| Summary: | Det är viktigt att övervaka status för mjölkkor från ett djurskydds- och mjölkbondens ekonomiska perspektiv, speciellt för storskaliga lantbruk och automatiska mjölkgårdar. Kobeteende är en indikator på kons välfärd och djurhälsa. I den här rapporten har data samlats in från kor i en mjölkgårdsmiljö och aktivitetsigenkänning har tillämpats för att automatiskt mäta daglig idisslingstid och upptäcka brunst i uppbundna kor. Målet är en produkt som ska uppfylla kraven på noggrannhet, batteritid, robusthet och detaljnivå. Därför har flera systemaspekter beaktats beträffande val av hårdvara, mjukvara och kommunikation.I metoden ingår en två veckors period i en mjölkgård med sensordatainsamling och observation följt av en fem veckors period i ytterligare en mjölkgård med sensordatainsamling och observation med övervakningskamera. Flera algoritmer och signalegenskaper testades för idisslingsövervakning och utvärderas mot varandra med avseende på sensitivitet, specificitet och beräkningsbelastning.Slutsatsen är att de signaler som krävs för att upptäcka idissling är tillgängliga med hjälp av en accelerometer på halsbandet och det är möjligt att nå 96 % sensitivitet och 94 % specificitet med hjälp av dessa sensordata, men de bästa algoritmerna misstänks dra för mycket energi för att klara kravet om 10 års batteritid i en produkt. Det visade sig att en accelerometer på kragen inte gör det möjligt att upptäcka läggningar och ställningar som ett mått på brunst i uppbundna kor. Den externa validiteten behöver testas för detektering av idissling. Nya metoder behöver utforskas för att detektera brunst hos uppbundna kor. Algoritmer borde testas på en den tilltänkta mikrokontrollern så att noggrannare analyser kan göras för batteritid och beräkningskapacitet. === It is important to monitor status of dairy cows from an animal welfare and dairy farmer economic point of view, especially for large-scale farming and automatic milking dairies. Cow behavior is an indicator of cow welfare and cow health. In this thesis, data has been gathered from cows in a dairy farm environment and activity recognition has been implemented in order to automatically measure daily rumination time and detect heat in tied-up cows. The goal is a product that must fulfill requirements on accuracy, battery life, robustness and level of detail. Therefore, multiple system aspects have been considered concerning choice of hardware, software and communication.The method included a 2 week period in a dairy farm with sensor data gathering and observation, physically in front of the cows, followed by another 5 week period in another dairy farm with sensor data gathering and observation using surveillance camera. Multiple algorithms and signal features were tested for rumination monitoring and evaluated against each other with respect to sensitivity, specificity and computational load.The conclusion is that the signals required for detecting rumination are available using an accelerometer on the collar and it is possible to reach 96 % sensitivity and 94 % specificity using this sensor data, but the best algorithms are suspected to draw too much energy in order to comply with the requirement of 10 years of battery life in a product. It turned out that an accelerometer on the collar is not feasible for detecting lie-downs and stand-ups as a measure of heat in tied-up cows.The external validity needs to be tested for rumination detection. New methods need to be explored for detecting heat in tied-up cows. Algorithms should be tested on the intended microcontroller so that more thorough analysis can be made with respect to battery life and computational capacity.
|
|---|
