Una nuova e personalizzata strategia diagnostica basata sull’analisi della fase di appoggio

Introduzione

La presenza della zoppia nell’allevamento di vacche da latte, non solo influisce sulla produzione di latte (de Mol et al., 2013; Liang et al., 2017; Sjöström et al., 2018), ma riduce anche la capacità riproduttiva ed il benessere delle bovine (Green et al., 2002; Booth et al. ., 2004; Rees, 2014; Adams et al., 2017; Grimm et al., 2019). Pertanto, è molto importante ottenere precocemente una diagnosi di zoppia nelle vacche da latte al fine di mettere in atto misure di trattamento efficaci, principalmente il pareggio dell’unghione e l’impiego di farmaci. Le metodiche per l’individuazione della zoppia nei bovini da latte sono state ampiamente studiate, vedi la valutazione della diminuzione della velocità, dei cambiamenti della falcata, dell’arco dorsale e dei movimenti della testa (Flower and Weary, 2009; Liu et al., 2011; Pluk et al., 2012; Hoffman et al., 2014; Jones, 2017; Zillner et al., 2018). Questi cambiamenti comportamentali rappresentano una compensazione che l’animale mette in atto per ottenere sollievo dal dolore e sono una base importante per il rilevamento della zoppia (Scott, 1989; Adair et al., 2019). Per quantificare il grado di zoppia nei bovini da latte, vengono ampiamente utilizzati dei sistemi di punteggio della locomozione, che sono tipicamente basati su un sistema a 5 punti.

In base al movimento dei bovini da latte, il grado di zoppia può essere classificato in un range che va da 1 punto (nessuna zoppia) fino a 5 punti (zoppia grave; Sprecher et al., 1997; Winckler e Willen, 2001; Flower et al. , 2006). A causa della natura laboriosa e dispendiosa (in termini di tempo) delle osservazioni manuali e della soggettività dell’osservatore (Leach et al., 2013), la ricerca sul rilevamento della zoppia delle vacche ha iniziato a svilupparsi verso una maggiore automazione (Van Nuffel et al., 2013, 2015), includendo l’applicazione di sensori di pressione (Pastell et al., 2008a, b, 2010; Poikalainen et al., 2010; Maertens et al., 2011), l’utilizzo di accelerometri (Walker et al., 2008; Van Hertem et al., 2013; Alsaaod et al., 2014; Thorup et al., 2015; Mandel et al., 2018) e la tecnologia di visione artificiale (Song et al., 2008; Viazzi et al., 2013, 2014; Zhao et al., 2018 ). I punteggi di locomozione e le patologie del piede vengono solitamente utilizzati come standard di riferimento per la validazione dei sistemi di rilevamento automatico della zoppia (Alsaaod et al., 2019). I metodi di valutazione utilizzati nel rilevamento automatico della zoppia che impiegano tecniche di elaborazione delle immagini si basano principalmente su aspetti della deambulazione delle vacche. Tuttavia, questo approccio può essere influenzato dalle caratteristiche delle singole vacche (Pluk et al., 2010; Viazzi et al., 2013) e le indagini hanno evidenziato che gli allevamenti sono particolarmente interessati ad individuare quale zoccolo specifico risulta essere colpito (Van Hertem et al. , 2016). Pertanto, è necessario sviluppare una metodica capace di individuare la zoppia, che possa eliminare l’influenza delle caratteristiche della singola vacca ed identificare quale preciso zoccolo sia colpito dalla patologia. Sulla base di osservazioni ed analisi a lungo termine del movimento della bovina, abbiamo scoperto che esiste una forte correlazione tra la fase di appoggio dello zoccolo della vacca e la presenza di una zoppia. Quando una vacca zoppa cammina, la fase di appoggio dello zoccolo colpito sarà significativamente alterata a causa della diminuzione dello stress che lo zoccolo può sopportare a causa del dolore (Rajkondawar et al., 2006). Poiché la zoppia nei bovini da latte è principalmente causata da patologie dello zoccolo (Murray et al., 1996), il loro aspetto può riflettere direttamente la zoppia (Pastell e Kujala, 2007), e poiché la fase di appoggio riguarda un singolo zoccolo piuttosto che l’intero corpo della vacca, le analisi basate su tale fase possono eliminare, in una certa misura, l’influsso che possono avere le differenze individuali tra i bovini da latte e consentirci di identificare chiaramente lo specifico zoccolo che è causa di zoppia. Negli ultimi anni, gli studi sul rilevamento della zoppia bovina basati sull’elaborazione tradizionale delle immagini, che è una tipologia di visione artificiale (Song et al., 2007, 2018), si basavano principalmente sull’estrazione di immagini che si concentravano su zone chiave delle vacche (Pluk et al. , 2010; Kang et al., 2019); tuttavia, questo processo può essere facilmente interrotto da fattori esterni, come il rumore ambientale (Poursaberi et al., 2010). Tuttavia, con lo sviluppo della tecnologia di apprendimento profondo, le metodiche di riconoscimento delle immagini, capaci di estrapolare in modo efficace ed accurato target ed elementi da contesti complessi, stanno diventando sempre più popolari. Inoltre, la tecnologia di apprendimento profondo soddisfa i requisiti per un rilevamento ad alta precisione di zone considerate chiave delle vacche in contesti naturali (Jiang et al., 2019) e tali metodiche possono essere utilizzate per il rilevamento automatico della zoppia nelle vacche da latte. Pertanto, in questo articolo, viene proposta la strategia di rilevamento della zoppia basata sull’analisi della fase di appoggio per individuare gli zoccoli colpiti. Inoltre, abbiamo ulteriormente approfondito la correlazione tra zoppia e fase di appoggio per verificare l’attuabilità della metodica di rilevamento proposta.

