1970-luvun puolivälissä keskimääräisessä amerikkalaisessa maitotilalla oli noin 25 lehmää. Nykyään monilla operaatioilla on yli 3000 - luku, joka oli melkein ennenkuulumaton 25 vuotta sitten.
Suurten karjojen tehokas hallinta olisi vaikeaa, ehkä jopa mahdotonta, ilman laskennan ja automaation viimeisintä kehitystä. Useimmissa meijereissä on nyt lypsyhuoneita ja niihin liittyviä vapaa-ikäisiä asuntoja, jotka tuottavat kaksinkertaisen tai kolminkertaisen tuotannon tunnissa. Lypsylaitteet irrotetaan automaattisesti utareiden terveysongelmien vähentämiseksi ja maidon laadun parantamiseksi, kun taas lehmän tunnistustunnistimet antavat viljelijöille automaattisen tallennuksen tuotantotiedoista.
Viimeisin merkittävä Yhdysvaltain meijeriteollisuuteen vaikuttava teknologinen kehitys on automaattisten lypsyjärjestelmien - tai ”robotti” lypsäjien - kehittäminen.
Connecticutin yliopiston Kelloggin meijerikeskuksessa käytämme robotti lypsäjiä sekä muita antureita 100 lehmän ja heidän fyysisen ympäristön seuraamiseksi. Kevään aikana käynnistetyn työn avulla toivomme tarkkailevan yksittäisten lehmien käyttäytymistä ja terveyttä reaaliajassa tuotannon tehokkuuden ja eläinten hyvinvoinnin parantamiseksi.
Suuret tiedot ja lehmät
Robotti lypsäjät voivat kerätä maitoa ilman ihmisen osallistumista. Itse asiassa lehmät päättävät lypsämisen ajankohdasta, siirtyvät koneeseen ilman suoraa ihmisen valvontaa. Robottijärjestelmä tunnistaa lehmän automaattisesti ja levittää puhdistavan nispasuihkun, ennen kuin robottivarsi kiinnittää nänikupin lypsämistä varten.
Se on hyvin erilainen kuin tilan lypsäminen, jossa johtajat päättävät lypsää lehmiä, yleensä kolme kertaa päivässä. Jokainen robotti Lypsy-yksikkö palvelee 50-55 lehmää.
Kun otetaan huomioon robotti lypsäjien varhaisten versioiden korkea hinta ja Yhdysvaltojen karjojen suuri koko, amerikkalaisilla meijereillä oli vähäinen kiinnostus robotti lypsäjiin ennen vuotta 2010. Kuitenkin automaattisten lypsyjärjestelmien määrä maassa nousi yli 2500 yksikköön vuonna 2013, lähinnä johtuen uusien mallien suunnittelun parannuksista. Maailmanlaajuisesti käytössä on tällä hetkellä yli 35 000 automaattista lypsyjärjestelmää.
Ryhmä lypsäviä lehmiä (Toa55 / ikkunaluukku) Paitsi, että nämä uudemmat koneet ovat parantuneet tehokkaasti maidonkorjuussa, niillä on lisäksi kyky kerätä enemmän tietoa tuotannosta, maidon koostumuksesta ja lehmän käyttäytymisestä. Tämän ansiosta tuottajat voivat tehdä tietoisempia hallintapäätöksiä.
Robotiivilla lypsyjärjestelmillä lehmät johtavat näyttelyä. He päättävät milloin syödä, märehtiä, levätä tai lypsätä. Heidän on myös vietettävä alle tunti päivässä lypsettäessä; ennen robotti lypsäjiä, lypsäminen vei usein kolme tai viisi tuntia päivässä.
Halusimme tietää: Mitä he tekevät loppupäivänsä aikana? Kuinka tämä käyttäytyminen vaikuttaa tuotantoon tai osoittaa terveydentilaa? Itse lypsy-yksiköt eivät pysty keräämään sellaista tietoa, mikä olisi erittäin hyödyllistä selvitettäessä varhaisessa vaiheessa onko tietyllä lehmällä terveysongelmia.
"Cow-CPS" - kyberfysikaalinen järjestelmä, joka sisältää lehmät, robotti lypsimet, videokamerat ja muut anturit - seuraa jatkuvasti lehmiämme koskevia tietoja. Se kertoo meille muun muassa, missä lehmät menevät, kun niitä ei lypsetä; kun he päättävät syödä, levätä tai tehdä muuta toimintaa; ja maidon koostumus. Kehoon sijoitetut anturit kertovat meille jopa vatsassaan olevan pH: n, mikä voi olla tärkeä indikaattori kaikille ruuansulatusongelmille.
Meijerien optimointi
Toivomme, että kaikkien näiden tietojen avulla voimme tehdä oikea-aikaisia päätöksiä yksittäisen lehmän tasolla, mikä ei ole helppo tehdä suurissa karjoissa. Tämä "tarkkuusmeijeritys" voisi auttaa meitä ymmärtämään, kuinka yksittäisen lehmän toiminta - syöminen, seisominen, lepääminen, lypsäminen - vaikuttaa hänen maidontuotantoon, maidon laatuun ja terveyteen.
Suunnittelemme analysoida tietoja koneoppimisen avulla, joka on keinotekoinen äly, joka löytää malleja suurissa tietomäärissä. Tietokone vertaa tietoja malliin, jolla meijerin tulisi toimia ihanteellisissa olosuhteissa. Mallamme kuvaa kriittisiä suorituskykyominaisuuksia - maidon laatua ja tuottavuutta - sekä asiaankuuluvia rajoituksia, kuten yksilön terveys ja lisääntymistila.
Meijerin toimiessa reaaliaikaisten tietojen avulla voimme arvioida, kuinka kaukana todellinen maatilamme on ihanteellisesta. Voimme sitten yhdistää nämä tiedot matemaattiseen optimointialgoritmiin sen määrittämiseksi, kuinka prosessin tarkalleen meidän pitäisi muuttaa tai säätää. Algoritmi voi esimerkiksi ehdottaa nännin tiputuksen, rehun ravintopitoisuuden tai ajan, jonka jokainen lehmä viettää ruokintaa, säätämistä.
Toivomme, että työmme antaa maitoalan viljelijöille kaikkialla Yhdysvalloissa hallita paremmin yksittäisiä lehmiä ryhmäympäristössä - paitsi maidontuotannon parantamiseksi, myös lehmien terveyden edistämiseksi.
Tämä artikkeli on alun perin julkaistu keskustelussa.
Matthew Stuber, kemian ja biomolekyylin suunnittelun apulaisprofessori, Connecticutin yliopisto
Gary Kazmer, imetysfysiologian apulaisprofessori, Connecticutin yliopisto
Shalabh Gupta, apulaisprofessori, Connecticutin yliopisto
Steven Zinn, eläintieteiden professori, Connecticutin yliopisto
