< Terug naar vorige pagina

Project

Ontwikkeling van automatische fysiologische en gedragsbewakingssystemen voor varkens

Het monitoren van gedrag en dierfysiologie spelen een belangrijke rol bij het evalueren van het welzijn van varkens. Conventionele benaderingen voor het uitvoeren van zulke monitoring bestaan enerzijds uit menselijke observaties welke tijdrovend en arbeidsintensief zijn, en anderzijds uit contactsensoren die aan de dieren moeten worden bevestigd, wat op lange termijn niet duurzaam en diervriendelijk is. Het doel van dit proefschrift was het verbeteren van dierenwelzijn door het genereren van nieuwe methoden voor dit monitoren van de fysiologische en gedragsparameters van varkens. Meer specifiek richtte dit proefschrift zich op het ontwikkelen van contactloze video-gebaseerde methoden om de hartslag (HS), ademhalingsfrequentie (AF) en gedragingen van varkens te monitoren.

De eerste doelstelling van dit proefschrift was om bij één varken na te gaan of de fysiologische parameters en gedragingen konden worden geëxtraheerd van en gecontroleerd op basis van Rood, Groen en Blauwe (RGB)-video's. Daartoe werden de video's van een verdoofd en een rustend varken opgenomen terwijl de varkens een elektrocardiogram (ECG's) droegen voor het verzamelen van de gouden standaard (GS) van de hartslag. De HS van de varkens werd geëxtraheerd door de frequentie analyse. In vergelijking met de GS had de geëxtraheerde HS een gemiddelde absolute fout (GAF) van 2,33 slagen per minuut (slagen/min) resulteerde in 2.13% GAF over een gemiddelde HS, een kwadratisch gemiddelde fout (beter gekend in het Engels als de “root mean square error” of RMSE) van 3,09 slagen/min resulteerde in 2.83 % RMSE over een gemiddelde HS, en 67% van de geëxtraheerde HS lag onder de 3.5 slagen/min () voor het verdoofde varken, respectievelijk voor een varken in rust was de GAF 4,69 slagen/min, het kwadratisch gemiddelde fout van 6,43 slagen/min en de  was 57%.Op soortgelijke wijze werd een controle uitgevoerd op het monitoren van gedragingen via video van lacterende zeugen, waarbij elke zeug afzonderlijk werd gehuisvest en de video's van verschillende lichamelijke houdingen werden opgenomen. De gedragingen werden geclassificeerd door de ruimtelijke en temporele kenmerken uit de video's te halen via een deep learning en Principale componenten analyse (PCA). Een nauwkeurigheid van 95,33% en 92,67% werd verkregen op de video's zonder en respectievelijk met biggen. Deze resultaten bevestigen dat de fysiologische parameters en gedragingen kunnen worden gecontroleerd door contactloze RGB-video's. Vergelijkbare resultaten en aanbevelingen kunnen worden verwacht voor video's van andere dieren.

De tweede doelstelling van dit proefschrift was het ontwikkelen van een tracking-algoritme dat in staat is de identificatie (ID) van elk varken in groepshuisvesting te achterhalen en de varkens correct te herindentificeren wanneer ze het veld verlaten en opnieuw verschijnen. Daarom werden extra kenmerken voor heridentificatie (her-ID) geëxtraheerd om het varken met het juiste ID te associëren en niet onderling te verwisselen. Ook werd het totale aantal varkens toegevoegd als een beperking, en werden er drie associaties gemaakt op basis van de Intersectie over Geheel (IoG) en her-ID kenmerken, om te voorkomen dat er te veel ID-nummers werden ingevoerd. Als resultaat had het ontwikkelde tracking-algoritme een tracking-percentage van 16,78% per individu op een 85 minuten durende video, wat veel beter was dan studies waarin geen her-ID kenmerken werden gebruikt. Hoewel er nog ruimte is om de prestaties te verbeteren, kan het ontwikkelde tracking-algoritme tot op zekere hoogte het ID verwisselingsprobleem oplossen en dus worden toegepast op andere gevallen buiten dit veld.

De derde doelstelling van dit proefschrift was om na te gaan of fysiologische parameters gemonitord kunnen worden in groep gehuisveste situaties door de monitoringmethode op één dier te integreren met het tracking-algoritme. Er werd een experiment met 5 in groep gehuisveste varkens uitgevoerd, waarbij 4 varkens een ECG-apparaten droegen voor het verzamelen van de GS en één controlevarken geen band droeg om het effect van de band uit te sluiten. Video's werden continu opgenomen onder verschillende omgevingstemperaturen. De AF van de varkens werd automatisch gecontroleerd, waarbij elk varken eerst werd gedetecteerd via een georiënteerde afbakeningsbox en vervolgens werd de AF geëxtraheerd door analyse van de tijdsafhankelijke kenmerken van het middelste deel van de in drie opgesplitste afbakeningsbox. De vergelijking met de GS toonde een goede overeenkomst met een GAF van 2,38 ademhalingen per minuut (ademhalingen/min) bij de 4 varkens met gordels en 1,72 ademhalingen per minuut bij het controlevarken, een kwadratisch gemiddelde fout van 3,46 ademhalingen per minuut bij de 4 varkens met gordels en 2,26 ademhalingen per minuut bij het controlevarken. Een correlatiecoëfficiënt van 0,92 bij de 4 varkens met gordels en 0,95 bij het controlevarken werd genoteerd. Op basis van de gemeten AF werd een statistische analyse uitgevoerd om de interacties tussen tijd (dag/nacht) en kamertemperatuur op de AF van de varkens te onderzoeken. Daaruit bleek dat er inderdaad verschillen in gemeten AF zijn tussen individuele varkens die blootgesteld werden aan te hoge en lage kamertemperaturen, en tussen dag en nacht, wat erop wijst dat varkens verschillend reageren bij blootstelling aan hitte. Deze resultaten tonen aan dat de geautomatiseerde ademhalingsmonitoring een nuttig instrument kan zijn voor het onderzoeken van de relatie tussen ademhalingsfrequentie en de gezondheid en het welzijn van dieren op individueel niveau bij in groep gehuisveste dieren.

Samengevat toont dit proefschrift aan dat het haalbaar is om een contactloze video-gebaseerde aanpak te gebruiken om de fysiologische parameters en gedrag van varkens wanneer ze individueel of in groep gehuisvest werden te monitoren. Bij het implementeren van deze methode in commerciële boerderijen voor het bepalen van fysiologische en gedragsparameters, is meer moeite nodig voor het verzekeren van de betrouwbaarheid van de implementatie.

Datum:26 sep 2018 →  25 nov 2022
Trefwoorden:Real-time, Monitoring, Physiology, Sensing, Animals
Disciplines:Microbiologie
Project type:PhD project