Precisieveehouderij voor zeugen en gespeende varkens

Deze thesis beschrijft nieuwe Precisie Landbouwtechnieken in de veehouderij, beter bekend als Precision Livestock Farming (PLF) die ontwikkeld zijn om verschillende soorten diergedrag bij varkens te monitoren. De algemene doelstelling van deze thesis was te onderzoeken of deze technologie geschikt is om de veehouder en bedrijfsleider bij te staan in het monitoren van de individuele dieren in een grotere groep. De specifieke focus van deze thesis lag op de definiëring van het type algoritme dat het meest geschikt is voor Precision Livestock Farming toepassingen voor zeugen en gespeende biggen. Betreffende de PLF-technologie had deze thesis tot doel om de complexiteit van het ontwikkelde wiskundige model te evalueren ten opzichte van het gemonitorde diergedrag. Bovendien werd er ook rekening gehouden met de praktische toepassing van het model in een Precision Livestock Farming systeem in een commercieel varkensbedrijf.

In deze thesis hebben we de prestaties van een koppel modelleertechnieken met elkaar vergeleken: een complex model tegenover een eenvoudig model om verschillende diergedragingen bij varkens in toenemende complexiteit te monitoren. De nauwkeurigheden om de specifieke gedragingen te classificeren in het algemeen waren, zoals verwacht, hoger wanneer er complexe (niet-lineaire en met meerdere variabelen) modellen gebruik werden. Een hogere classificatie nauwkeurigheid voor agressief diergedrag werd bekomen bij het gebruik van een Artificieel Neuraal Netwerk (ANN) in vergelijking met een transferfunctie (TF) model (binnen hetzelfde bedrijf). De prestaties van de ‘Hidden Markov Models’ (HMM) waren beter dan een logistisch regressie model voor het detecteren van nestgedrag bij zeugen. De classificatie van postuurhoudingen was beter met een Lineaire Discriminant Analyse (LDA) met meerdere input variabelen dan met een transferfunctiemodel met één enkele specifieke ingangsvariabele. Het meer complexe transferfunctiemodel verkreeg een betere uitkomst dan een eenvoudig lineair regressie model bij het tellen van de pasgeboren biggen tijdens het werpen.

Hoewel de nauwkeurigheden van de meer complexe modellen beter waren dan die van de minder complexe modellen, waren deze verschillen in nauwkeurigheid toch relatief klein. Meer specifiek bedroeg het verschil in nauwkeurigheid 8% tussen het Artificiële Neurale Netwerk en het transferfunctiemodel (binnen hetzelfde bedrijf) voor de detectie van agressie; het verschil in nauwkeurigheid tussen de ‘Hidden Markov Models’ en een logistisch regressie model voor de classificatie van het nestgedrag was 3%; het verschil in nauwkeurigheid tussen een Lineaire Discriminant Analyse en het transferfunctiemodel voor de classificatie van gedragshoudingen was 14%; en ten slotte bedroeg het verschil in nauwkeurigheid 6% tussen het transferfunctiemodel en het lineaire regressiemodel voor het tellen van de pasgeboren biggen in het kraamhok. Deze resultaten tonen aan dat goede resultaten kunnen behaald worden met simpelere modellen wanneer deze gebruikt worden voor het real-time modelleren van een complex gedrag.

Voorbeelden voor het monitoren van agressief gedrag en gedragshoudingen met transferfunctiemodellen, beschreven in hoofdstukken 6 en 3 van deze thesis, toonden duidelijk aan dat het gebruik van simpele modellen met weinig ingangsvariabelen de mogelijkheid gaven om de dynamica van deze variabelen in relatie tot het beoogde gedrag te begrijpen en te interpreteren. De validatie van het simpele transferfunctiemodel voor de detectie van agressie op een tweede dataset van een ander bedrijf bewees dat dit type van modellen beter veralgemenen op onafhankelijke data. De sensitiviteit van het ANN was op het tweede bedrijf veel lager dan op het eerste bedrijf (8 en 96%). Deze resultaten suggereren dat de verschillen tussen beide bedrijven in termen van diereigenschappen (zoals leeftijd, gewicht en grootte) en omgeving (zoals camera-plaatsing en hokgrootte) significant genoeg zijn om de prestaties van het complexe ANN model te reduceren, maar niet de prestaties van het eenvoudigere TF model. Dit suggereert dat het ANN model dat geselecteerd werd op de dataset van het eerste bedrijf, onnodig complex was en dus de data overfitten. Dus, het ANN model paste zich slecht aan aan andere data die gegenereerd werden door hetzelfde onderliggende proces.

