Combinatie van sensoren werkt beter
Sensoren die voortdurend het lig-, stap-, sta-, eet- en herkauwgedrag van melkkoeien meten, kunnen bronst en kalving tussen 2 en 24 uur op voorhand met hoge nauwkeurigheid voorspellen. De combinatie van sensoren doet het beter dan één sensor, zeker op het laatste moment voor bronst of kalving, wanneer snel reageren van cruciaal belang is voor zowel koe als melkveehouder.
Dankzij het doctoraatsonderzoek van doctorandus Said Benaissa staat de melkveehouderij opnieuw een stap dichter bij een efficiënte totaalmonitoring. Voor een sector die gekenmerkt wordt door groter wordende kuddes biedt dat interessante perspectieven. “Dit onderzoek wijst op het nut van de verdere ontwikkeling van multi-sensor monitoringssystemen als alternatief voor de huidige één-sensor-oplossingen.”
Wildgroei aan sensoren is onpraktisch
Om rendabel te zijn en tegemoet te komen aan de stijgende wereldvraag naar melk, kiezen melkveebedrijven steeds vaker voor groei. Een stijgend aantal dieren biedt schaalvoordelen maar creëert tegelijk nieuwe uitdagingen. Het opvolgen van individuele dieren in een grote kudde is moeilijk, tenzij sensoren een stuk de visuele controle door de melkveehouder aanvullen.
De jongste jaren kwamen verschillende monitoringssystemen op de markt, maar de meeste van die systemen beperken zich tot één productie- of gezondheidsaspect en maken daarvoor gebruik van één sensor. Melkveehouders moeten daardoor verschillende systemen aanschaffen en integreren, wat onpraktisch is en de kosten verhoogt. Daarom onderzocht Said Benaissa in zijn doctoraat het potentieel van een geïntegreerd, multi-sensor monitoringssysteem.
Weet wat je wil meten
Na het testen van off-body, on-body en in-body sensoren in de stal en op de weide onder meer op betrouwbaarheid van het signaal legde Benaissa zich toe op het testen van on-body bewegingssensoren. Sensoren die beweging meten in drie richtingen en aan hoge snelheid (real time) data verzenden bleken het interessantst voor deze toepassing. De beste positie om ze te plaatsen is afhankelijk van wat je wil meten. Benaissa: “Wil je voedingspatronen meten, dan kies je best voor een sensor aan de hals. Ben je meer geïnteresseerd in liggedrag, dan kies je best voor een pootsensor. Wil je zoals in dit onderzoek een totale monitoring, dan heb je voor een hoge nauwkeurigheid en betrouwbaarheid sensoren nodig op zowel hals als poot.”
Welk koegedrag is relevant?
Uiteindelijk voegde Benaissa ook een lokalisatiesensor op de hals toe, om een extra dimensie aan de data toe te voegen (in welke zone van de stal bevindt de koe zich, en welke afstand legt ze af?) en te controleren of de combinatie van verschillende sensoren effectief een beter resultaat oplevert. Maar voor hij op die vraag kon antwoorden, moest hij zinvolle informatie proberen te halen uit meer dan 200 dagen koedata.
Benaissa concentreerde zich op parameters voor vroegtijdige detectie van bronst en kalving en maakte gebruik van machine learning algoritmes. Die algoritmes moesten eerst verfijnd worden met kennis over relevant diergedrag. Want welke veranderingen in het gedrag van een koe zeggen effectief iets over bronst of kalfmoment?
Door de data te analyseren ontdekte Benaissa onder andere dat een koe die binnen 24 uur moet kalven 2 tot 3 uur minder tijd spendeert aan eten en herkauwen. Wanneer ze dichter bij het kalfmoment komt (6 tot 12 uur) last ze bovendien twee tot drie keer vaker een ligpauze in. Het aantal stappen dat de koe zet blijkt geen betrouwbare voorspeller voor kalfdetectie, maar zegt wel iets over het ideale moment om de koe te insemineren. Twee dagen voor de koe bronstig wordt, zal ze immers opvallend meer beginnen rond te wandelen (+- 500 stappen per 6 uur). Daarenboven zal ze minder ligmomenten inbouwen (+- 4 uur per dag) en zo’n 2 uur per dag minder tijd spenderen aan herkauwen.
Combinatie van sensoren biedt beste resultaat
Hoe goed werken de sensoren en de algoritmes nu voor detectie van bronst en kalving? Benaissa testte zijn detectiemodellen voor elke sensor apart en voor elke combinatie van sensoren.
De combinatie van één of twee bewegingssensoren op hals en/of poot met een lokalisatiesensor op de hals gaf het beste resultaat. Zowel de nauwkeurigheid als gevoeligheid van de detectie ging er gevoelig op vooruit. Zeker in de latere detectiefase – 2 tot 4 uur voor kalving of bronst, wanneer hoge alertheid aangewezen is – maakt dit een groot verschil. Eén sensor kan het ideale moment voor inseminatie dan nog met 58-64% nauwkeurigheid detecteren en het moment van kalving met 40-63%. Door de sensoren te combineren stijgt dit tot respectievelijk 72-87% en 67-79%.
Benaissa: “Voor zowel de melkveehouder als de koe is dat goed nieuws. Tijdige en nauwkeurige detectie van bronst zijn heel belangrijk voor een optimale fokefficiëntie. Het kan verspilling van sperma en arbeid vermijden en voorkomen dat een gezonde eicel niet bevrucht wordt. Nauwkeurige detectie van het kalfmoment kan dan weer belangrijk zijn voor de verdere voortplantingsprestaties van de koe, haar melkproductie, haar welzijn en dat van haar kalf.”
Stap dichter bij een efficiënte totaalmonitoring
Promotor Bart Sonck (ILVO): “Dankzij het doctoraatsonderzoek van Benaissa werden opnieuw belangrijke stappen gezet richting een geïntegreerde monitoring in de melkveehouderij. In het imec-icon project MoniCow waartoe dit doctoraat behoorde werden nog enkele technologische bottlenecks opgelost, zoals de robuustheid van de sensordragers (halsband) en een automatisch inductief laadsysteem geschikt voor stalomgevingen om lege batterijen en dus gemiste data te vermijden. Ook werd een eerste inschatting gemaakt van het kosten-batenplaatje: volgens de onderzoekers kan een geïntegreerd monitoringssysteem de melkveehouder een besparing opleveren van gemiddeld 200 euro per koe per jaar.”
“Ook voor snelle detectie van gezondheids- en welzijnsproblemen bij dieren biedt dit perspectieven”, meent promotor Frank Tuyttens (ILVO). “Door het slim combineren van complementaire sensoren kan een grote verscheidenheid aan dierparameters worden gemonitord. Dit kan veehouders helpen om (soms subtiele) veranderingen in gedrag en fysiologie door bijvoorbeeld ziekte, kreupelheid of hittestress accurater en vroeger te detecteren. Hoe vroeger en juister de detectie, hoe sneller de veehouder kan optreden en hoe beter hij productieverliezen en dierenleed kan beperken. In het vervolgonderzoek zetten we hier verder op in.”
Said Benaissa verdedigde op 29 mei 2019 zijn doctoraat: Internet-of-animals: monitoring and connecting dairy cows for behavior and health tracking. Promotoren van het doctoraat waren de professoren Wout Joseph (UGent), David Plets (UGent), Bart Sonck (ILVO/UGent) en Frank Tuyttens (ILVO/UGent).
