Rilevamento del comportamento dei bovini tramite video per lo sviluppo di gemelli digitali nei sistemi di precision dairy

Perché osservare le mucche conta

Nelle stalle moderne, sapere cosa fa ogni bovina — mangiare, riposare, bere o ruminare — è direttamente collegato alla produzione di latte, alla salute e al benessere. Eppure gli allevatori raramente hanno il tempo di osservare ogni animale 24 ore su 24. Questo studio mostra come normali telecamere di stalla, combinate con tecniche avanzate di computer vision, possano tracciare automaticamente la vita quotidiana delle bovine e alimentare un «gemello virtuale» della mandria. Questi sistemi potrebbero aiutare gli agricoltori a ottimizzare l’alimentazione, intercettare le malattie prima e gestire le mandrie in modo più efficiente, tutto senza dover applicare dispositivi sugli animali.

Dalla stalla reale alla mandria virtuale

I ricercatori si sono posti l’obiettivo di costruire gli “occhi e le orecchie” comportamentali per un gemello digitale della stalla — un modello virtuale della stalla e delle sue bovine che si aggiorna in tempo quasi reale. Si sono concentrati su sette attività quotidiane che influenzano maggiormente salute e produzione: stare in piedi, essere sdraiate, alimentarsi da in piedi, alimentarsi da sdraiate, bere e ruminare (masticare il bolo) da in piedi o da sdraiate. Invece di basarsi su sensori indossabili, hanno utilizzato telecamere a soffitto e angolate in una stalla a stalli fissi in stile commerciale che ospitava circa 80 bovine Holstein. Il video continuo è stato trasformato in brevi clip di 10 secondi incentrate sulle singole bovine, costituendo il materiale grezzo per addestrare i computer a riconoscere cosa stava facendo ogni animale.

Insegnare ai computer a riconoscere il comportamento delle bovine

Trasformare le riprese in dati utili ha richiesto diversi passaggi. Innanzitutto, un sistema di rilevamento degli oggetti individuava automaticamente le bovine in ogni fotogramma e un algoritmo di tracciamento manteneva l’identità di ciascuna bovina mentre si muoveva, anche quando parzialmente nascosta. Il programma ritagliava quindi e ridimensionava ogni bovina in clip video standardizzate. Esperti umani hanno etichettato quasi 5.000 di queste clip con il comportamento corretto, usando regole visive chiare e controllando a coppie il lavoro reciproco per garantire coerenza. Poiché le bovine trascorrono naturalmente più tempo sdraiate o in piedi rispetto a bere o ruminare, il team ha ampliato con cura i comportamenti più rari mediante «augmentation» digitale — lievi ribaltamenti, ritagli, variazioni di luminosità e aggiustamenti temporali — per creare un set di addestramento più bilanciato di circa 9.600 clip.

Come il sistema vede i modelli nel tempo

Per individuare i comportamenti, il team ha confrontato due famiglie principali di modelli di analisi video. Uno, chiamato SlowFast, imita due velocità di visione contemporanee: un percorso “lento” che coglie la postura su intervalli più lunghi e un percorso “veloce” che si concentra sui rapidi movimenti della testa. L’altro, TimeSformer, utilizza meccanismi di attenzione sviluppati originariamente per i modelli linguistici per esaminare spazio e tempo, decidendo quali parti di ogni fotogramma e quali momenti di una clip siano più rilevanti. Addestrato sui video della stalla, TimeSformer ha ottenuto risultati leggermente migliori di SlowFast, classificando correttamente i comportamenti circa l’85% delle volte e con velocità sufficiente per l’uso in tempo reale su una singola moderna unità di elaborazione grafica. Le visualizzazioni hanno mostrato che il modello si concentra naturalmente sul muso e sulla testa della bovina durante l’alimentazione e il bere, e sul torso e sulle zampe per lo stare sdraiate o in piedi, in linea con il giudizio di un osservatore umano.

Dai flussi di comportamento alle decisioni in azienda

Una volta che il sistema ha potuto riconoscere i comportamenti clip per clip, i ricercatori hanno costruito un’intera pipeline che gira in modo continuo sui video della stalla. Il programma segue ogni bovina nel tempo, applica una finestra scorrevole al video e smussa i passi falsi momentanei in modo che brevi glitch non appaiano come cambi di stato rapidissimi. L’output è una timeline pulita per ogni animale: quando si è alimentata, sdraiata, in piedi, ha bevuto o ha ruminato, insieme alla durata di ogni episodio e alla confidenza del sistema. Questi registri strutturati possono essere letti direttamente dai modelli nutrizionali aziendali che stimano l’assunzione di mangime dal tempo di alimentazione, e possono alimentare un gemello digitale 3D in un ambiente simile a un gioco che mostra bovine virtuali che rispecchiano le azioni delle controparti reali. In uno studio di caso di 24 ore su una bovina, il sistema ha ricostruito l’intera giornata di attività e ha usato la durata dell’alimentazione più informazioni di base sull’animale per stimare quanto mangime secco avesse probabilmente consumato.

Cosa significa per le aziende lattiero-casearie del futuro

Lo studio dimostra che telecamere poco costose e modelli video ben progettati possono fornire registri comportamentali continui per capo sufficientemente accurati da servire come livello sensoriale di un gemello digitale lattiero-caseario. Pur non automatizzando ancora le decisioni — come cambiare le razioni o allertare il personale in caso di malattia — fornisce il flusso di input cruciale da cui quegli strumenti di livello superiore dipendono. Man mano che l’approccio verrà esteso a progetti di stalle più aperte e combinato con altri sensori, gli allevatori potrebbero ottenere una vista dettagliata e sempre attiva dei ritmi quotidiani degli animali, permettendo una gestione più delicata e precisa che avvantaggia sia le bovine sia l’ambiente.

Citazione: Rao, S., Garcia, E. & Neethirajan, S. Video-based cattle behaviour detection for digital twin development in precision dairy systems. npj Vet. Sci. 1, 3 (2026). https://doi.org/10.1038/s44433-026-00004-x

Parole chiave: allevamento di precisione, computer vision, comportamento delle bovine da latte, gemello digitale, monitoraggio del benessere animale