Video-gebaseerde detectie van rundveegedrag voor ontwikkeling van digitale tweelingen in precisie-melkveesystemen

Waarom het Kijken naar Koeien Belangrijk Is

Op moderne melkveebedrijven is weten wat elke koe doet — eten, rusten, drinken of herkauwen — direct gekoppeld aan melkproductie, gezondheid en welzijn. Toch hebben boeren zelden de tijd om elk dier continu in de gaten te houden. Deze studie toont hoe gewone stalcamera’s, gecombineerd met geavanceerde computervisie, automatisch het dagelijkse leven van koeien kunnen volgen en die informatie kunnen voeden in een digitale “virtuele tweeling” van de kudde. Dergelijke systemen kunnen boeren helpen om voeding te verfijnen, ziektes eerder te ontdekken en de veestapel efficiënter te beheren, zonder dat er apparaten aan de dieren bevestigd hoeven te worden.

Van de Werkelijke Stal naar een Virtuele Kudde

De onderzoekers wilden de gedragsmatige “ogen en oren” bouwen voor een digitale tweeling van een melkveestal — een virtueel model van een stal en haar koeien dat bijna realtime wordt bijgewerkt. Ze richtten zich op zeven alledaagse activiteiten die het meest van belang zijn voor gezondheid en productie: staan, liggen, voeren terwijl staand, voeren terwijl liggend, drinken en herkauwen (rumineren) terwijl staand of liggend. In plaats van te vertrouwen op draagbare sensoren, gebruikten ze bovenliggende en schuine beveiligingscamera’s in een commerciële ligbox-achtige stal met ongeveer 80 Holsteins. Continu videomateriaal werd omgezet in korte, 10-seconden clips gecentreerd op individuele koeien, en vormde zo het ruwe materiaal om computers te leren herkennen wat elk dier deed.

Computers Leren Koeengedrag te Herkennen

Het omzetten van ruwe beelden in bruikbare data vereiste meerdere stappen. Eerst vond een objectdetectiesysteem automatisch koeien in elk frame, en een volgalgoritme hield de identiteit van elke koe consistent terwijl ze bewoog, ook wanneer ze deels verborgen was. Het programma sneed vervolgens elke koe uit en schaalde de beelden naar gestandaardiseerde videoclips. Menselijke experts labelden bijna 5.000 van deze clips met het juiste gedrag, met duidelijke visuele regels en wederzijdse controle om consistentie te waarborgen. Omdat koeien van nature meer tijd liggen en staan dan drinken of herkauwen, breidde het team de zeldzamere gedragingen zorgvuldig uit met digitale “augmentatie” — subtiele spiegels, uitsneden, helderheidsaanpassingen en timingwijzigingen — om een meer gebalanceerde trainingsset van ongeveer 9.600 clips te creëren.

Hoe het Systeem Patronen in de Tijd Ziet

Om gedragingen te detecteren vergeleek het team twee leidende families van video-analysemodellen. Het ene, SlowFast, bootstelt twee kijk-snelheden tegelijk na: een “langzame” route die houding over langere periodes ziet en een “snelle” route die zich richt op snelle hoofdbewegingen. Het andere, TimeSformer, gebruikt aandachtmechanismen die oorspronkelijk voor taalmodellen zijn ontwikkeld om over ruimte en tijd heen te kijken en te bepalen welke delen van elk frame en welke momenten in een clip het meest belangrijk zijn. Toen getraind op de stalvideo’s presteerde TimeSformer iets beter dan SlowFast: het classificeerde gedragingen correct in ongeveer 85% van de gevallen en deed dat snel genoeg voor realtime gebruik op één moderne grafische processor. Visualisaties toonden dat het model van nature focuste op het hoofd en de bek van de koe tijdens voeren en drinken, en op de romp en poten bij liggen of staan — overeenkomstig hoe een menselijke waarnemer gedrag zou beoordelen.

Van Gedragsstromen naar Bedrijfsbeslissingen

Zodra het systeem gedragingen per clip kon herkennen, bouwden de onderzoekers een volledige pijplijn die continu op stalvideo draait. Het programma volgt elke koe in de tijd, past een schuivend venster toe op de video en gladstrijkt momentary fouten zodat korte glitches niet als snelle statuswisselingen verschijnen. De output is een overzichtelijke tijdlijn voor elk dier: wanneer ze voedde, lag, stond, dronk of herkauwde, samen met hoe lang elke sessie duurde en hoe zeker het systeem was. Deze gestructureerde logs kunnen rechtstreeks worden gelezen door voederingsmodellen op het bedrijf die voeropname uit voederduur schatten, en ze kunnen een 3D-digitale tweeling aandrijven in een spelachtige omgeving die virtuele koeien hun acties van de echte tegenhangers laat spiegelen. In een 24-uurs casestudie van één koe reconstrueerde het systeem haar volledige dagactiviteiten en schatte op basis van voederduur plus basisdierinformatie hoeveel droogvoer ze waarschijnlijk verbruikte.

Wat Dit Betekent voor Toekomstige Melkveebedrijven

De studie toont aan dat goedkope camera’s en zorgvuldig ontworpen videomodellen doorlopende gedragsregistraties per koe kunnen leveren die nauwkeurig genoeg zijn om te dienen als de sensorische laag van een digitale tweeling. Hoewel het werk nog niet automatisch beslissingen neemt — zoals rantsoenwijzigingen of het waarschuwen van personeel bij ziekte — levert het de cruciale inputstroom waarop die hogere-niveau hulpmiddelen vertrouwen. Naarmate de benadering wordt uitgebreid naar meer open stalontwerpen en gecombineerd met andere sensoren, zouden boeren een gedetailleerd, altijd-aan beeld van het dagelijkse ritme van hun dieren kunnen krijgen, wat een vriendelijker en preciezer beheer mogelijk maakt dat zowel koeien als het milieu ten goede komt.

Bronvermelding: 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

Trefwoorden: precisie veehouderij, computervisie, gedrag van melkvee, digitale tweeling, monitoring van dierenwelzijn