Dipartimento di Scienze Veterinarie (DSV)
Attività presso Vanzetti-Holstein. Lo scopo dell’unità afferente al Dipartimento di Scienze Veterinarie nell’ambito del progetto Circular Health for Industry, finanziato da Compagnia di San Paolo, è l’applicazione di metodi statistici e di Apprendimento Automatico per l’analisi dei dati e l’identificazione di eventuali fattori sociali e/o ambientali che possano influire sulla salute, la produzione e il benessere degli animali. L’obiettivo finale è quindi fornire indicazioni all’azienda per l’attuazione di interventi migliorativi atti all’incremento della produttività̀ e all’ottimizzazione della gestione delle bovine da latte.
Gli animali oggetto di studio sono le bovine in lattazione suddivise per età in due sottogruppi di circa 120 bovine ciascuno (bovine giovani fino ai due anni e bovine più̀ anziane) presso l’azienda Vanzetti-Holstein di Candiolo (TO). Le informazioni fornite dall’azienda riguardano i dati ottenuti dai robot di mungitura, dai neck tag applicati al collare delle bovine, i dati relativi agli interventi veterinari e farmacologici.
ll progetto ha due branche complementari. Una prima applicazione consiste nello sviluppo di metodologie e algoritmi di Machine Learning (ML) da applicare sui dati del sistema di mungitura automatica (AMS), le cui fonti sono i sensori dei robot di mungitura e dei collari. Questi dati sono già disponibili in ogni azienda agricola che utilizza robot di mungitura. L’altro ramo consiste nello studio del comportamento sociale delle vacche incorporando ai dati AMS esistenti nuovi dati generati da una metodologia innovativa.
Nella prima branca, analizziamo la produzione di latte per ciascun periodo di lattazione utilizzando i dati di AMS con diverse tecniche di ML. La valutazione della produzione degli animali può aiutare l’allevatore ad aumentare il profitto, essere supportato nelle decisioni sulla gestione della mandria e sul benessere degli animali. Ogni modello di apprendimento automatico utilizzato esplora i dati AMS da una prospettiva diversa e, quindi, ciascuno ha il potenziale per evidenziare diversi aspetti del problema.
Nella seconda branca del progetto, utilizziamo un sistema di visione artificiale, basato su tecniche di Deep Learning, per il riconoscimento automatico delle singole vacche per ottenere l’esatta posizione delle vacche nella stalla e la vicinanza spaziale tra ogni coppia di vacche rilevare le interazioni sociali e costruire la loro rete sociale.
A tale scopo abbiamo installato otto camere wide-angle per ottenere la visione completa degli animali all’interno della stalla. Le informazioni sul comportamento sociale delle vacche hanno il potenziale per migliorare diverse aree della moderna gestione delle aziende lattiero-casearie, tra cui il rilevamento del calore, il raggruppamento del bestiame, nonché la trasmissione e la prevenzione delle malattie. Inoltre, gli approfondimenti sulle dinamiche della rete sociale del bestiame possono avere importanti connessioni con la valutazione del benessere degli animali poiché il comportamento di affiliazione è stato proposto come indicatore di benessere positivo. A tal fine, la visione artificiale rappresenta un metodo adatto, promettente e non invasivo per il rilevamento e il tracciamento automatico delle bovine.
>>> versione stampabile (pdf)
Riferimenti
Comparison of clustering analysis methods in assessment of productivity parameters in dairy cows milked by Automatic Milking Systems
Karina Brotto Rebuli, Laura Ozella, Simone Vernengo, Carola Salvetto, Gianluca Montrucchio, Mario Giacobini.
International Conference on Precision Dairy Farming 2022, Vienna, Austria. September 2022.
A computer vision approach for the automatic detection of social interactions and space-usage of dairy cows
Laura Ozella, Simone Vernengo, Marco Grangetto, Elisabetta Stipa, Karina Brotto Rebuli, Gianluca Montrucchio, Mario Giacobini.
International Conference on Precision Dairy Farming 2022, Vienna, Austria. September 2022.