Kunstig intelligens effektiviserer melking av kuer

BouMatic er en global leder i design, produksjon og levering av melkesystemer og melkegårdsutstyr. Med over 80 års erfaring med melketeknologi, hjelper selskapet melkebønder med lønnsomhet og ivaretakelse av dyrevelferd, og skaper løsninger for morgendagens utfordringer.

Inmeta ble engasjert av BouMatic for deres ledende fagmiljø innenfor kunstig intelligens og maskinlæring. Målet var å se hvordan Boumatic kunne bruke ny teknologi for å øke melkeproduksjonen og samtidig redusere belastningen på kuene.

Melkekuer kan melkes opptil to til tre ganger om dagen. Med 300 kuer, i gjennomsnitt, på melkegårder i USA, må tiden mellom melkingene strategisk styres for at bøndene skal maksimere fortjenesten. En melkebonde sin inntekt korrelerer direkte med melkeproduksjonen. Derfor er optimalisering av melkefrekvensen essensiell, og krever ofte at bøndene jobber konstant. De siste tre tiårene har melkeproduksjonen per ku doblet seg. Med økning i antall kuer og melkinger så BouMatic behovet for å effektivisere melkeprosessen.

Prosjektet startet med at Inmetas AI-team evaluerte melkesystemet for å identifisere områder for forbedring. Der oppdaget de at det største potensialet for optimalisering lå i 'spene-deteksjonen', og at forbedring her ville kunne gi raskere, mer nøyaktige og robuste melkeprosesser. Spene-deteksjonen er der BouMatics melkeroboter fester seg til kuens spener på juret for å melke.

Teamet fant ut at ved å benytte topp moderne Computer Vision AI-modeller ville roboten kunne tilpasse seg variasjoner av kyr, lysforhold og ha generelt bedre fleksibilitet. 

Funnet resulterte i at teamet bygde en modell som er i stand til å oppdage flere objekter under robotens melkehandling. De fant ut at løsningen sannsynligvis ville kunne overgå den etablerte deteksjonen av spener på blant annet hastighet, nøyaktighet, robusthet og prediksjon.

Implementeringen av Computer Vision og Neural Network krevde kompleks modellering og mønstergjenkjenning for å tilpasse seg variasjoner i kuer og lysforhold.

Modellen behandler 3D-bilder, tar hensyn til dybde, belysning og koordinater. Denne automatiserte spene-detektoren lærer å skille mønstre for å gjøre nøyaktige prediksjoner. Høyhastighets bildebehandling tillater effektiv filmbevegelse. 

Bruk av maskinlæring for forbedret optimalisering av Neural Networks avdekker komplekse data, og Computer Vision veileder maskinen i å identifisere nøkkel-visuelle aspekter. Maskinlæring lærer datamaskinen å gjenkjenne mønstre og gjøre prediksjoner. Edge Computing ble også integrert for å muliggjøre rask behandling av høyvolum-dataene nær lokasjonen.

Ved å analysere speneinformasjon og definere nøkkelpunkter, vet roboten nøyaktig hvor den skal koble seg, og oppnår nøyaktighet innen 10 piksler. Modellen tilbyr sanntidsinformasjon med opptil 31 bilder per sekund, og har en 99% nøyaktighet i objekt-deteksjon.

Automatiseringen har vist en betydelig økning med 99% i effektivitet og nøyaktighet i melkeprosessen. Denne forbedringen til melkerobotene oversettes til titalls millioner dollar i verdi for BouMatic i de kommende årene. Melkeprosessen er nå mindre stressende for kuene, som også gir rikere melk av bedre kvalitet. Kuene kan nå stille seg i kø når de føler seg klare til å bli melket, og ved å kunne gå til et melkerom oftere, unngår de unødvendig bæring av melk. Kuene drar også fordel av at robotene gjør færre "påkoblings-feil" og reduserer tiden i melkebåsen.