V polovině 70. let měla průměrná americká mléčná farma okolo 25 krav. Dnes má mnoho operací více než 3 000 - číslo, které bylo před 25 lety téměř neslýchané.
Efektivní řízení velkých stád by bylo obtížné, možná i nemožné, bez nejnovějších pokroků v oblasti výpočetní techniky a automatizace. Většina mlékáren má nyní dojírny a související volné ustájení, které zdvojnásobuje nebo ztrojnásobuje produkci za hodinu. Dojicí jednotky se automaticky odpojí, aby se snížily zdravotní problémy vemene a zlepšila kvalita mléka, zatímco transpondéry pro identifikaci krav umožňují zemědělcům automaticky zaznamenávat údaje o produkci.
Nejnovějším významným technologickým pokrokem ovlivňujícím mlékárenský průmysl v USA je vývoj automatických dojicích systémů - nebo „robotických“ dojičů.
Ve středisku Kellogg Dairy Center na University of Connecticut používáme robotické dojičky a další senzory ke sledování 100 krav a jejich fyzického prostředí. Prostřednictvím této práce zahájené letos na jaře doufáme, že budeme sledovat chování a zdraví jednotlivých krav v reálném čase, abychom zlepšili efektivitu produkce a dobré životní podmínky zvířat.
Velká data a krávy
Robotické dojičky mohou sbírat mléko bez zásahu člověka. Krávy se ve skutečnosti rozhodují, kdy mají být dojeny, a vstupují do stroje bez přímého lidského dohledu. Robotický systém automaticky identifikuje krávu a aplikuje dezinfekční strukový sprej dříve, než robotické rameno připojí strukový hrnek pro dojení.
To se velmi liší od dojení dojírny, kde se manažeři rozhodují, kdy dojit krávy, obvykle třikrát denně. Každá robotická dojicí jednotka podává 50 až 55 krav.
Vzhledem k vysoké ceně časných verzí robotických dojičů a velké velikosti stád v USA měly americké mlékárny do roku 2010 o robotické dojičky minimální zájem. Počet automatických dojicích systémů v zemi se však v roce 2013 zvýšil na více než 2 500 kusů, zejména díky vylepšením designu v novějších modelech. Na celém světě je v současné době v provozu více než 35 000 systémů automatického dojení.
Řada krav, které jsou dojeny (Toa55 / shutterstock) Nejen, že se tyto novější stroje zlepšily při sklizni mléka efektivně, mají navíc schopnost shromažďovat větší množství informací o produkci, složení mléka a chování krav. To výrobcům umožňuje činit informovanější rozhodnutí o řízení.
U robotických systémů dojení krávy tuto show provozují. Rozhodují se, kdy budou jíst, přežvýkat, odpočívat nebo dojit. Musí také trávit méně než hodinu denně skutečným dojením; Před robotickými dojiči trvala dojení často tři až pět hodin denně.
Chtěli jsme vědět: Co dělají po zbytek dne? Jak toto chování ovlivňuje produkci nebo slouží k označení zdravotního stavu? Samy o sobě dojicí jednotky nemohou shromažďovat takové informace, které by byly velmi užitečné při včasném zjištění, zda se u určité krávy vyvíjí zdravotní problém.
Náš „kráva-CPS“ - kybernetický systém, který zahrnuje krávy, robotické dojičky, videokamery a další senzory - bude vždy sledovat údaje o našich kravách. To nám mimo jiné řekne, kam krávy jdou, když nejsou dojeny; když se rozhodnou jíst, odpočívat nebo dělat jiné činnosti; a složení jejich mléka. Senzory umístěné uvnitř těla nám dokonce řeknou pH uvnitř jednoho z jejich žaludků, což by mohlo být klíčovým ukazatelem jakýchkoli trávicích problémů.
Optimalizace mlékáren
Doufáme, že všechna tato data nám umožní přijímat včasná rozhodnutí na úrovni jednotlivých krav, což není snadné ve velkých stádech. Toto „přesné mlékárenství“ by nám mohlo pomoci pochopit, jak činnosti jednotlivých krav - stravování, postavení, odpočinek, dojení - ovlivňují její produkci mléka, kvalitu mléka a zdraví.
Plánujeme analyzovat data pomocí strojového učení, což je druh umělé inteligence, který dokáže najít vzory ve velkém množství informací. Počítač porovná data s modelem toho, jak by mléko mělo fungovat v ideálních podmínkách. Náš model zachycuje kritické výkonnostní charakteristiky - kvalitu mléka a produktivitu - a také příslušná omezení, jako je individuální zdravotní stav a reprodukční stav.
Jak mlékárna funguje, data v reálném čase nám umožní posoudit, jak daleko je naše skutečná farma od ideální farmy. Poté můžeme tyto informace kombinovat s algoritmem matematické optimalizace a určit, jak přesně bychom měli proces upravit nebo upravit. Algoritmus může například navrhnout úpravu typu odkapávání struků, nutričního obsahu krmiva nebo množství času, které každá kráva tráví krmením.
Doufáme, že naše práce umožní chovatelům mléka z celého USA lépe spravovat jednotlivé krávy ve skupinovém prostředí - nejen zlepšit produkci mléka, ale také posílit zdraví krav.
Tento článek byl původně publikován v The Conversation.
Matthew Stuber, odborný asistent chemického a biomolekulárního inženýrství, University of Connecticut
Gary Kazmer, docent fyziologie laktace na University of Connecticut
Shalabh Gupta, odborný asistent na Technické univerzitě v Connecticutu
Steven Zinn, profesor živočišné vědy, University of Connecticut
