Kameraovervåking i grisebingen tolket av kunstig intelligens gjør det mulig å følge individer og grupper av dyr og å se hvordan atferden utvikler seg time for time og dag for dag. Det gir ny innsikt i dyrevelferden.
En vanlig dag i grisefjøset. Grisene liggertett sammen langs veggen i bingen. De puster rolig. Kameraet i taket registrerer dem som varme flekker av aktivitet. En av dem våkner, grynter, reiser seg og dytter nesa ned i strøet, som om den leter etter noe. Den dytter borti en annen gris som skvetter opp. Brått reiser alle seg og det blir liv i bingen. Kamera registrerer hver og en av kroppene som beveger seg over gulvet. Ikke bare hvor grisene er og går, men også formen på kroppen, hvordan den holder hodet, ørene og halen. Registreringene av bevegelsene blir til linjer som går på kryss og tvers ettersom timene går, før flokken igjen legger seg tett sammen for å sove.
KI lærer atferden til hver enkelt gris
Over tid samler kameraet nok informasjon til at kunstig intelligens kan lære atferden til hver enkelt gris. Når den er i bevegelse, hvor mye den pleier å bevege seg, hvor den liker å oppholde seg og hvordan den leker og krangler med andre griser.
Men den kunstige intelligensen forstår ikke betydningen av atferden den registrerer. Det er først når registreringene kobles sammen med kunnskapen om atferden til griser at den forteller noe om hvordan grisen egentlig har det.
─ For å forstå velferden til grisen må vi først forstå grisen selv. Dette er kjernen i forståelsen av dyreatferd, sier Marko Ocepek. Han er forsker i etologi, det vil si dyreatferd, ved Norges miljø- og biovitenskapelige universitet, NMBU.
De siste fem årene har han jobbet med presisjonshusdyrhold på gris. Det vil si en moderne tilnærming til husdyrproduksjon der han kombinerer maskinsyn, kunstig intelligens og atferdsvitenskap for å utvikle nye metoder for å forstå og overvåke dyrevelferd.
Fra tidligere manuelle registreringer til moderne teknologi
Tidligere ble registreringer av dyreatferd gjort manuelt ved å observere dyrene. Registreringen var tidsbegrenset og ga øyeblikksbilder av situasjonen i grisebingen. Det var også krevende å følge mange dyr samtidig, og resultatene ble påvirket av observatørens vurderinger.
Med kunstig intelligens er det mulig å overvåke dyrene hele døgnet. Målingene blir dessuten objektive og standardiserte, og det er mulig å analysere både store grupper og enkeltindivider samtidig.
─ Det mest interessante med denne forskningen er muligheten til å følge enkeltindivid og grupper kontinuerlig over tid. Vi kan forstå hvordan atferd utvikler seg time for time og dag for dag, og dermed få innsikt i dyrevelferd på en måte som tidligere ikke var praktisk mulig, sier Ocepek.
Slik gjør de det
I arbeidet med å sette sammen kunstig intelligens og dyreatferd har Ocepek brukt en metode som går over flere trinn. Den starter med den biologiske kunnskapen om dyreatferd og definering hva som skal måles basert på kjennetegn ved atferden, kunnskap om hvorfor den oppstår, hva som utløser den og hvordan den utvikler seg.
Forskerne gjorde så manuelle observasjoner av dyrene, enten direkte eller ved å analysere video. De identifiserte og kategoriserte atferder som hvile, bevegelse, sosial kontakt og aggressiv atferd.
─ Atferdene må være både biologisk relevante og presist definerte, slik at observasjonene blir registrert likt, selv om det er forskjellige observatører som registrerer dem, sier Ocepek.
Deretter merkes videobilder manuelt i en prosess som kalles annotering, hvor en atferd blir markert og referansen settes inn i videobildet. Først da blir informasjonen maskinlesbar, og en AI-modell kan trenes til å gjenkjenne atferden automatisk, som er det siste trinnet i modellen.
