Technische Samenvatting: Van Handmatige Observatie naar Geautomatiseerde Monitoring van Speelgedrag bij Groepshoeds Melkkalveren

Probleemstelling

Dierenwelzijn in de moderne zuivelproductie wordt steeds vaker gedefinieerd door het vermogen om positieve emotionele toestanden en soorttypische gedragingen, zoals spelen, te faciliteren. Hoewel spelen dient als een robuuste indicator voor positief welzijn, blijft de relatie met de beschikbare ruimte onder commerciële omstandigheden slecht gekarakteriseerd, met name bij gemiddelde tot hoge dichtheden (6–20 m² per kalf). De huidige Europese Unie-wetgeving verplicht een minimum van 1,5–1,8 m², terwijl recente EFSA-aanbevelingen suggereren dat 20 m² nodig is voor volledige expressie van locomotorisch spel; echter, empirische gegevens die deze kloof overbruggen zijn schaars. Bovendien wordt systematische monitoring van spel op commerciële boerderijen bemoeilijkt door de arbeidsintensiviteit, waarnemersbias en het gebrek aan schaalbaarheid dat inherent is aan handmatige videoanalyse. Bestaande sensorgebaseerde benaderingen (bijv. versnellingsmeters) missen de specificiteit om spel te onderscheiden van andere activiteiten en bieden geen ruimtelijke context.

Methodologie

Studieontwerp en Gegevensverzameling

De studie onderzocht 60 in groepen gehouden melkkalvers op 14 commerciële boerderijen in Nederland. De ruimteverdeling varieerde van 2,66 tot 17,98 m² per kalf. De gegevensverzameling vond plaats over perioden van één week per boerderij (juni 2024–mei 2025), bestaande uit continue video-opnames (06:00–23:00) via aan het plafond of de zijkant gemonteerde Bascom-camera's.

• Creatie van de Ground Truth: Zeven getrainde waarnemers hebben videobeelden handmatig geannoteerd met de Observer XT-software. Een gedetailleerd ethogram categoriseerde spel in locomotorisch, sociaal, object- en stro-gerelateerd spel. Observaties werden opgenomen met een resolutie van 0,1 seconde, waarbij de focus lag op de tweede dag van elk bezoek om het effect van de waarnemer te minimaliseren.
• Covariaten: De gegevens bevatten kalfdemografie (leeftijd, gewicht, ras), gezondheidsstatus (gecategoriseerd naar ernst van symptomen), melkinname, groepsgrootte en beddingskwaliteit. Kalveren met ernstige ziekte werden uitgesloten.

Ontwikkeling van de Computer Vision Pipeline

Om schaalbare monitoring mogelijk te maken, werd een pipeline ontwikkeld die drie state-of-the-art foundation models integreert:

1. Objectdetectie: YOLOv12 (voorgetraind op COCO) detecteerde de bounding boxes van de kalveren.
2. Segmentatie en Tracking: SAM2 genereerde segmentatiemaskers en volgde individuen door de frames heen met behulp van video memory.
3. Kenmerkextractie: DinoV2 (een vision transformer voorgetraind via self-supervised learning op 142 miljoen afbeeldingen) extraheerde 1024-dimensionale visuele embeddings uit de uitgesneden kalf-afbeeldingen.
4. Metadata Integratie: Handmatige annotaties werden temporeel uitgelijnd met de videoframes met behulp van Optical Character Recognition (OCR) om tijdstempels uit on-screen overlays te extraheren.
5. Classificatie: Een Multi-Layer Perceptron (MLP) classifier werd getraind op de DinoV2 embeddings om gedragsklassen te voorspellen (Actief Spelen, Niet-actief Spelen, Niet Spelen). De dataset werd gestratificeerd om klassenimbalans aan te pakken, wat resulteerde in een gebalanceerde trainingsset van ~22.800 samples.

Statistische Analyse

Lineaire gemengde modellen werden gebruikt om de relatie tussen de ruimteverdeling en de speelduur (uitgedrukt als percentage van de observatieperiode, %OP) te analyseren, waarbij de boerderij als random effect werd opgenomen. Multivariabele modellen controleerden voor leeftijd, gezondheid, melkinname, groepsgrootte en beddingskwaliteit.

Belangrijkste Resultaten

Ruimteverdeling en Speelgedrag

• Totaal Spel: Kalveren besteedden gemiddeld 1,0% van de observatieperiode aan spelen (ongeveer 10 minuten per 17-urige dag). Sociaal spel vormde de meerderheid (55% van de totale speeltijd), gevolgd door locomotorisch (26%), object (15%) en strospel (2%).
• Niet-lineaire Relatie: Er werd een significante, niet-lineaire relatie gevonden tussen de ruimteverdeling en de totale speelduur ($P < 0,01$).
  • Piekprestaties: De hoogste spelniveaus kwamen voor bij 8–10 m² per kalf (1,59% OP, ~16 minuten/dag).
  • Lage Punten: Spel was het laagst bij 6–8 m² en 12–14 m² (<0,6% OP).
  • Plateau: Bij 16–18 m² waren de spelniveaus (1,29% OP) niet significant hoger dan bij 8–10 m², wat wijst op een plateau-effect in plaats van een lineaire toename.
• Subtype Specificiteit: De ruimteverdeling voorspelde significant de duur van sociaal spel ($P < 0,05$), met pieken bij 8–10 m² en 16–18 m². Er werd geen significant effect gevonden voor objectspel, en het effect op locomotorisch spel was minder uitgesproken dan voor het totale spel.

