پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,171 |
| تعداد مقالات | 77,073 |
| تعداد مشاهده مقاله | 156,176,868 |
| تعداد دریافت فایل اصل مقاله | 117,760,044 |
کاربردهای هوشمصنوعی در مدیریت گاوهای شیری | ||
| علمی- ترویجی (حرفهای) دامِستیک | ||
| دوره 25، شماره 2 - شماره پیاپی 33، شهریور 1404، صفحه 33-43 اصل مقاله (1.48 M) | ||
| نوع مقاله: مقاله علمی- ترویجی | ||
| شناسه دیجیتال (DOI): 10.22059/domesticsj.2025.393373.1190 | ||
| نویسندگان | ||
| زینب اصل زارع رازلیقی* 1؛ محمد مرادی شهربابک2؛ حسین مرادی شهربابک3 | ||
| 1دانشجوی کارشناسی ارشد ژنتیک و اصلاح نژاد دام و طیور، گروه مهندسی علوم دامی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، البرز، ایران | ||
| 2استاد ژنتیک و اصلاح نژاد دام و طیور، گروه مهندسی علوم دامی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، البرز، ایران | ||
| 3دانشیار ژنتیک و اصلاح نژاد دام و طیور، گروه مهندسی علوم دامی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، البرز، ایران | ||
| چکیده | ||
| در دنیای امروز، هوش مصنوعی همچون نیرویی تحولآفرین در مدیریت دامپروری، بهویژه صنعت گاوهای شیری، نقش بسزایی ایفا کرده است. با پیشرفت فناوریهای پردازش داده و یادگیری ماشین، روشهای سنتی مدیریت دام، جای خود را به سیستمهای هوشمندی دادهاند که قادر به افزایش بهرهوری، کاهش هزینهها و ارتقای سلامت دامها هستند. یکی از کاربردهای برجسته هوش مصنوعی، تشخیص دقیق بیماریهایی نظیر ورمپستان و لنگش است. این فناوری، با تجزیه و تحلیل دادههای تصویری و حرکتی، امکان شناسایی زودهنگام بیماریها را فراهم کرده و از هزینههای درمانی چشمگیر میکاهد. پیشبینی زمان بهینة تلقیح مصنوعی و شناسایی ژنهای مرتبط با آبستنی نیز از دیگر دستاوردهای آن محسوب میشوند که نقشی کلیدی در بهبود باروری و اصلاحنژاد ایفا میکنند. بهینهسازی عملیات شیردوشی، با بهرهگیری از الگوریتمهای یادگیری ماشین، زمان این فرآیند را کاهش داده و دقت آن را افزایش داده است. همچنین، تجزیه و تحلیل رفتار تغذیهای گاوها زمینهای فراهم کرده است تا رژیمهای غذایی با دقت بیشتری تنظیم شوند. علاوه بر این، استفاده از رباتها در دامداری، نهتنها نیاز به نیروی انسانی را کاهش داده، بلکه مدیریت دامها را دقیقتر و کارآمدتر کرده است. با وجود این دستاوردها، چالشهایی از جمله هزینههای اجرا، محدودیتهای زیرساختی و تأثیرات اجتماعی ناشی از خودکارسازی همچنان مطرح هستند. مطالعات علمی نشان میدهند که توسعة زیرساختهای دیجیتال و سرمایهگذاری بیشتر در تحقیقات هوش مصنوعی، میتواند مسیر را برای بهبود مدیریت دامپروری هموار کند. این مطالعة علمی-ترویجی، بر ضرورت گسترش کاربرد هوش مصنوعی در صنعت گاوهای شیری تأکید دارد و نشان میدهد که تلفیق فناوریهای نوین با دانش دامپروری، آیندهای روشن برای این حوزه رقم خواهد زد. | ||
| کلیدواژهها | ||
| اصلاحنژاد؛ بیماری و پیشگیری؛ تغذیه؛ مدیریت گاوهای شیری؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Applications of Artificial Intelligence in Dairy Cow Management | ||
| نویسندگان [English] | ||
| Zeynab Aslzare Razlighi1؛ Mohammad Moradi Shahrbabak2؛ Hossein Moradi Shahrbabak3 | ||
| 1M.Sc. Student of Animal and Poultry Breeding & Genetics, Department of Animal Science, College of Agriculture and Natural Resources, University of Tehran, Karaj, Alborz, Iran | ||
| 2Professor of Animal Breeding and Genetics, Department of Animal Science, College of Agriculture and Natural Resources, University of Tehran, Karaj, Alborz, Iran | ||
| 3Associate Professor of Animal Breeding and Genetics, Department of Animal Science, College of Agriculture and Natural Resources, University of Tehran, Karaj, Alborz, Iran | ||
| چکیده [English] | ||
