Szekciók

A preciziós állattenyésztés eszközei már nemcsak az intenzív állattartásban jelennek meg, ahol egyszerűen kiépíthetők az elektronikai rendszerek, hanem a külterjes állományokban, mint például a magyar szürke szarvasmarha fajtában is szükségessé válhatnak.

A súlymérést általában mechanikus vagy digitális mérleggel végzik egy kalodában, megvárva amíg az állat nyugton megáll és mérés elvégezhető. Az állatokat megállítás nélkül, áthaladás közben mérő eszközöket dinamikus vagy automatikus áthaladási mérlegnek hívják.

Az extenzív állományokban viszont, mivel ritkán vannak „kézben” az állatok, ez a folyamat gyakran problémás. Állatvédelmi, állatjóléti szempontból, valamint a precíziós állattartás igényeit kiszolgálni tudó, nagy adatmennyiséget szolgáltató (Big Data) eszközök fejlesztésére több próbálkozás történt. Intézetünk egy pályázat keretében megállítás nélküli, automata, dinamikus mérleg fejlesztését kezdte el.

A dinamikus mérleget a tapasztalatok és szakirodalmi adatok (Cveticanin , 2004) alapján az Emalog Kft tervezte és gyártotta.

A mérleg prototípusának kipróbálását két helyszínen Apajon(n=52) és Hortobágy-Kecskésen (n=103) végeztük. A hagyományos mérés Apajon digitális (Tru-Test, ID-500), Kecskésen mechanikus mérleggel (Metripond, 1997) történt.

A dinamikus automata mérleg nyers mérési eredményeit három adattisztítási, becslő algoritmussal dolgoztuk fel, majd statisztikailag összehasonlítottuk a hagyományos módszer eredményeivel. A dinamikus mérleggel kapott eredmények és a hagyományos mérleggel mért értékek +/-5% -os határon belül voltak, ami megegyezik a szakirodalmi adatokkal (Dickinson, 2013; González, 2014).

A mérleg alkalmazásának állatjóléti, állatvédelmi és etológiai tapasztalatait a mérésre fordított idő és a mérési incidensek -farolás, fordulás, kitörés, stb.- arányával jellemeztük.

Következtetéseink szerint az automata mérleg jelentősen meggyorsította az állatmérés folyamatát, mert a jó elhelyezésű mérleggel (Apaj) csökkent a hajtási idő. Viszont a nem szoktatott állatok, ha volt idejük a mérleget észrevenni (Hortobágy) első alkalommal akkor ismerkedés jelentősen megnyújtotta a hajtási időt.

Munkánk folytatásaként a VATEM3 rendszerhez kapcsolódva az állatok testfelszínéből, melyet az oldal és felülnézet standard képből nyerünk (planimetria), mesterséges intelligencia deep learning algoritmussal becsült súlymérési eredményeket fogjuk hasonló módszertannal megvizsgálni.