Computervisie moet melkveehouderij toekomstbestendig maken

Van bronstdetectie tot een alarm wanneer een koe zal kalven: via videomonitoring en machine learning verschaft onderzoeker Maarten Perneel informatie over de koeien op de boerderij. Die inzichten moeten ook meer rust bij de dieren brengen. ‘Wel moet je elke maand even de spinnenwebben van voor de camera’s weghalen.’

Maarten Perneel is geboren en getogen in een veehouderij. Hij kent de uitdagingen van de veeboeren dus heel goed. Zijn masterproef bracht hem in aanraking met machine learning. Daarna vatte hij zijn doctoraatsonderzoek aan onder begeleiding van een KU Leuven-professor gespecialiseerd in koeien, en een UGent-professor gespecialiseerd in machine learning. Zo ontwikkelde hij een systeem dat koeien automatisch herkent via camerabeelden en hun gedrag in kaart brengt.

Van videobeelden tot gedragsanalyse

De hardware is simpel: een stal met honderd koeien vraagt zes bewakingscamera’s met infrarood en een server. ‘Met twee frames per seconde krijg je wat schokkerige bewegingen, maar druk je het kostenplaatje’, klinkt het. De toepassing van Perneel maakt eerst een inschatting van de positie van het dier. ‘We herleiden de koeien tot een reeks punten, bijvoorbeeld op hun neus en rechterheup. Die afbeelding gaat in het neuraal netwerk en resulteert in informatie: staat de koe rechtop, ligt ze op haar linkerzijde of ligt ze op haar rechterzijde?’

De tweede belangrijke stap is de identificatie van de koe: waar bevindt zich welke koe? ‘Via een referentie-dataset herkennen we meer dan negentig procent van de gekende dieren. Semiautomatisch herkent het systeem ook nieuwe dieren. Alleen ’s nachts zit er voor de re-identificatie te veel ruis op de beelden. We kozen ervoor de dieren niet te verstoren met licht.’ Vervolgens komt er een inschatting van de afstand tussen de dieren.

Ondersteuning voor boer en koe

Wat kan je met die informatie? Een eerste concrete toepassing is bronstdetectie, want in hun vruchtbare periode zijn koeien veel actiever. ‘Minder beweging kan dan weer wijzen op zoolzweren. En wanneer een koe op het punt staat om te kalven, wisselt ze meer af tussen staan en liggen.’ En ja, een alarm haalt de veehouder dan uit zijn bed, maar anders had hij wellicht nog minder nachtrust gehad. ‘Lokalisatie zorgt ervoor dat een specifieke koe snel gevonden is.’

Perneel testte het systeem op de veehouderij van zijn ouders. De gemonitorde dieren zijn er in volle groei. ‘Nu volgen we millimeter voor millimeter op hoeveel ze groeien. Er kan een alert volgen als het dier niet groeit zoals voorspeld.’ Inzichten over de interacties tussen de dieren en hun eet- en liggedrag leveren interessante data op voor wetenschappers en stallenbouwers, maar ook meteen voor de boer. ‘Als we bijvoorbeeld weten welke de dominantere dieren zijn, kunnen we meer rust creëren tussen en binnen verschillende groepen.’ Want rustige koeien, die ook meer neerliggen, geven meer melk.

Lagere werkdruk

Drempels voor de toepassing zijn het energieverbruik en spinnenwebben. ‘Voor de infraroodbeelden is het nodig om eens per maand de camera’s schoon te maken’, aldus Perneel. Zijn ouders houden het systeem in gebruik, vooral om tijdig bij het kalven aanwezig te zijn en zoveel mogelijk sterfte bij de geboorte te vermijden. De AI vormt geen vervanging van de veehouder, maar kan hem wel ondersteunen. ‘En door de werkdruk te verlagen, maken we de melkveehouderij toekomstbestendig.’

Perneel is niet van plan het systeem te commercialiseren. ‘Maar mocht iemand daar interesse in hebben, ondersteun ik dat wel graag. De code die de videodata omzet in abstracte data, is online beschikbaar, net als de code die van die abstracte data voor de veehouder interpreteerbare grafieken maakt. Wat nog ontbreekt is een handige interface, een mooie app. Dat zou een volgende stap zijn bij praktijkimplementatie.’