De mogelijkheid om individuele voeropname te meten is al lang een wens van de melkveehouderij, om te fokken op voerefficiëntie, maar ook om beslissingen opbedrijfsniveau te ondersteunen. Daarnaast zijn veranderingen in voeropname en voergedrag indicatoren van ziekte bij melkkoeien (bijvoorbeeld ketose, kreupelheid). In onderzoek worden vaak ruwvoeropname-controlebakken gebruikt om de voeropname van individuele koeien te meten. Deze methode is echter niet toepasbaar op commerciële boerderijen vanwege de hoge investeringskosten. Oplossingen gebaseerd op computervisie kunnen dienen als alternatief dat wordt toegepast onder praktische bedrijfsomstandigheden, tegen relatief lage investeringskosten.
We gaan een computer visie systeem ontwikkelen en valideren voor metingen van voergewicht op basis van opnames van een RGB-dieptecamera in een melkveestal. Deze camera’s zijn in staat om de driedimensionale eigenschappen van objecten vast te leggen, in tegenstelling tot een normale (RGB) video zoals wij die kennen. Boven de voerstapel in een melkveestal wordt een RGB-dieptecamera geïnstalleerd en parallel wordt het voergewicht gemeten met een automatische weegschaal. Door het voervolume en andere kenmerken van bovenaanzicht-opnames te koppelen aan machinelearning en deep learning-algoritmen, kunnen we het gewicht van hoeveelheden voer schatten.
Zodra de methode voor het schatten van het voergewicht is gevalideerd in ons huidige experiment, zal het worden getest met koeien om de dagelijkse individuele voeropname te schatten. Met dezelfde opnames maakt deze methode ook meer gedetailleerde gedragsobservaties mogelijk (bijvoorbeeld voedingspatroon, agressie). Het huidige experiment is slechts de eerste stap van een lange en opwindende reis.