Tilbake til søkeresultatene

FFL-JA-Forskningsmidlene for jordbruk og matindustri

New traits in pig and cattle based on 3D imaging technology

Alternativ tittel: Nye avlsegenskaper for svin og storfe fra 3D bildeteknologi

Tildelt: kr 6,8 mill.

I dette prosjektet har avlsorganisasjonene Norsvin, Geno og Tyr sammen med NTNU, og Universitetet i Auckland (NZ) utviklet nye avlsegenskaper, basert på bildeteknologi. Formålet med prosjektet har vært både å effektivisere datafangst for tradisjonelle avlsegenskaper, samt å utvikle nye egenskaper, basert på bilder og video-data. Det har vært fire arbeidspakker (AP) i prosjektet AP1: Å utvikle 3D-kamera med RFID-løsning. I denne arbeidspakken har vi utviklet en håndholdt kamera-prototyp for datafangst av jureksteriør. Denne har vi anvendt både til å samle bildedata på over 1000 kujur, samt et datasett for å kunne beregne testikkelomkrets på unge avlsokser. 3D-kamera ble også montert i taket over grise- og oksebinger for å kunne måle størrelse og adferd på dyra. En del av disse kamera ble erstattet av vanlige farge-kamera, siden utviklingen av algoritmer for maskinlæring (ML) for å kunne detektere objekter på fargebilder har gått svært raskt de siste åra. AP2. Sporing av dyr i bingen. For å kunne avle for en frisk gris med god adferd er det fordelaktig å vite grisens posisjon og aktivitet til enhver tid, og dette ønsker vi å fange ved hjelp av overvåkningskamera. For å kunne identifisere grisene, benytter vi øremerker med RFID som blir avlest hver gang grisen besøker foringsstasjonen. Gitt at vi har synkroniserte klokker i foringsstasjonen og i videoopptaker, kan vi derfor finne ID-en på dyret like før og etter det har spist. Men grisene er veldig like i utseende og det er fort gjort for en algoritme å miste sporinga av dyret mellom to besøk i foringsstasjonen. Vi har derfor, i tillegg utstyrt grisene med et annet farget øremerke som gjør det mulig å re-identifisere dyr, også når det ikke er i foringsstasjonen. I tillegg til å tilrettelegge for kommunikasjon mellom ulike data-kilder, har mye av arbeidet i denne arbeidspakken gått på å utvikle datasett for trening av ML-algoritmer for deteksjon. I tillegg har vi testet ulike algoritmer for deteksjon, identifisering og sporing. Vi har hatt god framgang, men vi er ikke i mål med utviklinga, så dette arbeidet vil bli ført videre i et annet IPN-prosjekt (Genes2Behave, prosjektnummer 321409). AP3. Modellering av form fra bilder. Bilde- og video-data er komplekse datakilder, og det er krevende å hente ut det samme objektet fra ulike bilder. Ikke minst er dette krevende når man tar bilder av levende dyr som flytter på seg. For å kunne prosessere slike data, må man utvikle robuste algoritmer som kan korrigere for uklare bilder, og bilder der objektet er rotert eller mangler fullstendig. I denne arbeidspakken har vi anvendt og utvikla ulike teknikker for å klassifisere, segmentere og innrette objekter som gjør datasettet uavhengig av hvordan dyret stod, da bildet ble tatt. AP4. Utvikle nye egenskaper fra komplekse data. For å kunne bruke data inn i et avlsprogram, må data lagres på individnivå som en eller noen få, skalare verdier. For noen egenskaper, som for eksempel vekt er dette enkelt, men for andre egenskaper, som den komplekse 3D-forma på et jur, er prosessen mye mer krevende. Vi har utvikla og testa metoder for å kunne dra sammen 3D-data til noen få relevante og tolkbare egenskaper for avl. Vi har videre utvikla en prosess for å automatisk kunne finne den optimale statistiske modellen for genetiske analyser og vi har organisert nye data inn i databasene som blir brukt for beregning av avlsverdier Noen av resultatene fra prosjektet har allerede blitt tatt i avlsprogrammene for gris og storfe. Dette gir økt genetisk framgang, med gunstige ringvirkninger for både avlsorganisasjonen, bøndene og forbrukere. Formidling av både forskningsprosess og resultater har skjedd bredt, i møte med bønder, i nasjonale og internasjonale fagtidsskrifter, podkaster og på internasjonale konferanser. I tillegg har vi fått mye ny kunnskap, om både teknologi og dyr, og dette vil bli utnytta i utarbeiding av framtidas avlsmål.

During the project, the project group have gathered knowledge about how to use camere technology to automatize measurements of animals and how to develop computational pipelines for storage and processing image data for breeding purposes. Thus, the project has given the researchers new tools and knowledge that would speed up future research and built some strong collaboration between teams. This has founded other research proposals, whereof 4 are funded (“3D shape analysis of cattle to improve data collection”, NFR project number 310239, “Genes2Behave”, NFR project number 321409, Breeding for better cardiovascular and respiratory function of pigs - “A heart for pigs”, NFR project number 332120 and Meat Quality Evaluation using Non-Invasive Advanced Imaging Technologies and Computer Vision, RFFI project number 337814. Further, some traits and models developed through the project has strongly contributed to improved selection accuracy within the breeding programmes of both cattle and pigs. For example, by implementating the new conformation models on Norwegian red cattle, the genetic gain increased by about 25%. This gives a huge value for the farmers and society as whole. In addition, it improves the competitiveness of GENO on the international market. Similarly, by implementing the new carcass composition AI model, Norsvin increase the genetic gain for carcass traits, which again lead to better economics for swine farmers and improved competitiveness of the company. Being in the front when it comes to utilization of new technology and developing new traits related to health and animal welfare, makes also the companies more visible in the community. This makes the breeding organizations attractive, both as research partners and when hiring people for permanent positions.

In this project, we want to improve the production, functionality and longevity of livestock animals, by developing objective registrations of new traits from images and videos. Increased precision and extent of data recordings improves the genetic gain of pigs and cattle and will enable an increment of sustainable food production based on Norwegian resources - throughout the country As new tools within genomics has led to an increase in the precision of breeding, there is in parallel a high need for more precise registrations of the traits we want to improve on our livestock animals. Historically, scoring of an animals locomotion and conformation have been scored subjectively by trained technicians in both pigs and cattle. This is labour intensive and leads to high costs as well as insufficient quality of data. Weighing animals in the field is expensive and associated with a lot of hard manual work. Increased precision and more data, due to more simple registrations, will highly improve the accuracy of selection of the best animals in the breeding program. In this project, we are going to develop 3D camera prototypes for measuring animals and utilize computer vision to enable cost-effective precise measurements of livestock animals. The images/videos will be directly linked to the ID of the animal, using radio frequency identification (RFID). Further, we will develop effective automatic algorithms to get out registrations on single animals from videos containing many animals in a pen and model the surfaces, describing the shape of the animals. This will found the basis for development of new traits that can be implemented in the breeding programme for pigs, dairy cattle and beef cattle.

Budsjettformål:

FFL-JA-Forskningsmidlene for jordbruk og matindustri

Finansieringskilder