Oleksiy Guzhva

Som forskare och biträdande universitetslektor vid institutionen för biosystem och teknologi (Sveriges lantbruksuniversitet – SLU) brinner jag för ansvarsfull innovation och hållbar AI-utveckling inom jordbruket. Mitt arbete kombinerar sensorteknik, datorseende, Internet of Things (IoT), digitaliserat jordbruk och smarta lantbruksbyggnader för att skapa produktiva och etiskt hållbara system. Med en veterinärexamen (DVM), en masterexamen i husdjursvetenskap med inriktning mot mjölkproduktion och djurvälfärd, samt en doktorsexamen som fokuserade på sensor- och datorseendemetoder för mjölkkors beteende, förlitar jag mig både på vetenskaplig utbildning och praktisk gårdserfarenhet.

Mitt fokus

Jag ser Precision Livestock Farming (PLF) som ett verktyg för ansvarsfull innovation. Genom kontinuerlig djurövervakning, datadrivet beslutsfattande och etiskt anpassad teknik strävar jag efter att förbättra djurvälfärd och resurseffektivitet. Jag utvecklar datorseende- och djupinlärningsalgoritmer för smart jordbruk inom både djur- och växtsystem och arbetar med big data, IoT och datainfrastruktur för att ge lantbrukare användbara insikter. Jag tillämpar också datavetenskap – från explorativ analys till multivariat prediktionsmodellering – för att stödja hållbara och transparenta AI-lösningar. Projektledning, produktutveckling och biosäkerhetsstrategier är integrerade delar av mitt arbetssätt, och jag designar djurorienterade anläggningar som främjar hälsa och välbefinnande.

Pågående projekt:

MINI-Moo – Modulär, intelligent nod för fältbaserad bedömning av välbefinnande hos betande nötkreatur

Vår vision är att skapa en lösning för kontinuerlig övervakning av nötkreaturs välbefinnande och betesmarkshantering som är modulär, skalbar, oberoende av stora mängder manuellt annoterad data och, viktigast av allt, högst relevant för slutanvändarna och deras unika utmaningar. Vår lösning syftar till att minska slumpmässigheten i djurinspektioner och ge tidigare indikationer på potentiella hälsoproblem hos vilket djur som helst, under alla omständigheter. Vi kommer att använda en mycket anpassningsbar tröghetsmätningsenhet (IMU) och en GNSS-mottagare (Global Navigation Satellite Systems) för att samla in data som är relevanta för beslutsfattande i fält. Dessutom kommer vår lösning att hantera problemet med djur som rymmer från inhägnader eller betesmarker. Vårt system kommer att underlätta denna process genom att spåra djurens rörelsehistorik och markera det potentiella området för rymningen i en användarvänlig applikation, vilket minskar behovet av manuell inspektion.

Keel under pressure (KUP)

Skador på bröstbenet (keel bone damage, KBD) är en av de mest kritiska välfärdsfrågorna för värphöns inom modern äggproduktion. Trots pågående forskning finns det fortfarande betydande kunskapsluckor kring de bakomliggande orsakerna till detta mångfacetterade problem. Vårt primära mål är att öka kunskapen för att förbättra bröstbenshälsan hos höns. Vi vill specifikt undersöka om tillgång till olika typer av sittpinnar under uppväxten har en positiv inverkan på bröstbenets hälsa, analysera utvecklingen och välfärdskonsekvenserna av bröstbensavvikelser samt utveckla en icke-invasiv metod för att upptäcka KBD genom att bedöma fåglarnas rörelser i ett tredimensionellt rum. Detta projekt syftar till att fylla dessa luckor genom att (1) undersöka effekten av varierade sittpinne-typer, vilket ger ett nytt perspektiv på sambandet mellan inhysningsförhållanden och KBD, (2) studera den relativt outforskade frågan om bröstbensavvikelser, samt (3) utnyttja markörlös datorseende-teknik (CV) för att samla in detaljerade biomekaniska data om värphöns. Den kunskap som erhålls i den experimentella miljön kommer även att tillämpas på en kommersiell äggproduktionsgård. Genom att introducera nya tillvägagångssätt både för sittpinneutformning och för användning av avancerad datorseende, kommer detta projekt att bidra till bättre djurvälfärd och en mer hållbar äggproduktion.

OinkScope – Ett datorseendebaserat verktyg för rumslig intelligens vid övervakning av beteende hos grupphållna grisar

Videoinspelningar av etologiska experiment genererar stora mängder material som måste annoteras manuellt för att data ska kunna extraheras. Detta skapar ofta en kritisk flaskhals i databehandlingen och kan begränsa den tid som finns tillgänglig för analys samt försena rapporteringen av resultaten. För att möta den växande efterfrågan på noggrann och automatiserad beteendeövervakning presenterar vi ett nytt verktyg för grisars beteendeanalys. OinkScope är en ny datorseende-algoritm som integrerar realtidsobjektdetektering, anpassningsbar övervakning av intresseområden (ROI) och automatiserad heatmap-analys. I grunden bygger OinkScope på Detectron2:s ramverk för objektdetektering och segmentering, som är utvecklat inom PyTorch-ekosystemet. Genom att kombinera anpassningsbara ROI:er, skalbara djupinlärningsmodeller och ett intuitivt grafiskt gränssnitt, ger OinkScope insikter i gruppdynamik, trängselmönster och resursanvändning. I slutändan erbjuder det ett kraftfullt men lättillgängligt verktyg för automatisk och realtidsbaserad beteendeanalys — och visar på den transformerande potentialen hos moderna datorseendesystem inom etologisk forskning.

Förutom att vara huvudansvarig forskare (PI) bidrar jag även med min expertis inom datorseende och AI/modellering som inbjuden expert i flera projekt. Dessa samarbeten sträcker sig både inom SLU och med nationella och internationella universitet och forskningsinstitut.

Undervisning och samverkan är centrala delar av mitt uppdrag. Jag undervisar i djurfysiologi, hälsa och välfärd, biosäkerhet och produktionsledning, och jag är kursledare för Precision livestock farming for sustainable production (TN0356).

Jag handleder kandidat-, master- och doktorandstudenter och samarbetar nära med lantbrukare, företag och rådgivare för att säkerställa att forskning omsätts i hållbara AI-applikationer och bästa praxis.

Genom att leda proof of concept-projekt och bygga tvärvetenskapliga partnerskap bidrar jag till att etiska AI-verktyg integreras i verkliga lantbrukssystem.

Jag har en doktorsexamen i veterinärmedicin (SLU, 2014–2018), en masterexamen i husdjursvetenskap (SLU, 2011–2013) och en veterinärexamen (DVM) från Poltava State Agrarian Academy (Ukraina, 2004–2010).

Yrkeserfarenhet: Jag har varit forskare och universitetslektor vid SLU sedan 2018. Jag arbetar även som ämneskoordinator vid SLU:s samverkansplattform Partnerskap Alnarp, med ansvar för djurproduktionssystem.

Befattning: Biträdande universitetslektor, Institutionen för biosystem och teknologi, SLU.
Arbete: +46 703 869 577
Mobil: +46 729 328 191
E-post: oleksiy.guzhva@slu.se
Postadress: Biosystems and Technology, Box 190, 234 22, Lomma, Sverige
Besöksadress: Sundsvägen 14, Alnarp