Lypsykarjan automaattinen kuntoluokitus konenäön avulla

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-202006052580
Title: Lypsykarjan automaattinen kuntoluokitus konenäön avulla
Author: Lattu, Mikko
Contributor: University of Helsinki, Faculty of Agriculture and Forestry, Department of Agricultural Sciences
Publisher: Helsingin yliopisto
Date: 2020
Language: fin
URI: http://urn.fi/URN:NBN:fi:hulib-202006052580
http://hdl.handle.net/10138/315871
Thesis level: master's thesis
Discipline: Agroteknologia
Agrotechnology
Agroteknologi
Abstract: Maatilojen viime vuosikymmenten aikaisesta rakennekehityksestä johtuva karjakokojen kasvu ja automaattisten lypsyjärjestelmien yleistyminen on vähentänyt kontakteja ihmisen ja eläimen välillä sekä eläinten tarkkailuun käytettävissä olevaa työaikaa. Varsinkin suurissa karjoissa eläinten kuntoluokitus on työlästä ja vie paljon työaikaa. Kuntoluokitus antaa kuitenkin hyödyllistä tietoa eläinten rasvavarannoista ja tätä tietoa voidaan käyttää eläinten ruokinnan ja siten tuotoksen optimointiin. Automaatiosta toivotaan apua lypsykarjan kuntoluokitukseen. Erilaisten automaattiseen kuva-analyysiin perustuvien kuntoluokitusjärjestelmien luotettavuutta ja toimintaa on tutkittu laajasti eri tutkimuksissa ja tutkimuksissa on päästy lupaaviin tuloksiin. Automaattisesta kuntoluokitusjärjestelmästä on olemassa kaupallinen sovellus. Tämän tutkielman tavoitteena oli kehittää automaattinen kuntoluokitusjärjestelmä ruokintakioskille lypsykarjan kuntoluokittamista varten, määrittää kuva-analyysiin luotettavuuteen vaikuttavia tekijöitä ja selvittää miten hyvin lehmän selän pinta-alalla ja korkeudella voidaan mallintaa kuntoluokkaa. Tutkimuksen aineisto kerättiin Luonnonvarakeskuksen tutkimusnavetassa Maaningalla asentamalla ruokintakioskin sisäänkäynnin päälle videokamera kuvaamaan lehmien selkää yläpuolelta ja mittaamalla lehmien korkeus ruokintakioskissa ultraäänianturilla. 17 holstein- ja 4 ayshire-lehmää kuvattiin ja mitattiin. Videokuvien käsittelyyn ja lehmän selän pinta-alan määrittelyyn kehitettiin algoritmi Matlab-ohjelmistolla. Kuva-analyysi ja pinta-alan määrittely onnistui vain ruskeavalkoisista ayshire-lehmistä. Automaattisen kuva-analyysiin ongelmaksi muodostui mustavalkoisten holstein-lehmien mustan värin ja navetan lantakäytävän mustan kumimaton riittämätön sävyero ja kontrasti. Navetan valaistusolosuhteet eivät olleet riittävät laadukkaiden kuvien tuottamiselle. Kuva-analyysillä määritettyjä onnistuneita havaintoja kertyi vain 7 kappaletta, joten kuntoluokkaa ei onnistuttu mallintamaan. Tässä tutkimuksessa käytetty menetelmä kuitenkin vahvistaa aikaisemmissa kuva-analyysiin perustuvissa tutkimuksissa havaittuja haasteita ja tuloksia osittain. Lehmän selän pinta-alan ja korkeuden käyttäminen kuntoluokitusmallinnuksessa on mahdollista, mutta kuntoluokitusmallinnukseen tulisi saada lisää havaintoja sekä kuvaus- ja mittauslaitteisto tulisi sijoittaa paremmin.The increasing stock sizes and generalization of automatic milking systems have decreased the contacts between animals and humans and also decreased the amount of working time that can be used to observe cow’s condition. Especially in large stocks body condition scoring is very laborious. Body condition scoring can provide useful information of the cow’s energy reserves and help the farmer to optimize the cow’s feeding and thus milk production. Various studies based on automatic image analysis present that body condition scoring can be automated. There is also a commercial application for automatic body condition score. The aim of this study was to develop an automatic machine vision-based body condition scoring (BCS) system in feeding station for dairy cows, determine which variables can affect to the reliability of image analysis and how well the rear area of the cow’s back and cow’s height correlate to the cow’s BCS. 17 holstein- and 4 ayshire-cows were filmed and measured in Natural Resources Institute Finland’s research farm. A video camera was installed above to feeding stations entrance to film the cow’s rear back area and an ultrasonic-sensor was installed inside the feeding station to measure cow’s height. An algorithm was developed by using a Matlab-platform for the image analysis to detect and extract the cow’s rear back from the image and to measure the area of the cow’s rear back. The image analysis managed to detect and extract reliably only brown-white ayshire-cows from the image. A problem occurred with the black-white holstein-cows. The hue and contrast between the holstein’s black color and the background of the image was not sufficient. The lack of hue and contrast was mainly caused because of the dim light conditions of the barn. Because of the failure in image acquisition and image analysis only 7 observations of the cow’s back area were sufficient. In the present studies the number of observations was not enough to model cow’s body condition score reliably. However the method used in this study confirms the challenges in image analysis and results observed in previous studies. The use of cow’s rear back’s area and height in BCS is plausible, but the method needs more observations and better placement of the filming and measuring devices.
Subject: Lypsykarja
kuntoluokitus
kuva-analyysi
automaatio
konenäkö


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show full item record