Ved NMBU viser forskarar korleis kunstig intelligens kan gi meir presise data om dyrevelferd hos produksjonsdyr, utvikla på grunnlag av etologisk kunnskap.
Seminaret ‘‘Use of AI in studies of farm animal behaviour and welfare – visions and reality’’ samla fagmiljø frå fire fakultet i Auditorium Hippocampus onsdag 20. mai 2026, i regi av DyreBar Samhandlingsarena for bærekraftig husdyrproduksjon, dyrehelse og dyrevelferd ved NMBU. Professor Inger Lise Andersen, forskar Marko Ocepek og doktorgradsstipendiat Talha Laique frå Fakultet for biovitskap viste korleis kamera, datasyn, video, sensorteknologi og maskinlæring opnar nye moglegheiter for å studere åtferd og dyrevelferd hos produksjonsdyr. Samtidig peika dei på eit sentralt poeng: Det er framleis eit stykke frå visjon til praksis.
Frå observasjon til KI-klare data
Seminaret tok utgangspunkt i Tinbergens fire spørsmål som ligg til grunn for etologien: Kvifor ei åtferd er viktig for overleving, kva mekanismar som utløyser ho, korleis ho har utvikla seg hos individet, og den evolusjonære historia hennar. Dette er også kunnskap som må liggje til grunn når ein utviklar KI-modellar for åtferdsforsking.
Føredraget viste korleis kunnskap om dyrevelferd steg for steg kan bli gjort om til objektive, kontinuerlege og anvendelege målingar: Frå manuell observasjon og etogram, til ekspertfastsette referansestandardar og annotering av bilete og video, som til slutt blir brukt for å trene KI-modellar til sjølv å kjenne att indikatorane.
Manuell observasjon og etologisk fagkunnskap legg grunnlaget for teknologien ved å sikre biologisk meiningsfulle data. Når KI-modellane blir trent på dette grunnlaget, fungerer dei som eit kraftig verktøy som bidrar med kontinuerleg overvaking, meir objektiv registrering og tidleg varsling ved avvik over tid og på mange dyr.
Frå bingenivå til individuelle åtferdsmønster
Ein stor del av seminaret handla om forsking på gris. Her vart det vist fleire døme på korleis datamaskinar kan lærast opp til å kjenne att kroppsdelar, rørsler, positurar og åtferd i videomateriale frå gruppehald under kommersielle forhold.
I prosjektet DigiPig har forskarar mellom anna arbeidd med å gjere grisen ‘‘synleg’’ for datamaskina gjennom automatisert deteksjon av kropp, hovud og hale. (Ocepek et al., 2022). Andre studiar har nytta elektroniske id-merke og sensorteknologi til å følgje slaktegrisar individuelt over 20 dagar. Eitt av funna som vart trekt fram, er at aktivitetsmønsteret varierte mykje mellom individ og frå dag til dag. Konklusjonen var at velferdsovervaking ikkje berre bør byggje på gjennomsnittet for ei gruppe, men på kva som er normalt for kvart enkelt dyr (Ocepek, 2026).
Forskarane presenterte også arbeid med kamera som registrerer avstand, og med nye modellar som kan klassifisere fleire ulike former for åtferd og kroppshaldning, mellom anna utforsking, leik, aggresjon og biting. Målet er ikkje berre å telje kor ofte ei åtferd oppstår, men også å forstå åtferdssekvensar og samanhengar: Kva skjer før og etter leik, utforsking eller konflikt? Slike analysar kan på sikt gi eit langt rikare bilete av dyrevelferd enn enkle teljingar åleine.
Flekkar som avslører stress hos laks
I siste del av seminaret presenterte doktorgradsstipendiat Talha Laique sitt arbeid med melaninbaserte flekkar på gjelleloket hos atlantisk laks. Tidlegare forsking har vist at slike flekkar kan vere knytt til stressrespons og åtferd, og prosjektet undersøker om datasyn (computer vision) kan brukast til å analysere slike endringar automatisk.