Alla fine le tecniche di computer vision e di deep learning sono state impiegate per acquisire le immagini degli zoccoli delle vacche, con l’obiettivo di verificare se la fase di appoggio dello zoccolo potesse essere efficacemente analizzata mediante tale tecnologia (per facilitare la ricerca sul rilevamento di zoppia nella fase di appoggio) ed i risultati confermano la fattibilità del metodo proposto per il rilevamento automatico della zoppia.

Abstract

La zoppia influisce considerevolmente sul benessere e sulla salute delle vacche da latte. Sono stati fatti molti tentativi al fine di sviluppare sistemi automatici di rilevamento della zoppia utilizzando la tecnologia della visione artificiale (computer vision). Tuttavia, queste metodiche possono essere facilmente influenzate dalle caratteristiche delle singole vacche, determinando un certo grado di imprecisione nell’individuazione di tale patologia. Pertanto, questo studio ha esaminato una metodica individualizzata di rilevamento della zoppia per i bovini da latte, basata sull’analisi della fase di appoggio per mezzo della visione artificiale. Questo approccio viene applicato per eliminare l’influenza delle caratteristiche appartenenti alle singole vacche e per rilevare vacche e zoccoli colpiti da zoppia.

Il lavoro di tale ricerca è stato quello di calcolare il coefficiente di correlazione tra zoppia e fase di appoggio, proponendo un algoritmo di rilevamento della zoppia basato sulla fase di appoggio ed è stata verificata l’accuratezza di tale algoritmo. Inoltre, l’affidabilità di questa metodica, che utilizza la tecnologia della computer vision, viene verificata grazie all’apprendimento profondo (deep learning). Un centinaio di vacche che camminavano in modo naturale sono state selezionate tramite dati video per l’analisi. I risultati hanno mostrato che la correlazione tra zoppia e fase di appoggio era 0.864. Il 96% delle vacche è stato classificato correttamente ed il 93% degli zoccoli colpiti da zoppia è stato individuato correttamente utilizzando l’algoritmo per il rilevamento. La precisione media era dell’87.0% ed il numero di fotogrammi al secondo era 83.3 quando veniva utilizzato il network di apprendimento profondo Receptive Field Block Net Single Shot Detector per rilevare la posizione degli zoccoli delle vacche nel video.

E’ emerso che la metodica di rilevamento della zoppia basata sulla fase di appoggio proposta da questo studio, può essere utilizzata per l’individuazione e la classificazione, con elevata precisione, della zoppia nelle bovine e per il riconoscimento dei singoli zoccoli colpiti. Questo approccio va ad eliminare il condizionamento delle caratteristiche appartenenti alle singole vacche e potrebbe essere integrato in un sistema di rilevamento automatico applicabile su larga scala per l’individuazione della zoppia.

Articolo tratto da: Accurate detection of lameness in dairy cattle with computer vision: A new and individualized detection strategy based on the analysis of the supporting phase

X. Kang12,  X. D. Zhang12 and G. Liu12*

  1. Key Lab of Modern Precision Agriculture System Integration Research, Ministry of Education of China, China Agricultural University, Beijing, P.R. China 100083
  2. Key Lab of Agricultural Information Acquisition Technology, Ministry of Agricultural of China, China Agricultural University, Beijing, P.R. China 100083

*Corresponding author: pac@cau.edu.cn

J. Dairy Sci. 103:10628–10638

DOI: https://doi.org/10.3168/jds.2020-18288

© 2020 American Dairy Science Association®. Published by Elsevier Inc. and Fass Inc. All rights reserved.