Artificiell intelligens effektiviserar mjölkning av kor

BouMatic är en global ledare inom design, tillverkning och leverans av mjölksystem och utrustning för mjölkgårdar. Med över 80 års erfarenhet av mjölkningsteknologi hjälper företaget mjölkbönder att öka lönsamheten och ta hand om djurvälfärden, samt skapar lösningar för morgondagens utmaningar.

Inmeta blev engagerade av BouMatic på grund av deras ledande expertis inom artificiell intelligens och maskininlärning. Målet var att undersöka hur Boumatic kunde använda ny teknik för att öka mjölkproduktionen samtidigt som man minskar belastningen på korna.

Mjölkkor kan mjölkas upp till två till tre gånger om dagen. Med 300 kor i genomsnitt på mjölkgårdar i USA, måste tiden mellan mjölkningarna strategiskt hanteras för att bönderna ska maximera sin vinst. En mjölkbondes inkomst korrelerar direkt med mjölkproduktionen. Därför är optimering av mjölkningsfrekvensen avgörande, och kräver ofta att bönderna arbetar konstant. Under de senaste tre decennierna har mjölkproduktionen per ko fördubblats. Med ökningen i antal kor och mjölkningar såg BouMatic behovet av att effektivisera mjölkprocessen.

Projektet började med att Inmetas AI-team utvärderade mjölksystemet för att identifiera områden för förbättring. Där upptäckte de att den största potentialen för optimering låg i 'spenkänningen', och att förbättringar här skulle kunna leda till snabbare, mer exakta och robusta mjölkprocesser. Spenkänningen är där BouMatics mjölkningsrobotar fäster sig vid konas spenar på juvret för att mjölka.

Teamet upptäckte att genom att använda toppmoderna AI-modeller för Computer Vision skulle roboten kunna anpassa sig till variationer av kor, ljusförhållanden och generellt ha bättre flexibilitet.

Fyndet resulterade i att teamet byggde en modell som kan upptäcka flera objekt under robotens mjölkhantering. De kom fram till att lösningen troligen skulle kunna överträffa den etablerade detektionen av spenar när det gäller hastighet, noggrannhet, robusthet och förutsägelse.

Implementeringen av Computer Vision och Neural Networks krävde komplex modellering och mönsterigenkänning för att anpassa sig till variationer i kor och ljusförhållanden.

Modellen hanterar 3D-bilder, tar hänsyn till djup, belysning och koordinater. Denna automatiserade spen-detektor lär sig att skilja mönster för att göra exakta förutsägelser. Bildbehandling med hög hastighet möjliggör effektiv filmrörelse.

Användning av maskininlärning för förbättrad optimering av Neural Networks avslöjar komplexa data, och Computer Vision vägleder maskinen i att identifiera nyckelvisuella aspekter. Maskininlärning lär datorn att känna igen mönster och göra förutsägelser. Edge Computing integrerades också för att möjliggöra snabb bearbetning av data med hög volym nära platsen.

Genom att analysera speninformation och definiera nyckelpunkter, vet roboten exakt var den ska koppla sig, och uppnår en noggrannhet inom 10 pixlar. Modellen erbjuder realtidsinformation med upp till 31 bilder per sekund, och har en 99% noggrannhet i objektdetektion.

Automatiseringen har visat en betydande ökning med 99% i effektivitet och noggrannhet i mjölkprocessen. Denna förbättring till mjölkningsrobotarna översätts till tiotals miljoner dollar i värde för BouMatic under de kommande åren. Mjölkprocessen är nu mindre stressande för korna, vilket också ger rikare mjölk av bättre kvalitet. Korna kan nu köa när de känner sig redo att bli mjölkade, och genom att kunna gå till ett mjölkrum oftare, undviker de onödig bärande av mjölk. Korna drar också nytta av att robotarna gör färre "anslutningsfel" och minskar tiden i mjölkbåset.

Läs mer om hur vi arbetar med artificiell intelligens.