| In modern dairy farming, artificial intelligence (AI) has emerged as a transformative force, fundamentally redefining livestock management practices. By leveraging advanced data analytics and machine learning algorithms, AI-driven systems contribute to enhanced productivity, optimized resource allocation, and improved herd health, addressing critical industry challenges. A key application of AI lies in early disease detection, particularly for mastitis and lameness, where high-precision image processing and motion analysis enable proactive health monitoring, reducing treatment costs and minimizing production losses. AI also facilitates predictive analytics for optimal artificial insemination timing, utilizing deep learning models to improve fertility rates while identifying pregnancy-associated genetic markers, thereby advancing selective breeding strategies. Moreover, intelligent milking optimization systems employ machine learning to regulate pulsation parameters, streamline the milking process, and minimize physiological stress on dairy cattle. AI-driven feeding behavior analysis further enables precise diet formulation, ensuring optimal nutritional intake. Additionally, robotic automation in dairy operations, including autonomous milking units and precision livestock monitoring, has significantly improved farm efficiency while reducing human labor dependency. Despite these advancements, AI adoption in dairy farming faces economic, infrastructural, and ethical challenges, including high implementation costs, digital infrastructure requirements, and workforce displacement concerns. Research highlights the need for continuous investment in AI-driven innovation, ensuring technological refinement and practical implementation across livestock management. This study underscores the pivotal role of AI in modernizing dairy farming, advocating for the strategic integration of intelligent technologies to enhance operational efficiency, sustainability, and precision-driven decision-making. | ||
| کلیدواژهها [English] | ||
| Artificial Intelligence, Breeding, Dairy Cattle Management, Disease and Prevention, Nutrition | ||
| مراجع | ||
|
جعفریفر، ن. (1403). تولیدات علمی هوش مصنوعی (AI) در ایران: با تأکید بر حوزههای موضوعی. مطالعات علمسنجی کاربردی، 1(1)، 101-127. خجسته کی، م.، صادقی پناه، ا.، اسدزاده، ن.، آقاشاهی، ع.، کیخا صابر، م.، بیطرف ثانی، م و اسماعیل خانیان، س. (1401). پیش بینی وزن بدن گاوهای سیستانی با استفاده از بینایی رایانهای. تحقیقات تولیدات دامی، 11(3)، 55-66. Bhat, R., Di Pasquale, J., Bánkuti, F. I., Siqueira, T. T. D. S., Shine, P., & Murphy, M. D. (2022). Global dairy sector: trends, prospects, and challenges. Sustainability, 14(7), 4193. Bosale, S., Pujari, V., & Multani, Z. (2020). Advantages and disadvantages of artificial intelligence. Aayushi International Interdisciplinary Research Journal, 9(1), 227-230. Dhaliwal, Y., Bi, H., & Neethirajan, S. (2025). Bimodal data analysis for early detection of lameness in dairy cows using artificial intelligence. Journal of Agriculture and Food Research, 21, 101837. Fuentes, S., Gonzalez Viejo, C., Tongson, E., Lipovetzky, N., & Dunshea, F. R. (2021). Biometric Physiological Responses from Dairy Cows Measured by Visible Remote Sensing Are Good Predictors of Milk Productivity and Quality through Artificial Intelligence. Sensors, 21(20), 6844. Gökçearslan, S., Tosun, C., & Erdemir, Z. G. (2024). Benefits, challenges, and methods of artificial intelligence (AI) chatbots in education: A systematic literature review. International Journal of Technology in Education, 7(1), 19-39. Gulak, A. M. (2024). Research paper by Gulak 23 September 2024 Artificial Intelligence. Artif Intell. Hajkowicz, S., Sanderson, C., Karimi, S., Bratanova, A., & Naughtin, C. (2023). Artificial intelligence adoption in the physical sciences, natural sciences, life sciences, social sciences and the arts and humanities: A bibliometric analysis of research publications from 1960-2021. Technology in Society, 74, 102260. Hill, J. (2024). Science, technology, and innovation in the dairy sector. International Journal of Food Science and Technology, 59(9), 6717-6723. Hoorn, Q. A., Rabaglino, M. B., Amaral, T. F., Maia, T. S., Yu, F., Cole, J. B., & Hansen, P. J. (2024). Machine learning to identify endometrial biomarkers predictive of pregnancy success following artificial insemination in dairy cows. Biology of Reproduction, 111(1), 54-62. Kawagoe, Y., Kobayashi, I., & Zin, T. T. (2023). Facial Region Analysis for Individual