Il monitoraggio del comportamento delle vacche da latte è essenziale per garantire benessere, produttività e gestione efficiente degli allevamenti. Con l’avanzare del deep learning, nuovi modelli permettono di riconoscere attività e segnali di stress anche in condizioni ambientali complesse, aprendo la strada a sistemi di controllo più precisi e sostenibili. Di seguito l’approfondimento.
Il comportamento quotidiano delle vacche da latte riveste un’importanza fondamentale, poiché è strettamente legato alla loro salute, alla produzione di latte e alla riproduzione della prole. In Cina, l’allevamento da latte occupa una posizione cruciale nello sviluppo del settore zootecnico. Svolge un ruolo vitale nel miglioramento della dieta della popolazione, nel potenziamento della qualità della vita e nel rafforzamento della forma fisica. Con il continuo innalzamento degli standard di vita nazionali e la crescita dell’industria lattiero-casearia nazionale, le richieste di prodotti lattiero-caseari di qualità sono diventate sempre più rigorose. Tuttavia, l’attuale stato dell’allevamento da latte su larga scala in Cina è caratterizzato da diverse problematiche. La gestione rimane approssimativa, mancano meccanismi di percezione rapida dei comportamenti di stress delle vacche e il controllo dell’automazione è inadeguato. Queste carenze pongono sfide significative allo sviluppo sostenibile ed efficiente dell’industria dell’allevamento da latte.
Il deep learning, grazie alle sue straordinarie capacità nel riconoscimento dei modelli e nell’analisi dei dati, si è affermato come uno strumento potente ed è stato ampiamente applicato nel campo del riconoscimento del comportamento animale. Questa tecnologia consente alle aziende lattiero-casearie di ottenere un riconoscimento del comportamento delle vacche altamente affidabile utilizzando solo sistemi di videosorveglianza a basso costo. Tuttavia, permangono ancora numerosi ostacoli da superare. L’acquisizione di set di dati su larga scala e diversificati relativi al comportamento delle vacche rappresenta un compito arduo. I comportamenti delle vacche presentano variazioni sostanziali a seconda dei diversi ambienti. Ad esempio, in un ambiente di pascolo, le vacche possono mostrare comportamenti di pascolo e vagabondaggio più attivi, mentre in una stalla confinata, i loro movimenti potrebbero essere più limitati e concentrati sull’alimentazione e sul riposo. Gli ambienti di alimentazione, le condizioni di salute e altri fattori contribuiscono tutti alla complessità del riconoscimento comportamentale. Una vacca che non sta bene può mostrare posture anomale, livelli di attività ridotti o cambiamenti nelle abitudini alimentari. In termini di prestazioni in tempo reale, la capacità di riconoscere con precisione il comportamento delle vacche in tempo reale è essenziale per un intervento tempestivo. Tuttavia, ciò richiede sistemi di riconoscimento altamente reattivi in grado di elaborare e analizzare i dati rapidamente.
Alcuni studiosi hanno sviluppato un modello di deep learning basato su GoogLeNet per il riconoscimento automatico del comportamento alimentare dei suini; solo attraverso il monitoraggio visivo è possibile rilevare questi sottili cambiamenti nel comportamento alimentare con un tasso di accuratezza superiore al 99,4%. Sebbene innovativo, la sua implementazione richiede l’installazione di sensori specifici, telecamere e altri dispositivi hardware. In determinati ambienti, come le zone agricole remote o difficili, l’acquisto, l’installazione e la manutenzione di questo hardware sono limitati da fattori economici e tecnici; tutto ciò ne limita l’applicabilità pratica.
Xue et al. hanno utilizzato Yolov3 e Yolov5 per addestrare set di dati di parti caratteristiche per il monitoraggio delle vacche; il tasso di accuratezza della maggior parte dei comportamenti è superiore al 95,3%. Tuttavia, i set di dati provenivano da raccolte pubbliche, che potrebbero non rappresentare adeguatamente la diversità degli scenari del mondo reale. I set di dati pubblici potrebbero non cogliere le sfumature e le variazioni specifiche che caratterizzano le diverse aziende lattiero-casearie, come le differenze di razza, le pratiche di gestione e le condizioni ambientali locali.
Cheng et al. hanno proposto un modello di riconoscimento del comportamento delle pecore basato su Yolov5, che ha migliorato l’efficienza di implementazione. In questo modello, i ricercatori suddividono i set di dati in base alla distribuzione delle caratteristiche dei dati. Sono sufficienti poche immagini per ciascun tipo di comportamento per ottenere una precisione di riconoscimento pari a 0,967 e un recall di 0,965. Tuttavia, in contesti in cui si effettua il monitoraggio in tempo reale del comportamento delle vacche, eventuali ritardi nel riconoscimento e nel feedback potrebbero rendere il sistema inefficace. In una grande azienda lattiero-casearia con centinaia o migliaia di vacche, anche un leggero ritardo nell’individuazione di un problema di salute o di un comportamento anomalo potrebbe portare a conseguenze significative.
Bai et al. hanno introdotto un metodo Yolov5s migliorato per il riconoscimento multiscala del comportamento delle vacche, incorporando il meccanismo di attenzione del trasformatore e il meccanismo di attenzione SE; la precisione media del riconoscimento multiscala del comportamento delle vacche da latte è di 1,2 punti percentuali superiore a quella di YOLOV5s. Tuttavia, la sua efficacia in condizioni notturne e di pioggia non è stata validata in modo esaustivo. Le condizioni notturne con visibilità ridotta e il tempo piovoso, che possono distorcere l’aspetto delle vacche e l’ambiente dell’allevamento, pongono sfide uniche per un accurato riconoscimento del comportamento.
