Upptäckt av halta nötkreatur med djupbild och djupinlärning

Varför ömma fötter hos kor berör oss alla

Kor som går och har ont kan låta som ett smalt lantbruksproblem, men hälta i mjölkkor driver tyst upp mjölkproduktionens kostnader, förkortar djurens liv och väcker allvarliga välfärdsfrågor. Traditionellt har det att upptäcka en halt ko förlitat sig på ett vaksamt mänskligt öga och mycket tid i ladugården—något många upptagna gårdar inte kan erbjuda varje dag. Denna artikel beskriver ett kamerasystem som automatiskt observerar kor när de lämnar mjölkningsterminalen, och med hjälp av djupbilder och artificiell intelligens dygnet runt markerar tidiga tecken på problem.

Från trånga ladugårdar till ständig varsam övervakning

Hälta drabbar ungefär en av fem mjölkkor globalt och kan nå betydligt högre nivåer i vissa besättningar. Den minskar mjölkavkastningen, skadar fertiliteten och kan tvinga lantbrukare att avliva djur i förtid, vilket kostar hundratals dollar per ko varje år. Ändå är lammhetens vetenskap långt före vad som faktiskt händer på de flesta gårdar: bönder underskattar ofta hur många kor som har ont, och expertskattningar är tidskrävande och subjektiva. Tidigare tekniker försökte hjälpa genom att placera kraftplattor i gångar eller fästa rörelsesensorer på djur, men dessa lösningar kan vara dyra, påträngande och svåra att skala upp. Författarna vänder sig istället till ”precisionsjordbruk för djur” med en icke-kontakt, takmonterad djupkamera som ser det tredimensionella formen av varje ko när den går naturligt längs en led.

Hur ett takmonterat öga läser en kos rygg

På två kommersiella mjölkgårdar i Japan monterades en enda time-of-flight-djupkamera ovanför den smala passage som kor använder när de återvänder från mjölkningen. När varje djur går under kameran spelar den in en översiktlig djupbild: i praktiken en höjdkarta som visar konturen av kons rygg. Systemet isolerar först varje ko från bakgrunden med en avancerad modell för "instance segmentation". Efter att ha testat flera alternativ fann forskarna att en modern YOLO-baserad modell gav både mycket hög noggrannhet och snabb bearbetning, och korrekt upptäckte och avgränsade kor i mer än 99% av bildrutorna samtidigt som den hanterade tiotals bilder per sekund—tillräckligt snabbt för realtidsanvändning i en trång ladugård.

Följa varje ko och omvandla hållning till ett smärtsignal

Att upptäcka kor är bara början; systemet måste också hålla reda på vem som är vem när flera djur passerar genom gången. För detta designade författarna en serie skräddarsydda multiobjektspårningsalgoritmer som successivt förbättrade hur väl systemet bevarar varje kos identitet över tid. Slutversionen använder inte bara överlappning mellan rutor utan även hur länge en ko har spårats och om den rör sig vänster-till-höger eller höger-till-vänster. Denna enkla men smarta användning av riktning eliminerade nästan helt identitetsblandningar och nådde cirka 99,9% spårningsnoggrannhet på dagenheter och på båda gårdarna.

Lära datorn vad "stel och öm" ser ut som

Kärnan i hältadetektering ligger i form och rörelse i kons rygg. Smärta i fötter eller ben leder ofta till en mer bågad eller ojämn ryggrad när djuret försöker avlasta tryck. Istället för att handplocka några geometriska mått omvandlar teamet djupbilden av varje ko till en normaliserad höjdkarta av ryggen, och matar sedan korta sekvenser av dessa kartor till en djupinlärningsmodell. Ett modernt bildnätverk (EfficientNet) lär sig rumsliga mönster i varje bildruta, medan ett Long Short-Term Memory (LSTM)-nätverk fångar hur hållningen utvecklas över flera steg. Med expertskattningar på en fyragradig skala—from ljud till svårt halt—klassificerade den bästa konfigurationen, EfficientNet-B7 plus LSTM på femrutesekvenser, hältpoäng korrekt på osedda kor med cirka 96% noggrannhet och F1-score, trots verkliga utmaningar som klassobalans och varierande gånghastigheter.

Vad detta betyder för kor, bönder och ditt glas mjölk

Tillsammans bildar djupkameran, detektions-, spårnings- och gångbedömningsmodellen ett ända-till-ända, 24/7-övervakningssystem som kan observera varje ko som passerar under det, utan grimma, id-brickor eller speciell golvbeläggning. Författarna menar att ett sådant objektivt och kontinuerligt verktyg kan hjälpa att överbrygga den långvariga klyftan mellan vad forskningen vet om hälta och vad som rutinmässigt praktiseras på gårdar. Genom att tidigare och mer konsekvent flagga riskkor än vad det mänskliga ögat ensam klarar, kan denna teknik minska smärta, sänka kostnader för behandling och avlivning och stödja mer humana och hållbara mjölkproduktionsrutiner. Även om bredare tester på fler gårdar fortfarande behövs, visar studien att en enda takmonterad djupkamera, ihopkopplad med noggrant utformad djupinlärning, kan förvandla en svår manuell uppgift till ett automatiserat skydd för djurvälfärd.

Citering: 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

Nyckelord: nötkreaturs hälta, djupavbildning, precisionsjordbruk för djur, datorseende, övervakning av djurvälfärd