeh.2013.10.031. CrossRef. Google Scholar.

32. González-Mariscal G., Toribio A., Gallegos J. A., Serrano-Meneses M. A. (2013). Characteristics of suckling stimulation determine the daily duration of mother-young contact and milk output in rabbits. Dev Psychobiol. 55, 809–817. doi: 10.1002/dev.21071. CrossRef. Google Scholar.

33. Siddiqui S. A., Adli D. N., Nugraha W. S., Yudhistira B., Lavrentev F. V., Shityakov S., et al. (2024). Social, ethical, environmental, economic and technological aspects of rabbit meat production – a critical review. Heliyon. 10, e29635. doi: 10.1016/j.heliyon.2024.e29635. CrossRef. Google Scholar.

34. Dalmau A., Moles X., Pallisera J. (2020). Animal welfare assessment protocol for does, bucks, and kit rabbits reared for production. Front Vet Sci. 7, 445. doi: 10.3389/fvets.2020.00445. CrossRef. Google Scholar.

35. Temple D., Manteca X. (2020). Animal welfare in extensive production systems is still an area of concern. Front Sustain Food Syst. 4, 545902. doi: 10.3389/fsufs.2020.545902. CrossRef. Google Scholar.

36. Irawati D. A., Syaifudin Y. W., Tomasila F. E., Setiawan A., Rohadi E. (2018). Development of android-based rabbit disease expert system. Int. J Eng Technol. 7, 82–87. doi: 10.14419/ijet.v7i4.44.26868. CrossRef. Google Scholar.

37. Lai Z., Song D., Liu D., Zhang Y., Jiang W., Wang H., et al. (2024). RAPID: a rabbit pregnancy diagnosis device based on matrix optical sensing. Smart Agric Technol. 8, 100519. doi: 10.1016/j.atech.2024.100519. CrossRef. Google Scholar.

38. Zhang Y., Zheng Y., Wang M., Guo X. (2021). Prediction of exercise sudden death in rabbit exhaustive swimming using deep neural network. Biomed Eng Online. 20, 87. doi: 10.1186/s12938-021-00925-0. CrossRef. Google Scholar.

39. Zhang H., Qian S. (2022). Network architecture for intelligent identification of faults in rabbit farm environment monitoring based on a biological neural network model. Comput Intell Neurosci. 2022, 6377043. doi: 10.1155/2022/6377043. CrossRef. Google Scholar.

40. Horwitz V., Cohen M., Gore A., Gez R., Gutman H., Kadar T., et al. (2023). Predicting clinical outcome of sulfur mustard induced ocular injury using machine learning model. Exp Eye Res. 236, 109671. doi: 10.1016/j.exer.2023.109671. CrossRef. Google Scholar.

Abdel-Wareth AAA, Ahmed AA, Salahuddin M and Lohakare J (2025) Application of artificial intelligence in rabbit husbandry: from reproductive monitoring to precision farming. Front. Vet. Sci. 12:1679630. doi: 10.3389/fvets.2025.1679630

Перевод статьи «Application of artificial intelligence in rabbit husbandry: from reproductive monitoring to precision farming» авторов Abdel-Wareth AAA, Ahmed AA, Salahuddin M and Lohakare J., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: Designed by Freepik