Kolmiulotteisen kiihtyvyysanturin ja älykkäiden laskentamenetelmien käyttö lypsylehmien käyttäytymisen mallintamisessa

Authors

• Paula Martiskainen Itä-Suomen yliopisto, Biotieteiden laitos, PL 1627, 70211 Kuopio
• Jukka-Pekka Skön Itä-Suomen yliopisto, Ympäristötieteen laitos, PL 1627, 70211 Kuopio
• Mikko Järvinen Itä-Suomen yliopisto, Biotieteiden laitos, PL 1627, 70211 Kuopio
• Jarkko Tiirikainen Itä-Suomen yliopisto, Ympäristötieteen laitos, PL 1627, 70211 Kuopio
• Mikko Kolehmainen Itä-Suomen yliopisto, Ympäristötieteen laitos, PL 1627, 70211 Kuopio
• Jaakko Mononen Itä-Suomen yliopisto, Biotieteiden laitos, PL 1627, 70211 Kuopio

DOI: https://doi.org/10.33354/smst.75781

Keywords:

lypsykarja, naudat, kiihtyvyysanturi, tukivektorikone, käyttäytymisen mittaaminen

Abstract

Karjakokojen kasvaessa on pakko turvautua yhä useammin eläintuotannon pitkälle menevään automatisointiin. Kiihtyvyysantureiden avulla voi olla mahdollista seurata tarkasti myös eläinten käyttäytymistä ja siten tehdä arvioita eläinten hyvinvoinnin tasosta. Tutkimme kiihtyvyysanturin käyttömahdollisuuksia lypsylehmien käyttäytymisen mittaamisessa.
Tutkimuksessa käytettiin kolmiulotteista kiihtyvyysanturia (ADXL330, Analog Devices), joka kiinnitettiin 30 lypsylehmän kaulapannan niskapuolelle. Kiihtyvyyttä mitattiin 10 Hz taajuudella. Kiihtyvyysarvojen tulkitsemista varten lehmien käyttäytymistoiminnoista tehtiin havaintoja suoraan navetassa sekä videolta. Analysoitavia käyttäytymistoimintoja olivat seisominen (havaintojen lukumäärä 1356; havainnoitujen lehmien lukumäärä 30), makaaminen (1150; 30), makuulla märehtiminen (1411; 30), säilörehun syöminen (1017; 30), käveleminen normaalisti (568; 6), ontuminen (571; 9), makuulle laskeutuminen (63; 18) ja ylös nouseminen (101; 18). Käyttäytymishavaintojen kanssa samanaikaisesti kerätyistä kiihtyvyysmittauksista laskettiin 28 piirrettä (keskiarvo, keskihajonta, vinous, huipukkuus, maksimiarvo, minimiarvo ja energia kullekin kiihtyvyysanturin kolmelle akselille; akselien kiihtyvyysarvojen väliset korrelaatiot ja vektorin pituus) käyttäen laskennassa 10 sekunnin aikaikkunaa. Piirrevektorien saamat arvot skaalattiin nollan ja yhden välille. Aineisto luokiteltiin tukivektorikoneella (Support vector machine) yhdistämällä kahdeksan kaksiluokkaista luokittelijaa. Luokittelijan opetuksessa käytettiin 70 % ja testauksessa 30 % aineistosta.
Luokittelumallien ulkoinen tarkkuus (accuracy) oli kaikilla malleilla hyvä (87–99 %). Luokittelun onnistumista tarkasteltiin sisäisen tarkkuuden (precision) avulla, joka kertoo, kuinka suuren osuuden esimerkiksi havaituista seisomistapauksista malli myös luokittelee seisomiseksi. Luokittelumalli tunnisti käyttäytymistoiminnoista parhaiten makuulla märehtimisen (tehdyistä havainnoista 86 % luokiteltiin oikein), makaamisen (83 %), säilörehun syömisen (81 %) ja normaalisti kävelemisen (79 %). Hiukan heikommin tunnistettiin ontuminen (66 %) ja seisominen (65 %). Makuulle laskeutumisen (0 %) ja ylös nousemisen (29 %) tunnistaminen aineistosta ei onnistunut mallintamiseen käytettyjen havaintojen vähäisen lukumäärän vuoksi.
Käyttämämme luokittelumalli ei näytä sellaisenaan sopivan lyhytkestoisten käyttäytymistoimintojen mallintamiseen. Käytetyt luokittelumallit vaativatkin vielä kehittämistä luotettavampien tulosten saavuttamiseksi. Kiihtyvyysanturin hyödyntäminen lypsylehmien käyttäytymisen seurannassa on tulostemme perusteella kuitenkin mahdollista.