Zhao et al. hanno proposto un sistema di riconoscimento individuale delle vacche che fonde la visione e la localizzazione a banda ultra larga (UWB), migliorando l’accuratezza del tracciamento in layout complessi di stalle. I dati sperimentali indicano che l’errore di portata non ottimizzato del sistema di posizionamento UWB presenta una media assoluta di 0,18 m e una deviazione standard di 0,047. Giannone et al. hanno sviluppato un modello automatizzato di identificazione delle vacche da latte e di analisi del comportamento alimentare basato su YOLOv8, dimostrando prestazioni robuste nel calcolo dei tempi di permanenza nelle aree di alimentazione e raggiungendo una precisione dell’85%, un recall del 62% (punteggio F1 0,72) a IoU 0,5. Bumbálek et al. hanno condotto una valutazione comparativa dei metodi di identificazione del bestiame, tra cui la struttura corporea, i collari con codice QR e l’etichettatura numerica implementata con YOLOv8; i valori mAP50-95 sono tutti superiori a 0,7. Questi studi sottolineano gli sforzi in corso per migliorare l’accuratezza, l’adattabilità e l’applicabilità nel mondo reale dei sistemi di monitoraggio degli animali. In conclusione, la ricerca esistente sul rilevamento del comportamento animale si è concentrata prevalentemente su ambienti relativamente omogenei, trascurando le sfide poste dalle diverse condizioni climatiche presenti negli ambienti naturali. Il riconoscimento del comportamento delle vacche da latte è particolarmente complesso a causa della diversità e della complessità delle loro azioni. È necessario prendere in considerazione molteplici variabili, il che complica la progettazione degli algoritmi e l’addestramento dei modelli.
Al fine di superare questi limiti, sulla base di studi precedenti, questo articolo intraprende una ricerca sul riconoscimento delle attività quotidiane delle vacche da latte in un’ampia gamma di ambienti naturali, inclusi il giorno, la notte, i cambiamenti di illuminazione e le giornate piovose e nuvolose. Integrando un meccanismo di attenzione in un modello di deep learning, i ricercatori hanno scoperto che il modello mostra una notevole robustezza. Tutte le conclusioni sono state tratte confrontando gli stessi dati con altri quattro modelli di deep learning. Basandosi sulla raccolta e l’addestramento di dati in scenari multipli, il modello ha il potenziale per rivoluzionare il monitoraggio in tempo reale delle attività quotidiane negli allevamenti da latte, elevando così il livello di gestione ottimizzata nelle operazioni di allevamento su larga scala.
Questa ricerca non solo contribuisce alla comprensione scientifica del comportamento delle vacche da latte, ma apre anche la strada allo sviluppo di pratiche di allevamento più efficienti e sostenibili. Ad esempio, individuando con precisione i primi segni di malattia o stress nelle vacche, gli allevatori possono adottare misure correttive immediate, come adeguare la dieta, somministrare cure mediche o migliorare le condizioni di vita. Ciò non solo ridurrebbe la perdita di produzione di latte dovuta a problemi di salute, ma migliorerebbe anche la qualità complessiva dei prodotti lattiero-caseari. Inoltre, una maggiore automazione nel riconoscimento del comportamento può liberare risorse di manodopera, consentendo agli allevatori di concentrarsi su altri aspetti della gestione dell’azienda agricola, come i programmi di allevamento e il miglioramento delle infrastrutture.
Conclusioni e possibili sviluppi dello studio
Questo studio mira ad affrontare le sfide legate al monitoraggio del comportamento delle vacche da latte in contesti agricoli complessi, in particolare le questioni relative all’uniformità ambientale e all’impatto delle condizioni climatiche sull’accuratezza del riconoscimento.
A tal fine, è stato proposto un quadro di analisi automatizzata che combina il modello YOLOv5-SF migliorato con il tracciamento multi-oggetto StrongSORT e la previsione di serie temporali LSTM. Grazie alla creazione di un set di dati diversificato e all’introduzione del meccanismo di auto-attenzione Swin-Transformer nel modulo C3 di YOLOv5 per ottimizzare i parametri, sostituendo al contempo la funzione di attivazione SiLU nei livelli convoluzionali con FReLU per migliorare la capacità di catturare le caratteristiche spaziali, questo framework ha migliorato significativamente l’accuratezza e la robustezza del riconoscimento del comportamento delle vacche.
I risultati sperimentali mostrano che il sistema proposto supera i metodi esistenti in termini di precisione media (mAP che raggiunge 0,965), tasso di richiamo e stabilità di tracciamento, fornendo una soluzione non invasiva efficiente e affidabile per il monitoraggio del comportamento delle vacche. I contributi di questo studio includono: la costruzione di un set di dati diversificato in più ambienti per l’analisi del comportamento animale; la proposta di una strategia di rilevamento ottimizzata per ambienti agricoli complessi, ottenendo un riconoscimento del comportamento ad alta precisione attraverso il miglioramento dei meccanismi di attenzione e delle funzioni di attivazione; la combinazione del tracciamento multi-oggetto e della previsione di serie temporali per ottenere un tracciamento continuo e un’analisi delle tendenze dei comportamenti delle singole vacche.
Fonti: Il presente articolo è un estratto della pubblicazione intitolata “A Swin-Transformer and LSTM-based method for cow behaviour recognition in diverse environments“, disponibile sull’Italian Journal of Animal Science: https://www.tandfonline.com/doi/full/10.1080/1828051X.2026.2649047
