Agrárszektor • 2026. július 24. 14:27
Az állattartás digitalizációjának új szintjét jelentik azok a gépi tanulásra és mesterséges intelligenciára épülő akusztikus rendszerek, amelyek a sertések hangjai alapján figyelmeztethetnek a közelgő légzőszervi problémákra. Hogy mennyire megbízható ez a technológia, arról Alexy Márta, az Óbudai Egyetem Neumann János Informatikai Kar egyetemi docense beszélt a Metszetnek.
Hogyan működnek a sertéshízlaldákban alkalmazott mikrofonos és mesterséges intelligenciával támogatott akusztikus rendszerek? Valóban képesek napokkal a klinikai tünetek megjelenése előtt jelezni a légzőszervi megbetegedéseket, és ezzel radikálisan csökkenteni a gyógyszerköltségeket?
A sertéshízlaldákban alkalmazott akusztikus rendszerek lényege, hogy a kutricákban vagy az istállótérben elhelyezett mikrofonok folyamatosan rögzítik a környezeti hangokat. A mesterséges intelligencia ezután kiszűri a háttérzajokat – a ventillátort, az etetőt, az állatmozgást, az emberi beszédet –, és a hangmintákból azonosítja a köhögésre jellemző akusztikai mintázatokat.
A legtöbb rendszer nem egyetlen köhögésből von le következtetést, hanem a köhögések gyakoriságának, időbeli változásának és az istállón belüli eloszlásának alakulását figyeli. Ha a „köhögési index” hirtelen megemelkedik, a rendszer riasztást küld a telepvezetőnek vagy az állatorvosnak.
A hangadatok elemzése a mesterséges intelligencia alterületéhez tartozó gépi tanulási módszerek alkalmazásával történik az előzetesen megtisztított és előkészített adatbázison. Ezek közé tartoznak az ún. mesterséges neurális hálók. Például a CNN (konvolúciós mély neurális hálózat) a hangadatokból képadatokat állít elő és így elemzi a kapott adatbázist, keresve a rejtett mintázatokat.
A tudományos eredmények alapján ezek a rendszerek valóban ígéretesek. Egy 2025-ös, üzemi körülmények között végzett vizsgálatban 16 mikrofont használtak sertéstelepen, és a mélytanuláson alapuló modell nagy pontossággal különítette el a köhögést más istállóhangoktól. A szerzők ugyanakkor hangsúlyozták, hogy további telepi környezetekben is szükség van validálásra. Más kutatások szerint a gépi tanulás a köhögéstípusok felismerésében is segíthet, például a száraz köhögés és a Mycoplasma hyopneumoniae-fertőzés közötti kapcsolat vizsgálatában, de ezek az eredmények még nem helyettesítik a laboratóriumi diagnosztikát vagy az állatorvosi döntést.
A „napokkal korábbi jelzés” reális lehet, különösen ahhoz képest, hogy az állományellenőrzés csak napi szemrevételezésen alapul. Egyes kereskedelmi rendszerek akár 5 nappal korábbi észlelést ígérnek a manuális megfigyeléshez képest, valamint kezelési költségcsökkenést is hirdetnek. Ezt azonban óvatosan kell értelmezni: a rendszer nem betegséget diagnosztizál, hanem kockázati jelzést ad. A gyógyszerköltség akkor csökkenhet érdemben, ha a riasztást gyors telepi ellenőrzés, célzott állatorvosi beavatkozás, jó vakcinázási program, megfelelő szellőzés és pontos kezelési protokoll követik.
Összefoglalva: az akusztikus AI-rendszer nem csodaszer, hanem korai figyelmeztető eszköz. Jól bevezetve azonban segíthet korábban észlelni a légzőszervi problémákat, csökkentheti a felesleges vagy későn indított kezeléseket és támogathatja az antibiotikumok felelősebb használatát.