Prestaties van de Geautomatiseerde Monitoring

• Classificatienauwkeurigheid: De MLP-classifier behaalde een totale nauwkeurigheid van 97,6% op de gehouden testset.
• Recall voor Actief Spel: Het model vertoonde een recall van 99,4% voor de detectie van actief spel, wat duidt op een zeer laag aantal fout-negatieven, wat cruciaal is voor welzijnmonitoring.
• Precisie: De precisie voor actief spel was 0,96.
• Pipeline Efficiëntie: Het verwerken van 90.000 frames (5 uur video) vereiste ongeveer 35 uur rekentijd op een Databricks-cluster (een verhouding van 7:1 tussen verwerking en video). Het systeem verwerkte succesvol 108 uur aan beelden van 6 boerderijen voor training.

Geïdentificeerde Technische Uitdagingen

De studie belicht specifieke implementatieproblemen in commerciële omgevingen:

• Camerahoeken: Camera's boven het dier boden superieure trackingstabiliteit (100% frame succes) maar leden onder een lage initiële detectiegraad (25%) door domeinverschuiving ten opzichte van de op ooghoogte getrainde data. Zijwaarts gemonteerde camera's hadden hogere detectiegraad maar lagere trackingstabiliteit door occlusies (blokkades).
• Witte Object Hallucinatie: SAM2 vertoonde "witte object hallucinatie", waarbij witte kalveren op witte strobedding zorgden voor lekkende segmentatiemaskers in de achtergrond, wat leidde tot trackingfouten.
• Temporele Uitlijning: Het succespercentage van OCR voor tijdstempelextractie varieerde sterk (3% tot 99,8%) afhankelijk van het lettertypecontrast en de weergavekwaliteit, wat de uitlijning van de ground truth met de videoframes beïnvloedde.

Belangrijkste Bijdragen en Betekenis

1. Empirisch Bewijs voor Ruimtestandaarden:
De studie biedt de eerste uitgebreide karakterisering van de ruimte-spelrelatie over een breed spectrum (2,7–18 m²) onder commerciële omstandigheden. Het daagt de aanname uit dat meer ruimte lineair gelijkstaat aan meer spel, en identificeert 8–10 m² per kalf als een praktisch doel dat het spelgedrag maximaliseert. Deze bevinding suggereert dat de huidige EU-minima (1,5–1,8 m²) ontoereikend zijn, terwijl de EFSA-aanbeveling van 20 m² mogelijk de drempel overschrijdt waarbij ruimte de primaire beperkende factor voor spel is.

2. Schaalbare Geautomatiseerde Monitoring:
Het onderzoek demonstreert dat computer vision pipelines die gebruikmaken van foundation models (YOLOv12, SAM2, DinoV2) kleine handmatige annotatieprojecten (108 uur) kunnen opschalen naar continue, objectieve welzijnsbeoordelingssystemen. Het systeem bereikt een hoge getrouwheid (97,6% nauwkeurigheid) met minimale taakspecifieke training, waardoor de schaalbaarheidsbeperkingen van handmatige observatie worden overwonnen.

3. Praktische Implementatierichtlijnen:
Het artikel biedt op bewijs gebaseerde aanbevelingen voor het inzetten van geautomatiseerde monitoring, waarbij de nadages wordt gelegd op de trade-offs tussen camera-montagehoeken (bovenaanzicht voor stabiliteit versus zijwaarts voor detectie) en de noodzaak van hoog-contrast tijdstempeloverlays voor temporele uitlijning.

4. Bescheiden Claims over Causaliteit:
De auteurs erkennen expliciet het observationele karakter van de studie, waarbij zij opmerken dat hoewel statistische modellen voor gecontroleerde variabelen hebben gecorrigeerd, niet-gemeten factoren op boerderijniveau (bijv. managementstijl, verrijking) de resultaten kunnen beïnvloeden. De studie claimt geen causaliteit te bewijzen, maar biedt gegevens met een hoge ecologische validiteit om welzijnsnormen en toekomstige gerandomiseerde trials te informeren.

Samenvattend vormt dit werk een brug tussen diergedragswetenschap en technologische innovatie, waarbij een gevalideerde methode wordt geboden om positieve welzijnsindicatoren op schaal te monitoren en datagedreven richtlijnen biedt voor het optimaliseren van de huisvestingsruimte om het welzijn van kalveren te verbeteren.