For å identifisere grisene i videoene ble det brukt forskjellige metoder. I noen forsøk hadde grisene RFID-øremerker. Øremerket sender trådløse signal til en leser som registrerer individuell aktivitet. I andre forsøk er det brukt kamera- og KI-systemer som følger hvert enkelt dyr over tid og identifiserer dyret basert på kropp, posisjon og bevegelsesmønster.
Ny innsikt i atferden ga overraskelser
Dagens grisebinger er designet basert på vurderingen av at grisene skal få dekket sine forskjellige behov i bestemte soner. Fast gulv med strø skal fungere som hvileplass, mens spaltegulv skal brukes til gjødsling. Dette bygger på både biologiske antakelser og regelverk, for eksempel krav om liggeareal.
Men det har manglet detaljert informasjon om hvordan grisene faktisk bruker de forskjellige områdene gjennom døgnet. Tidligere studier har basert seg på relativt korte observasjoner og manuell registrering, noe som gir et begrenset bilde av virkeligheten.
Gjennom flere forskningsprosjekt har Ocepek og kollegene utviklet metoder for å følge aktivitet, bevegelsesmønstre og bruk av miljøet hos enkeltgriser over tid. Arbeidet har også avdekket noen overraskelser.
─ Grisene har et mer fleksibelt aktivitetsmønster enn tidligere antatt. De bruker ikke alltid områdene i bingen slik de er tiltenkt. For eksempel hviler de ofte på spaltegulv selv når forholdene skulle tilsi noe annet, sier Ocepek.
Dessuten er det betydelig aktivitet i bingen også på nattestid.
KI fanger opp individuelle forskjeller
Forskningen viste at grisene er ganske synkroniserte i atferden. Ofte var en stor del av gruppa enten aktiv eller hvilte. Det er fordi griser er sosiale dyr, og de påvirker hverandres adferd. Men selv om grisene i stor grad var koordinert som gruppe, så forskerne at det var klare forskjeller mellom individer.
─ Noen griser beveget seg mye og brukte hele bingen, mens andre holdt seg i begrensede områder. Denne kombinasjonen av gruppeatferd og individuell variasjon gir et mer nyansert bilde av hvordan grisene faktisk har det i en ordinær grisebinge, sier Ocepek.
Avvik i aktivitetsmønster gir viktig informasjon
Resultatene viste også at aktiviteten til hver enkelt gris varierte fra dag til dag. Siden det er individuelle forskjeller på grisene er det ikke hensiktsmessig å bruke én felles grense for hva som kan karakteriseres som normal aktivitet. Hver gris bør i stedet sammenlignes med sitt eget normale aktivitetsnivå.
Det å observere variasjonen er viktig fordi det kan brukes til å oppdage avvik, for eksempel sykdom eller stress, på et tidlig stadium. En annen fordel er muligheten til å analysere sammenhenger over tid. Det gir bedre forståelse av hva som skjer før og etter en bestemt atferd, og hvorfor den oppstår.
─ Et fall i aktivitet er først virkelig interessant hvis den er lavere enn grisens egen normalverdi. En gris som plutselig beveger seg mindre enn normalt kan være et varseltegn, sier Ocepek.
Bidrar til mer bærekraftig matproduksjon og økt tillit hos forbrukere
Overvåkning og tidlig varsling om avvik kan bli et viktig verktøy for bonden for å drive effektivt, redusere tap og bruke ressurser mer bærekraftig. Det kan redusere både veterinærutgifter og medisinbruk. Det vil også kunne bidra til bedre dokumentasjon og åpenhet rundt griseholdet og større tillit hos forbrukere og samfunnet.
Referanser:
Marko Ocepek mfl.: DigiPig: First Developments of an Automated Monitoring System for Body, Head and Tail Detection in Intensive Pig Farming. Agriculture, 2022. Doi.org/10.3390/agriculture12010002
Marko Ocepek mfl.: DigiPig: First developments of an automated monitoring system for body, head and tail detection in intensive pig farming. Agriculture, 2022. Doi.org/10.3390/agriculture12010002
Marko Ocepek: Diurnal and day-to-day movement patterns of finishing pigs on deep straw bedding during the last 20 d before slaughter. Journal of Animal Science, 2026. Doi.org/10.1093/jas/skag122