I midten af 1970'erne havde den gennemsnitlige amerikanske mejerifarm ca. 25 køer. I dag har mange operationer mere end 3.000 - et antal, der næsten var uhørt for 25 år siden.
Det ville være vanskeligt, måske endda umuligt at styre store besætninger effektivt uden de seneste fremskridt inden for databehandling og automatisering. De fleste mejerier har nu malkestole og tilhørende fristaldshuse, der dobbelt- eller tredobbelt produktion pr. Time. Mælkeenheder løsnes automatisk for at reducere yverens sundhedsmæssige problemer og forbedre mælkekvaliteten, mens ko-ID-transpondere lader landmænd automatisk registrere produktionsdata.
Den seneste store teknologiske fremgang, der har haft indflydelse på den amerikanske mejeriindustri, er udviklingen af automatiske malkesystemer - eller "robot" mælkeproducenter.
På University of Connecticuts Kellogg Mejericenter bruger vi robotmælkere samt andre sensorer til at overvåge 100 køer og deres fysiske miljø. Gennem dette arbejde, der blev lanceret i forår, håber vi at overvåge den enkelte kom adfærd og sundhed i realtid for at forbedre produktionseffektiviteten og dyrevelfærden.
Big data og køer
Robotmælkere kan høste mælk uden menneskelig involvering. Faktisk bestemmer køerne, hvornår de skal malkes, og kommer ind i maskinen uden direkte menneskelig tilsyn. Robotsystemet identificerer automatisk ko og anvender en desinficerende pattespray, før en robotarm fastgør pattekoppen til malkning.
Det er meget forskelligt fra malkestald, hvor ledere beslutter, hvornår de skal mælke køer, normalt tre gange om dagen. Hver robotmalkeenhed serverer 50 til 55 køer.
I betragtning af den høje pris på tidlige versioner af robotmælkere og den store størrelse af amerikanske besætninger, havde amerikanske mejerier minimal interesse for robotmælkere inden 2010. Antallet af automatiske malkesystemer i landet steg imidlertid til over 2.500 enheder i 2013, hovedsageligt på grund af forbedringer i design i de nyere modeller. På verdensplan er der i øjeblikket over 35.000 automatiske malkesystemer i drift.
En række køer, der malkes (Toa55 / skodder) Ikke kun har disse nyere maskiner forbedret med at høste mælk effektivt, de har den ekstra mulighed for at indsamle en større mængde information om produktion, mælkesammensætning og koadfærd. Det giver producenterne mulighed for at træffe mere informerede forvaltningsbeslutninger.
Med robotmalkningssystemer kører køerne showet. De beslutter, hvornår de skal spise, drøvtygges, hvile eller malkes. De er også nødt til at bruge mindre end en time om dagen på faktisk at blive malket; før robotmælkere tog malkning ofte tre til fem timer om dagen.
Vi ønskede at vide: Hvad laver de med resten af dagen? Hvordan påvirker denne adfærd produktionen eller tjener til at indikere sundhedsstatus? I sig selv kan mælkeenhederne ikke indsamle den slags information, hvilket ville være meget nyttigt at finde ud af, om en bestemt ko udvikler et helbredsproblem.
Vores "ko-CPS" - et cyber-fysisk system, der inkluderer køer, robotmælkere, videokameraer og andre sensorer - sporer data om vores køer til enhver tid. Det vil blandt andet fortælle os, hvor køerne går, når de ikke malkes; når de beslutter sig for at spise, hvile eller lave andre aktiviteter; og sammensætningen af deres mælk. Sensorer placeret inde i kroppen fortæller os endda pH i en af deres mave, hvilket kan være en nøgleindikator for fordøjelsesproblemer.
Optimering af mejerier
Vi håber, at alle disse data giver os mulighed for at træffe rettidige beslutninger på niveau med den enkelte ko, noget der ikke er let at gøre i store besætninger. Denne "præcision mejeri" kunne hjælpe os med at forstå, hvordan en individuel ko aktiviteter - at spise, stå, hvile, malkes - påvirker hendes mælkeproduktion, mælkekvalitet og sundhed.
Vi planlægger at analysere dataene ved hjælp af maskinlæring, en type kunstig intelligens, der kan finde mønstre i store mængder information. Computeren vil sammenligne dataene med en model for, hvordan mejeriet skal fungere under ideelle forhold. Vores model fanger kritiske egenskaber - mælkekvalitet og produktivitet - samt relevante begrænsninger, såsom individuel sundhed og reproduktiv status.
Når mejeriet fungerer, vil data i realtid give os mulighed for at vurdere, hvor langt væk vores rigtige gård er fra den ideelle. Vi kan derefter kombinere disse oplysninger med en matematisk optimeringsalgoritme for at bestemme, hvordan vi nøjagtigt skal ændre eller justere processen. F.eks. Kan algoritmen foreslå at justere typen af pattedryp, ernæringsindholdet i foderet eller den mængde tid, hver ko bruger fodring.
Vi håber, at vores arbejde vil give mælkebønder i hele USA bedre mulighed for at styre individuelle køer i en gruppeindstilling - ikke kun for at forbedre mælkeproduktionen, men til at styrke koens sundhed.
Denne artikel blev oprindeligt offentliggjort på The Conversation.
Matthew Stuber, lektor i kemisk & biomolekylær teknik, University of Connecticut
Gary Kazmer, lektor i laktationsfysiologi, University of Connecticut
Shalabh Gupta, lektor i teknik, University of Connecticut
Steven Zinn, professor i husdyrvidenskab, University of Connecticut
