På midten av 1970-tallet hadde den gjennomsnittlige amerikanske melkeproduksjonen omtrent 25 kyr. I dag har mange operasjoner mer enn 3000 - et tall som nesten ikke var hørt for 25 år siden.
Å administrere store besetninger effektivt ville være vanskelig, kanskje til og med umulig, uten de siste fremskrittene innen databehandling og automatisering. De fleste meierier har nå melkestaller og tilhørende fristandsboliger, som dobler eller tredobler produksjonen per time. Melkeenheter løsner automatisk for å redusere jurhelseproblemer og forbedre melkekvaliteten, mens ko-ID-transpondere lar bønder automatisk registrere produksjonsdata.
Den siste viktige teknologiske fremgangen som påvirker den amerikanske meieriindustrien, er utviklingen av automatiske melkesystemer - eller "robot" -melker.
Ved University of Connecticuts Kellogg meierisenter bruker vi robotmelkere så vel som andre sensorer for å overvåke 100 kuer og deres fysiske miljø. Gjennom dette arbeidet, som ble lansert i vår, håper vi å overvåke den enkelte koses oppførsel og helse i sanntid for å forbedre produksjonseffektiviteten og dyrevelferden.
Big data og kuer
Robotmelker kan høste melk uten menneskelig involvering. Faktisk bestemmer kyrne når de skal melkes, og går inn i maskinen uten direkte menneskelig tilsyn. Robotsystemet identifiserer kua automatisk og påfører en desinfiserende spenespray før en robotarm fester spenekoppen for melking.
Det er veldig forskjellig fra melkemelk, hvor ledere bestemmer når de skal melke kyr, vanligvis tre ganger om dagen. Hver robotmelkeenhet serverer 50 til 55 kyr.
Gitt den høye prisen på tidlige versjoner av robotmelkerne og den store størrelsen på amerikanske besetninger, hadde amerikanske meierier minimal interesse for robotmelkere før 2010. Imidlertid økte antallet automatiske melkesystemer i landet til over 2500 enheter i 2013, hovedsakelig på grunn av forbedringer i design i de nyere modellene. På verdensbasis er det i dag over 35 000 automatiske melkesystemer i drift.
En rad med kyr som melkes (Toa55 / shutterstock) Ikke bare har disse nyere maskinene forbedret med å høste melk effektivt, de har den ekstra muligheten til å samle inn en større mengde informasjon om produksjon, melkesammensetning og kuatferd. Dette gjør det mulig for produsentene å ta mer informerte ledelsesbeslutninger.
Med robotmelkesystemer kjører kyrne showet. De bestemmer når de skal spise, drøvtygges, hvile eller bli melket. De må også bruke mindre enn en time per dag på å bli melket; før robotmelkere tok melking ofte tre til fem timer per dag.
Vi ønsket å vite: Hva gjør de med resten av dagen? Hvordan påvirker denne atferden produksjonen eller tjener til å indikere helsetilstand? For seg selv kan melkeenhetene ikke samle den slags informasjon, noe som vil være veldig nyttig når du tidlig skulle finne ut om en bestemt ku utvikler et helseproblem.
Vår "cow-CPS" - et cyber-fysisk system som inkluderer kyr, robotmelkere, videokameraer og andre sensorer - vil spore data om kuene våre til enhver tid. Det vil blant annet fortelle oss hvor kyrne går når de ikke melkes; når de bestemmer seg for å spise, hvile eller gjøre andre aktiviteter; og sammensetningen av melken deres. Sensorer plassert inne i kroppen vil til og med fortelle oss pH i en av magen, noe som kan være en viktig indikator på fordøyelsesproblemer.
Optimalisering av meierier
Vi håper at alle disse dataene vil tillate oss å ta rettidige avgjørelser på nivå med den enkelte ku, noe som ikke er lett å gjøre i store besetninger. Denne "presisjons meieri" kan hjelpe oss med å forstå hvordan en enkelt kos aktiviteter - å spise, stå, hvile, melke - påvirker melkeproduksjonen, melke kvaliteten og helsen.
Vi planlegger å analysere dataene ved hjelp av maskinlæring, en type kunstig intelligens som kan finne mønstre i store mengder informasjon. Datamaskinen vil sammenligne dataene med en modell for hvordan meieriet skal fungere under ideelle forhold. Modellen vår fanger kritiske ytelsesegenskaper - melkkvalitet og produktivitet - samt relevante begrensninger, for eksempel individuell helse og reproduktiv status.
Når meieriet opererer, vil sanntidsdata gi oss muligheten til å vurdere hvor langt den virkelige gården vår er fra den ideelle. Vi kan deretter kombinere denne informasjonen med en matematisk optimaliseringsalgoritme for å bestemme hvordan vi skal endre eller justere prosessen nøyaktig. For eksempel kan algoritmen foreslå å justere typen spenedrop, næringsinnholdet i fôret eller hvor lang tid hver ku bruker fôring.
Vi håper at vårt arbeid vil gi melkebønder i hele USA bedre mulighet til å forvalte enkeltkyr i en gruppeinnstilling - ikke bare for å forbedre melkeproduksjonen, men for å styrke kuhelsen.
Denne artikkelen ble opprinnelig publisert på The Conversation.
Matthew Stuber, adjunkt i kjemisk og biomolekylær ingeniørvitenskap, University of Connecticut
Gary Kazmer, førsteamanuensis i laktasjonsfysiologi, University of Connecticut
Shalabh Gupta, adjunkt i ingeniørvitenskap, University of Connecticut
Steven Zinn, professor i husdyrvitenskap, University of Connecticut
