Abstrakt

Bewertung des Body Condition Scores von Holstein-Friesian-Mischlingskühen auf Basis von Deep Learning

Shriramulu*, Heartwin A. Pushpadass, Magdaline Eljeeva Emerald Franklin, Manimala Kanagaraj, Jeyakumar Sakthivel, Sivaram Muniandy, Ramesha P. Kerekoppa

Der Body Condition Score (BCS) ist ein Maß für den Körperfettanteil oder die gespeicherte Energie einer Milchkuh. Er ist ein wichtiges Instrument in der Betriebsführung, um die Gesundheit der Kühe, ihre Fortpflanzungsleistung und ihre Milchleistung zu verbessern. Traditionell wird der BCS visuell von Veterinärexperten durchgeführt, was zeit- und kostenintensiv ist. Daher wurde in dieser Studie ein auf einem Convolutional Neural Network (CNN) basierendes System vorgeschlagen, um den BCS von Kühen durch Bildanalyse zu automatisieren. Die Software GNU Image Manipulation Program (GIMP) wurde verwendet, um den Hintergrund von digital aufgenommenen Bildern von Kühen zu entfernen und ein MATLAB-Skript wurde implementiert, um ihre Kanten zu erkennen. Schließlich dienten die kantenerkannten Bilder als Eingabedatensatz für die Entwicklung von CNN-basierten Deep-Learning-Modellen. Der Bilddatensatz wurde anhand des inkrementellen BCS-Systems von 0,25 (CNN-Modell 1) und 0,5 (CNN-Modell 2) in zwei Gruppen eingeteilt. Die Klassifizierungsgenauigkeit des ersten Modells für Fehlerbereiche von 0,25 und 0,50 betrug 63,23 % bzw. 85,29 %. Im Vergleich dazu erreichte das zweite Modell für die jeweiligen Fehlerbereiche eine Klassifizierungsgenauigkeit von 86,02 % bzw. 94,85 %. Basierend auf den Ergebnissen waren die CNN-Modelle für den mittleren Bereich der BCS-Werte, in dem die Daten die meisten Kühe enthalten, angemessen. Daher würden die entwickelten Modelle für kommerzielle Milchviehbetriebe, die normalerweise keine Kühe mit niedrigem oder hohem BCS haben, effektiv funktionieren, da diese nicht sehr produktiv wären.