Identification of Cows and Feeding Time Estimation. Agriculture, 13(5), 1016. Liyin, Z. H. A. N. G., Ji, Z. H. A. N. G., Qinglu, Y. A. N. G., Yudao, L. I., Zhenwei, Y. U., Fuyang, T. I. A. N., & Sufang, Y. U. (2024). Detection of dairy cow feeding behavior based on video and BCE-YOLO model. Journal of South China Agricultural University, 45(5), 782-792. Mahato, S., & Neethirajan, S. (2024). Integrating artificial intelligence in dairy farm management− biometric facial recognition for cows. Information Processing in Agriculture. Melak, A., Aseged, T., & Shitaw, T. (2024). The Influence of Artificial Intelligence Technology on the Management of Livestock Farms. International Journal of Distributed Sensor Networks, 2024(1), 8929748. Milani, M., Macit, M., & Hepkarşı, F. (2023). Ration Preparation of Dairy Cows with an Innovative Method: A Multi-Objective Optimization Approach. Electronic Letters on Science and Engineering, 19(2), 90-108. Monteiro, H. F., Figueiredo, C. C., Mion, B., et al. (2024). An artificial intelligence approach of feature engineering and ensemble methods depicts the rumen microbiome contribution to feed efficiency in dairy cows. Animal Microbiome, 6(5). Mukhamediev, R. I., Popova, Y., Kuchin, Y., Zaitseva, E., Kalimoldayev, A., Symagulov, A., Levashenko, V., Abdoldina, F., Gopejenko, V., Yakunin, K., Muhamedijeva, E., & Yelis, M. (2022). Review of Artificial Intelligence and Machine Learning Technologies: Classification, Restrictions, Opportunities and Challenges. Mathematics, 10(15), 2552. Nagahara, M., Tatemoto, S., Ito, T., Fujimoto, O., Ono, T., Taniguchi, M., ... & Otoi, T. (2024). Designing a diagnostic method to predict the optimal artificial insemination timing in cows using artificial intelligence. Frontiers in Animal Science, 5, 1399434. Neethirajan, S. (2023). Artificial Intelligence and Sensor Technologies in Dairy Livestock Export: Charting a Digital Transformation. Sensors, 23(16), 7045. Rebez, E. B., Sejian, V., Silpa, M. V., Kalaignazhal, G., Thirunavukkarasu, D., Devaraj, C., Nikhil, K. T., Ninan, J., Sahoo, A., Lacetera, N., & Dunshea, F. R. (2024). Applications of Artificial Intelligence for Heat Stress Management in Ruminant Livestock. Sensors, 24(18), 5890. Saghiri, A. M., Vahidipour, S. M., Jabbarpour, M. R., Sookhak, M., & Forestiero, A. (2022). A Survey of Artificial Intelligence Challenges: Analyzing the Definitions, Relationships, and Evolutions. Applied Sciences, 12(8), 4054. Silva, R.A.B.D., Pandorfi, H., Cordeiro, F.R., Soares, R.G.F., Medeiros, V.W.C.D., Almeida, G.L.P.D., Barbosa Filho, J.A.D., Marinho, G.T.B. and Silva, M.V.D. (2024). A New Way to Identify Mastitis in Cows Using Artificial Intelligence. AgriEngineering, 6(4), 4220-4232. Stahl, B. C., Antoniou, J., Bhalla, N., Brooks, L., Jansen, P., Lindqvist, B., ... & Wright, D. (2023). A systematic review of artificial intelligence impact assessments. Artificial Intelligence Review, 56(11), 12799-12831. Strelkova, O. (2017). Three types of artificial intelligence. Strong, A. I. (2016). Applications of artificial intelligence & associated technologies. Science [ETEBMS-2016], 5(6), 64-67. Wang, J., Lovarelli, D., Rota, N., Shen, M., Lu, M., & Guarino, M. (2022). The potentialities of machine learning for cow-specific milking: Automatically setting variables in milking machines. Animals, 12(13), 1614 Wang, X., Shi, S., Ali Khan, M., et al. (2024). Improving the accuracy of genomic prediction in dairy cattle using the biologically annotated neural networks framework. Journal of Animal Science and Biotechnology, 15(87). Zhao, C., Wang, D., Teng, J., et al. (2023). Breed identification using breed-informative SNPs and machine learning based on whole genome sequence data and SNP chip data. Journal of Animal Science and Biotechnology, 14, 85. | ||
|
آمار تعداد مشاهده مقاله: 121 تعداد دریافت فایل اصل مقاله: 65 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب