Wykrywanie zachowań bydła na podstawie wideo do tworzenia cyfrowych bliźniaków w precyzyjnych systemach mleczarskich

Dlaczego obserwacja krów ma znaczenie

W nowoczesnych gospodarstwach mlecznych wiedza o tym, co robi każda krowa — czy je, odpoczywa, pije, czy żuje treść — jest bezpośrednio powiązana z wydajnością mleczną, zdrowiem i dobrostanem. Rolnicy rzadko jednak mają czas, by przez całą dobę obserwować każde zwierzę. W badaniu wykazano, że zwykłe kamery w oborze w połączeniu z zaawansowaną wizją komputerową mogą automatycznie śledzić codzienne zachowania krów i zasilać tym dane cyfrowy „wirtualny bliźniak” stada. Takie systemy mogą pomóc rolnikom precyzować żywienie, wykrywać choroby wcześniej i zarządzać stadem bardziej efektywnie — bez konieczności zakładania urządzeń na zwierzęta.

Z prawdziwej obory do wirtualnego stada

Naukowcy postawili sobie za cel zbudowanie „oczu i uszu” behawioralnych dla cyfrowego bliźniaka mleczarni — wirtualnego modelu obory i jej krów aktualizowanego niemal w czasie rzeczywistym. Skoncentrowali się na siedmiu codziennych zachowaniach, które mają największe znaczenie dla zdrowia i produkcji: stanie, leżeniu, jedzeniu na stojąco, jedzeniu na leżąco, piciu oraz żuciu treści (ruminacji) na stojąco lub leżąco. Zamiast opierać się na czujnikach noszonych przez zwierzęta, wykorzystali kamery sufitowe i skośne kamery bezpieczeństwa w komercyjnej oborze typu przywiązkowego, mieszczącej około 80 krów rasy Holsztyn. Ciągły zapis wideo został podzielony na krótkie, 10‑sekundowe klipy skupione na pojedynczych krowach, które stały się surowcem do nauczania komputerów rozpoznawania zachowań.

Nauczanie komputerów rozpoznawania zachowań krów

Przekształcenie surowego materiału w użyteczne dane wymagało kilku etapów. Najpierw system detekcji obiektów automatycznie odnajdywał krowy w każdej klatce, a algorytm śledzenia utrzymywał tożsamość każdej krowy, gdy się poruszała, nawet gdy była częściowo zasłonięta. Program następnie wykadrował i przeskalował obraz każdej krowy do ustandaryzowanych klipów wideo. Eksperci ludzie oznaczyli prawie 5 000 takich klipów z właściwym zachowaniem, stosując jasne reguły wizualne i wzajemnie sprawdzając swoją pracę, aby zapewnić spójność. Ponieważ krowy naturalnie spędzają więcej czasu na leżeniu i staniu niż na piciu czy ruminacji, zespół ostrożnie powiększył próbki rzadszych zachowań za pomocą cyfrowej „augmentacji” — subtelnych odbić, przycięć, zmian jasności i korekt w czasie — aby stworzyć bardziej zrównoważony zestaw treningowy liczący około 9 600 klipów.

Jak system dostrzega wzorce w czasie

Aby wykrywać zachowania, zespół porównał dwie wiodące rodziny modeli analizy wideo. Jeden, nazwany SlowFast, naśladuje jednoczesne oglądanie na dwóch prędkościach: „wolna” ścieżka obserwująca postawę na dłuższych odcinkach i „szybka” ścieżka skupiona na szybkich ruchach głowy. Drugi, TimeSformer, używa mechanizmów uwagi opracowanych pierwotnie dla modeli językowych, aby spojrzeć przez przestrzeń i czas, decydując, które części każdej klatki i które momenty w klipie są najważniejsze. Po wytrenowaniu na nagraniach z obory TimeSformer nieznacznie przewyższył SlowFast, poprawnie klasyfikując zachowania około 85% czasu i działając wystarczająco szybko, by zastosować go w czasie rzeczywistym na jednym współczesnym procesorze graficznym. Wizualizacje pokazały, że model naturalnie koncentrował się na głowie i pysku krowy podczas jedzenia i picia oraz na tułowiu i nogach podczas leżenia lub stania — zgodnie z tym, jak oceniałby to obserwator ludzki.

Z przepływów zachowań do decyzji gospodarstwa

Gdy system potrafił rozpoznawać zachowania klip po klipie, badacze zbudowali pełną linię przetwarzania działającą ciągle na nagraniach z obory. Program śledzi każdą krowę w czasie, stosuje przesuwane okno na wideo i wygładza chwilowe błędy, tak by krótkie zakłócenia nie pojawiały się jako szybkie zmiany stanu. Wynikiem jest czysta oś czasu dla każdego zwierzęcia: kiedy jadła, leżała, stała, piła lub ruminowała, wraz z długością każdej sesji i zaufaniem systemu do klasyfikacji. Te uporządkowane logi mogą być odczytywane bezpośrednio przez modele żywieniowe gospodarstwa, które szacują pobranie paszy na podstawie czasu żerowania, oraz mogą napędzać trójwymiarowego cyfrowego bliźniaka w środowisku przypominającym grę, który pokazuje wirtualne krowy naśladujące działania ich realnych odpowiedników. W 24‑godzinnym studium przypadku jednej krowy system odtworzył cały jej dzień aktywności i na podstawie czasu jedzenia oraz podstawowych informacji o zwierzęciu oszacował prawdopodobne spożycie paszy suchej.

Co to oznacza dla przyszłych gospodarstw mlecznych

Badanie pokazuje, że niedrogie kamery i starannie zaprojektowane modele wideo mogą dostarczać ciągłych, przypadających na każdą krowę rejestrów zachowań na tyle dokładnych, by służyć jako warstwa sensoryczna cyfrowego bliźniaka gospodarstwa mlecznego. Choć praca nie automatyzuje jeszcze decyzji — takich jak zmiana dawek paszy czy alarmowanie personelu o chorobie — dostarcza kluczowego strumienia danych, na którym opierać się będą narzędzia wyższego poziomu. W miarę rozszerzania podejścia na bardziej otwarte układy obór i łączenia go z innymi czujnikami, rolnicy mogliby uzyskać szczegółowy, ciągły obraz dobowych rytmów swoich zwierząt, umożliwiając łagodniejsze i bardziej precyzyjne zarządzanie korzystne zarówno dla krów, jak i dla środowiska.

Cytowanie: 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

Słowa kluczowe: precyzyjne hodowle zwierząt gospodarskich, wizja komputerowa, zachowanie krów mlecznych, cyfrowy bliźniak, monitoring dobrostanu zwierząt