Wykrywanie kulawizny bydła za pomocą obrazów głębokości i uczenia głębokiego

Dlaczego bolące racice krów mają znaczenie dla nas wszystkich

Krowy chodzące w bólu mogą brzmieć jak niszowy problem gospodarski, lecz kulawizna w stadach mlecznych po cichu zwiększa koszt produkcji mleka, skraca życie zwierząt i rodzi poważne wątpliwości dotyczące dobrostanu. Tradycyjnie wykrywanie kulawizny opierało się na bystrym ludzkim oku i dużej ilości czasu spędzanego w oborze — czego wiele zapracowanych gospodarstw nie jest w stanie zapewnić codziennie. W artykule opisano system kamerowy, który automatycznie obserwuje krowy wychodzące z udoju, używając obrazów głębokości i sztucznej inteligencji do wykrywania wczesnych sygnałów problemów przez całą dobę.

Od zatłoczonych obór do stałej, łagodnej obserwacji

Kulawizna dotyka mniej więcej jednej na pięć krów mlecznych na świecie i w niektórych stadach może osiągać znacznie wyższe poziomy. Obniża wydajność mleczną, szkodzi płodności i zmusza hodowców do przedwczesnego odstrzału zwierząt, co kosztuje setki dolarów na krowę rocznie. Tymczasem wiedza naukowa o kulawiznie jest znacznie bardziej zaawansowana niż praktyki stosowane w większości gospodarstw: rolnicy często nie doceniają liczby cierpiących krów, a eksperckie oceny są czasochłonne i subiektywne. Wcześniejsze rozwiązania starały się pomóc przez instalację płyt siłowych w przejściach lub montowanie czujników ruchu na zwierzętach, ale takie metody bywają drogie, inwazyjne i trudne do skalowania. Autorzy skierowali się w stronę „precyzyjnego rolnictwa zwierzęcego”, stosując bezkontaktową, sufitową kamerę głębokościową, która rejestruje trójwymiarowy kształt każdej krowy, gdy ta przechodzi naturalnie korytarzem.

Jak oko zamontowane pod sufitem odczytuje grzbiet krowy

Na dwóch komercyjnych fermach mlecznych w Japonii jedną kamerę głębokości typu time‑of‑flight zamontowano nad wąskim przejściem, z którego korzystają krowy wracające z doju. Gdy zwierzę przechodzi pod kamerą, ta rejestruje obraz głębokości z widoku z góry: w zasadzie mapę wysokości pokazującą kontur grzbietu krowy. System najpierw izoluje każdą krowę od tła za pomocą zaawansowanego modelu „segmentacji instancji”. Po przetestowaniu kilku opcji badacze stwierdzili, że nowoczesny model oparty na YOLO zapewnia zarówno bardzo wysoką dokładność, jak i szybką pracę, poprawnie wykrywając i obrysowując krowy w ponad 99% klatek, obsługując dziesiątki obrazów na sekundę — wystarczająco szybko, by działać w czasie rzeczywistym w ruchliwej oborze.

Śledzenie każdej krowy i zamiana postawy w sygnał bólu

Wykrycie krów to dopiero początek; system musi także śledzić, kto jest kim, gdy przez korytarz przechodzi wiele zwierząt. W tym celu autorzy zaprojektowali serię niestandardowych algorytmów wieloobiektowego śledzenia, które stopniowo poprawiały zdolność systemu do utrzymania tożsamości każdej krowy w czasie. Ostateczna wersja wykorzystuje nie tylko nakładanie się ramek, ale także czas, przez jaki krowa jest śledzona, oraz kierunek jej ruchu — czy porusza się z lewej na prawą, czy z prawej na lewą. To proste, lecz sprytne wykorzystanie kierunku niemal wyeliminowało pomyłki tożsamości, osiągając około 99,9% dokładności śledzenia na dniach i fermach niewidzianych podczas treningu.

Nauczanie komputera, jak wygląda „sztywność i ból”

Istota wykrywania kulawizny tkwi w kształcie i ruchu grzbietu krowy. Ból w stopach lub nogach często powoduje bardziej wygięty lub nierówny kręgosłup, gdy zwierzę próbuje odciążyć bolesne miejsca. Zamiast ręcznie wybierać kilka pomiarów geometrycznych, zespół konwertuje obraz głębokości każdej krowy na znormalizowaną mapę wysokości grzbietu, a następnie podaje krótkie sekwencje tych map do modelu uczącego się głębokiego. Nowoczesna sieć obrazowa (EfficientNet) uczy się wzorców przestrzennych w każdej klatce, podczas gdy sieć LSTM (Long Short‑Term Memory) wychwytuje, jak postawa zmienia się na przestrzeni kilku kroków. Korzystając z etykiet eksperckich na czteropunktowej skali — od zdrowej do ciężko kulejącej — najlepsza konfiguracja, EfficientNet‑B7 z LSTM na sekwencjach pięcioklatkowych, poprawnie klasyfikowała oceny kulawizny na niewidzianych krowach z około 96% dokładnością i wartością F1, pomimo rzeczywistych wyzwań, takich jak niezrównoważone klasy i zróżnicowane prędkości chodzenia.

Co to oznacza dla krów, hodowców i twojej szklanki mleka

W sumie kamera głębokościowa, wykrywanie, śledzenie i model oceny chodu tworzą kompleksowy, całodobowy system monitoringu, który może obserwować każdą krowę przechodzącą pod urządzeniem, bez potrzeby uprzęży, identyfikatorów czy specjalnej podłogi. Autorzy twierdzą, że takie obiektywne i ciągłe narzędzie może pomóc zmniejszyć od dawna istniejącą przepaść między wiedzą naukową o kulawiznie a praktykami rutynowymi na farmach. Wczesne i bardziej konsekwentne sygnalizowanie krów zagrożonych mogłoby zmniejszyć cierpienie, obniżyć koszty leczenia i odstrzału oraz wspierać bardziej humanitarną, zrównoważoną produkcję mleka. Choć potrzebne są szersze testy na większej liczbie gospodarstw, badanie pokazuje, że pojedyncza sufitowa kamera głębokościowa w połączeniu ze starannie zaprojektowanym uczeniem głębokim może przekształcić trudne, ręczne zadanie w zautomatyzowaną ochronę dobrostanu zwierząt.

Cytowanie: 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

Słowa kluczowe: kulawizna bydła, obrazowanie głębokości, precyzyjne rolnictwo zwierzęce, widzenie komputerowe, monitorowanie dobrostanu zwierząt