ALLEVAMENTI DEL FUTURO: INNOVAZIONE ATTRAVERSO IOT E AI NELL'ALLEVAMENTO DI PRECISIONE

The rapid growth of the global population has significantly increased the demand for food, necessitating improvements in the efficiency and sustainability of livestock farming systems. Traditional intensive farming practices, marked by high stocking densities and poor living conditions, often cause substantial stress to animals, making them more susceptible to diseases. This scenario raises ethical concerns and affects the long-term sustainability of food production systems. Recent societal and regulatory shifts, particularly within the European Union, have emphasized the importance of animal welfare and sustainable agricultural practices. The European Green Deal and Farm to Fork Strategy highlight the need for innovative food systems that reduce resource use, lower greenhouse gas emissions, and protect biodiversity while maintaining high animal welfare standards. In response to these challenges, this dissertation explores the potential of automated monitoring technologies, such as Internet of Things (IoT) devices and Artificial Intelligence (AI), to transform livestock management. Through the deployment of miniaturized IoT devices, advanced camera systems, and sophisticated AI algorithms, it is possible to achieve continuous monitoring of animal health, early disease detection, welfare assessment, behavioral observation, and individual animal identification with minimal human intervention. These technologies not only improve compliance with EU regulations but also address the ethical and environmental issues associated with traditional livestock farming methods. The thesis begins with a thorough overview of sensor-based automatic monitoring systems, focusing on their application in extensive farming environments. It details the current technological landscape, including various device types and data processing techniques. Subsequently, the thesis presents a series of case studies based on experimental trials conducted during the PhD program, offering practical insights into the real-world application of these technologies. This section also examines the ongoing challenges in the field, such as optimizing energy efficiency, ensuring data accuracy, and enhancing network reliability, while suggesting potential avenues for future research. In the final part, the focus shifts to indoor livestock farming, exploring the increasing use of monitoring systems based on computer vision techniques. This part investigates the application of Continual Learning methods to video data for action recognition, proposing innovative adaptations of these methods, traditionally employed in image classification, for video analysis. Overall, this dissertation advances the field of livestock monitoring by integrating cutting-edge technologies with methodological approaches. It provides a solid foundation for developing more effective, reliable, and scalable solutions in the agricultural sector, supporting the transition to more sustainable and welfare-focused farming practices.

La rapida crescita della popolazione globale ha aumentato significativamente la domanda di cibo, rendendo necessari miglioramenti nell'efficienza e nella sostenibilità dei sistemi di allevamento. Le pratiche tradizionali di allevamento intensivo, caratterizzate da alte densità di animali e condizioni di vita scadenti, spesso causano un notevole stress agli animali, rendendoli più suscettibili alle malattie. Questo scenario solleva preoccupazioni etiche e incide sulla sostenibilità a lungo termine dei sistemi di produzione alimentare. Recenti cambiamenti sociali e normativi, in particolare nell'Unione Europea, hanno sottolineato l'importanza del benessere animale e delle pratiche agricole sostenibili. Il Green Deal europeo e la Strategia "Dal produttore al consumatore" evidenziano la necessità di sistemi alimentari innovativi che riducano l'uso delle risorse, abbassino le emissioni di gas serra e proteggano la biodiversità, mantenendo al contempo alti standard di benessere animale. In risposta a queste sfide, questa tesi esplora il potenziale delle tecnologie di monitoraggio automatizzato, come i dispositivi dell'Internet delle cose (IoT) e l'intelligenza artificiale (IA), per trasformare la gestione del bestiame. Attraverso l'uso di dispositivi IoT miniaturizzati, sistemi di telecamere avanzati e algoritmi IA sofisticati, è possibile ottenere un monitoraggio continuo della salute degli animali, la rilevazione precoce delle malattie, la valutazione del benessere, l'osservazione dei comportamenti e l'identificazione individuale degli animali con un intervento umano minimo. Queste tecnologie non solo migliorano la conformità alle normative dell'UE, ma affrontano anche le questioni etiche e ambientali legate ai metodi di allevamento tradizionali. La tesi presenta una panoramica completa dei sistemi di monitoraggio automatico basati su sensori, concentrandosi sulla loro applicazione in ambienti di allevamento estensivo. Vengono descritti lo scenario tecnologico attuale, inclusi i vari tipi di dispositivi e le tecniche di elaborazione dei dati. Successivamente, sono presentati una serie di casi studio basati su prove sperimentali condotte durante il dottorato, offrendo approfondimenti pratici sull'applicazione reale di queste tecnologie. Questa sezione esamina anche le sfide in corso nel settore, come l'ottimizzazione dell'efficienza energetica, l'assicurazione dell'accuratezza dei dati e il miglioramento dell'affidabilità della rete, suggerendo potenziali direzioni per future ricerche. Nella parte finale, l'attenzione si sposta sull'allevamento in ambienti chiusi, esplorando l'uso crescente di sistemi di monitoraggio basati su tecniche di visione artificiale. Questa parte indaga l'applicazione dei metodi di apprendimento continuo ai dati video per il riconoscimento delle azioni, proponendo adattamenti innovativi di questi metodi, tradizionalmente impiegati nella classificazione delle immagini, per l'analisi video. Complessivamente, questa tesi avanza il campo del monitoraggio del bestiame integrando tecnologie all'avanguardia con approcci metodologici. Fornisce una solida base per sviluppare soluzioni più efficaci, affidabili e scalabili nel settore agricolo, supportando la transizione verso pratiche di allevamento più sostenibili e incentrate sul benessere.