Има различни сензори, които измерват показателите за мастит. Тези показатели обикновено се използват за откриване на (клиничен) мастит.
Сензорите обаче могат да се използват и след откриване. След откриването фермерът трябва да вземе решение за правилната намеса. За да реши как да се намеси, фермерът трябва да знае дали в момента се очаква кравата да се възстанови или да остане хронична.
Джон Бонестро, индустриален докторант в DeLaval, оцени дали минали сензорни данни за конкретна засегната от мастит крава могат да се използват за прогнозиране на бъдещия статус на заболяването (т.е. дали кравата остава хронична).
Резултатите от това проучване са описани в четвъртата публикация на индустриалния докторантски проект за базирано на сензори управление на мастит. Проектът е сътрудничество между DeLaval, университета Wageningen и Шведския университет за селскостопански науки, който също включва Ика Клаас, директор по развитие на млечните продукти в DeLaval, като ръководител на Джон, наред с други.
Част от метода за машинно обучение
„Използвахме сензорни данни от DeLaval VMS™ и OCC (онлайн брояч на клетки) за последните 30 или 15 дни, за да прогнозираме бъдещия хроничен статус на крава с наскоро висок OCC“, казва Джон. „Трансформирахме данните от сензора преди модела за прогнозиране, за да подчертаем специфични характеристики в данните от сензора и ги използвахме като входни данни за модела. В документа хроничният мастит се определя като крава, при която броят на соматичните клетки не се е върнал до здравословни нива в бъдеще.
„Ние създадохме модел за машинно обучение, наречен "gradient-boosting trees", на тези данни и сравнихме модела с базови линии, които имитират настоящите начини, по които фермерите могат да определят хроничен мастит въз основа на броя на соматичните клетки“, обяснява Джон.
Екипът използва данни от седем VMS ферми, за да пасне на модела и използва данните от седем други VMS ферми, за да тества модела и да оцени неговата ефективност.
Резултат
Моделът значително превъзхожда базовите методи за повечето показатели, когато е тестван в няколко ферми. Това означава, че алгоритъмът, който е разработен, автоматично прогнозира изхода от текущ случай на мастит и потенциално би могъл да открие хронични крави по-рано и по-добре, отколкото фермите правят в момента. В бъдеще тези алгоритми ще позволят на фермерите да получат прогноза за крави, които в момента са в списъка за предупреждение за мастит.
„Освен това, ние очакваме още по-добра производителност чрез допълнително настройване на модела или използване на техники за дълбоко машинно обучение“, заключава Джон.

18.04.2023 г.