Ved hjelp av modellar for deteksjon og segmentering vart bilete av laks analyserte før og etter ein kontrollert stressituasjon. Resultata viste at flekkane vart lysare etter belastninga, noko som kan tyde på at slike visuelle markørar kan gi relevant informasjon om fiskens tilstand. Arbeidet illustrerer korleis KI-baserte metodar også kan få ei viktig rolle i forsking på fiskevelferd. Arbeidet er publisert i tidsskriftet Fishes (Laique et al., 2026) . Verktøyet for generell bruk som vart utvikla for merking og analyse av bileta, er gjort ope tilgjengeleg på GitHub.
Fagkunnskap som premiss for verktøyet
Eit gjennomgåande tema i seminaret var korleis KI fungerer som eit verktøy. Før ein modell kan kjenne att åtferd, må etologisk fagkunnskap liggje i botn for å definere kva som skal observerast, kva som er biologisk relevant, og korleis indikatorane skal forståast.
Når dette verktøyet blir utvikla på grunnlag av solid åtferdsvitskap, gjer det forskinga meir presis, skalerbar og meir relevant for praktisk arbeid med dyrevelferd.
Vegen vidare
Andersen, Ocepek og Laique er med i forskargruppa Datadrevet etologi og dyrevelferd, som kombinerer klassisk åtferds- og velferdsvitskap med nevrobiologi og reknemetodar for å studere dyrevelferd på tvers av artar. Gruppa er knytt til Veterinærhøgskolen, Fakultet for biovitskap og Fakultet for kjemi, bioteknologi og matvitskap, og blir leidd av professor Andrew M. Janczak. Gruppemedlemmane samarbeidde om to søknader innan KI-basert overvaking ved NFR sin søknadsfrist våren 2026 og er ein del av samhandlingsarenaen Dyrebar (Samhandlingsarena for bærekraftig husdyrproduksjon, dyrehelse og dyrevelferd). Både forskargruppa og Dyrebar arbeider for å utvikle ny kunnskap og nye verktøy for tidleg varsling av helse- og velferdsavvik hos produksjonsdyr.
Seminaret vart avslutta med ein felles visjon om å utvikle sterkare tverrfagleg forsking på KI, åtferd og dyrevelferd ved NMBU, gjerne i form av ein samla SFI-søknad. Målet er å utvikle KI-baserte metodar for å identifisere og analysere åtferdsmessige, fysiologiske og fysiske indikatorar knytt til helse, velferd, motstandsdyktigheit og sjukdom hos dyr. Arbeidet spenner på tvers av artar og fagmiljø, frå gris og storfe til oppdrettsfisk, og frå etologi og nevrobiologi til sensorteknologi og maskinlæring. Slik kan NMBU bidra til å utvikle ny kunnskap og nye verktøy for framtidas husdyrforsking.
Bidrag
Andrew skreiv førsteutkastet av denne artikkelen, Veslemøy Oma omarbeidde utkastet, og Marko, Inger Lise og Talha bidrog med endelege korreksjonar og redigering.
Kjelder
Ocepek, M., Žnidar, A., Lavrič, M., Škorjanc, D., & Andersen, I. L. (2022). DigiPig: First developments of an automated monitoring system for body, head and tail detection in intensive pig farming. Agriculture, 12(1), 2. https://doi.org/10.3390/agriculture12010002
Ocepek, M. (2026). 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, 104, skag122. https://doi.org/10.1093/jas/skag122
Laique, T., Gunnes, M., Folkedal, O., Nilsson, J., Green, E. A. L., Gundersen, H. N., Øverli, Ø., & Ullah, H. (2026). Quantification of Opercular Pigmentation Changes in Farmed Atlantic Salmon: A Novel Application for Computer Vision in Fish Welfare Assessment. Fishes, 11(5), 271. https://doi.org/10.3390/fishes11050271