Detectie van kreupelheid bij runderen met dieptebeelden en deep learning

Waarom pijnlijke voeten bij koeien ons allemaal aangaan

Koeien die pijn hebben tijdens het lopen lijken misschien een kleinschalig landbouwprobleem, maar kreupelheid in melkveestanden drijft stilletjes de kosten van melk op, verkort de levensduur van dieren en roept ernstige welzijnsvragen op. Traditioneel berust het signaleren van een mankende koe op een scherp mensenoog en veel tijd in de stal—iets wat veel drukke bedrijven niet dagelijks kunnen bieden. Dit artikel beschrijft een op camera gebaseerd systeem dat koeien automatisch volgt wanneer ze de melkkar verlaten, en dat met behulp van dieptebeelden en kunstmatige intelligentie vroegtijdige tekenen van problemen dag en nacht signaleert.

Van drukke stallen naar constante, zachte observatie

Kreupelheid treft wereldwijd ongeveer één op de vijf melkkoeien en kan in sommige bedrijven veel hoger voorkomen. Het vermindert melkproductie, schaadt de vruchtbaarheid en kan boeren dwingen dieren voortijdig te ruimen, wat honderden dollars per koe per jaar kan kosten. Toch loopt de wetenschap rond kreupelheid ver vooruit op wat er op de meeste bedrijven werkelijk gebeurt: boeren schatten vaak het aantal pijnlijke koeien te laag in en deskundige scores zijn tijdrovend en subjectief. Eerdere technologieën probeerden te helpen met krachtplaten in looppaden of bewegingssensoren aan dieren, maar die oplossingen kunnen duur, ingrijpend en moeilijk schaalbaar zijn. De auteurs kiezen in plaats daarvan voor ‘precision livestock farming’ met een contactloze, aan het plafond gemonteerde dieptecamera die de driedimensionale vorm van elke koe vastlegt terwijl ze op natuurlijke wijze door een gang loopt.

Hoe een aan het plafond bevestigde camera de rug van een koe leest

Op twee commerciële melkveebedrijven in Japan werd een enkele time‑of‑flight dieptecamera boven de smalle doorgang gemonteerd die koeien gebruiken bij terugkeer van het melken. Terwijl elk dier eronder doorloopt, legt de camera een van bovenaf genomen dieptebeeld vast: in wezen een hoogtemap die de contour van de koeienrug weergeeft. Het systeem isoleert eerst elke koe van de achtergrond met een geavanceerd “instance segmentation”-model. Na het testen van meerdere opties vonden de onderzoekers dat een modern YOLO‑gebaseerd model zowel extreem hoge nauwkeurigheid als snelle verwerking bood, waardoor koeien in meer dan 99% van de frames correct werden gedetecteerd en omlijnd, en tientallen beelden per seconde konden worden verwerkt—snel genoeg voor realtime gebruik in een drukke stal.

Elke koe volgen en houding omzetten in een pijnsignaal

Het detecteren van koeien is nog maar het begin; het systeem moet ook bijhouden wie wie is terwijl meerdere dieren door de gang stromen. Daartoe ontwierpen de auteurs een reeks aangepaste multi‑object tracking‑algoritmen die geleidelijk verbeterden hoe goed het systeem de identiteit van elke koe in de tijd behoudt. De uiteindelijke versie gebruikt niet alleen overlap tussen kaders maar ook hoe lang een koe gevolgd is en of deze van links‑naar‑rechts of rechts‑naar‑links beweegt. Dit eenvoudige maar slimme gebruik van richting elimineerde bijna alle verwisselingen van identiteit en bereikte ongeveer 99,9% trackingnauwkeurigheid op niet eerder geziene dagen en op beide bedrijven.

De computer leren wat “stijf en pijnlijk” eruitziet

De kern van kreupelheidsdetectie ligt in de vorm en beweging van de koeienrug. Pijn in de voeten of poten leidt vaak tot een meer gebogen of ongelijkmatige wervelkolom terwijl het dier druk probeert te vermijden. In plaats van enkele geometrische maten handmatig te kiezen, zet het team het dieptebeeld van elke koe om in een genormaliseerde hoogtemap van de rug en voert korte reeksen van deze kaarten in een deep‑learning model. Een modern afbeeldingsnetwerk (EfficientNet) leert ruimtelijke patronen in elk frame, terwijl een Long Short‑Term Memory (LSTM) netwerk vastlegt hoe de houding zich over meerdere stappen ontwikkelt. Met deskundige labels op een vierpuntsschaal—van gezond tot ernstig kreupel—classificeerde de beste configuratie, EfficientNet‑B7 plus LSTM op vijf‑frame sequenties, kreupelheidsscores op onbekende koeien met ongeveer 96% nauwkeurigheid en F1‑score, ondanks uitdagingen uit de praktijk zoals klassenonbalans en variabele loopsnelheden.

Wat dit betekent voor koeien, boeren en je glas melk

Samen vormen de dieptecamera, detectie, tracking en gangscoremodel een end‑to‑end 24/7 monitoringssysteem dat elke koe die eronder doorloopt kan volgen, zonder halsters, tags of speciale vloeren. De auteurs stellen dat zo’n objectief en continu hulpmiddel kan helpen de al lang bestaande kloof te dichten tussen wat onderzoekers weten over kreupelheid en wat routinematig op bedrijven gebeurt. Door risicovolle koeien eerder en consistenter te signaleren dan het menselijk oog alleen, kan deze technologie pijn verminderen, behandelings‑ en ruimkosten verlagen en meer humane, duurzame melkproductie ondersteunen. Hoewel bredere tests op meer bedrijven nog nodig zijn, laat de studie zien dat één enkele overhead dieptecamera, gecombineerd met zorgvuldig ontworpen deep learning, een moeilijke handmatige taak kan veranderen in een geautomatiseerde waarborg voor dierenwelzijn.

Bronvermelding: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

Trefwoorden: kreupelheid bij rundvee, dieptebeeldvorming, precisieregiohouderij, computer vision, monitoring van dierenwelzijn