De beschreven resultaten van deze thesis bevestigen dat PLF technologie de intensieve veehouder en de bedrijfsleider kan bijstaan in het monitoren van individuele dieren en groepen van dieren. We hebben aangetoond dat het mogelijk is om een aantal dier-gerelateerde variabelen in real-time te monitoren met verschillende sensoren. Zelfs één enkele camera boven een kraamhok bewees een gedegen sensor voor deze taak te zijn. Meer specifiek, de voortgang van het werpen bij zeugen werd gemonitord door het aantal biggen in het hok te schatten met een standaardafwijking van 1.72 biggen in de validatie dataset.

De automatische classificatie van postuurhoudingen bij zeugen werd enkel ontwikkeld op basis van accelerometrie sensor data. De sensor werd aan het oor van de zeug bevestigd. De ontwikkelde methode is toepasbaar voor geautomatiseerde labeling doeleinden wanneer er nood is aan een inschatting voor postuurhoudingen van het dier zonder de tijdrovende menselijke labeling. Meer specifiek werden er drie postuurhoudingen beschouwd: actief, rusten in een zijlig, en rusten in buiklig. De overkoepelende nauwkeurigheid van de classificatie van deze houdingen was 70% in de kruisvalidatie dataset.

Dezelfde sensor technologie die als doel had om de houdingen van zeugen automatisch te classificeren werd gebruikt om het nestgedrag van zeugen te classificeren. De classificatie van nestgedrag op basis van enkel accelerometrie data behaalde een sensitiviteit van 87%, een specificiteit van 85% en een nauwkeurigheid van 86%. De belangrijkste toepassing voor de ontwikkelde techniek is het voorspellen van het werpen. Het systeem laat de monitoring van het hele werpproces toe zonder dat de verstorende fysieke bezoeken van de veehouder aan het kraamhok nodig zijn.

Tot slot werd agressie bij gespeende biggen gemonitord door een camera opgehangen boven het hok. Het bleek mogelijk te zijn om agressieve interacties tussen dieren die leiden tot ernstig bijtgedrag dat kan leiden tot verwondingen te onderscheiden van wild speelgedrag. Een dergelijke continue, real-time meting van agressief gedrag van varkens zou in de eerste plaats kunnen dienen om de veehouder en bedrijfsleider objectieve en meer betrouwbare informatie te geven om agressie tussen de varkens op zijn bedrijf te reduceren. In tweede instantie geeft het ook de mogelijkheid om automatisch het agressie niveau in het hok te reduceren wanneer real-time monitoring wordt geïmplementeerd in een PLF systeem met een controle functie.

De belangrijkste conclusie van mijn werk is dat door gebruik te maken van eenvoudige real-time modellen om complex diergedrag te monitoren men een goed resultaat kan behalen, met het voordeel dat de dynamica van de gemodelleerde variabelen beter kan geïnterpreteerd worden. In de modellen met minder parameters is het mogelijk om deze parameters in real-time te schatten terwijl dit voor uitgebreide modellen met meerdere parameters onmogelijk wordt. Dit maakt wiskundige modellen met minder parameters flexibeler om toe te passen in real-time PLF toepassingen waar de modellen zich moeten aanpassen aan individueel én tijdsvariant diergedrag. Een ander voordeel van het gebruik van deze modellen in PLF toepassingen is dat ze minder rekenkracht vergen en daardoor goedkoper te implementeren zijn in goedkope technologie.