Genes2behave - Using vision-related behavioral traits in commercial breeding programs for pigs.

Dårlig økonomi og økt etterspørsel fra forbrukere etter kjøtt produsert med god dyrevelferd har endret rammene for svineproduksjonen. Gårdene er større og med høyere dyrebelegg. manuelt arbeid har blitt automatisert og dyr-menneske interaksjonene er færre. Dette er faktorer som påvirker miljøet grisen lever i og det er derfor viktig at avlsselskapene har informasjon om grisens atferd for å sikre at grisen er rolige, sosiale og velfungerende i det sosiale miljøet de holdes i. Det vil si å minimere skadelig atferd som for eksempel halebiting og aggresjon og stimulere til positive atferder som lek og utforskende atferd. De siste års framgang innen bruk av videoteknologi, kunstig intelligens (AI) og maskinlæring (ML) på ulike fagområder har gitt nye muligheter for å registrere grisens atferd i bingen. I dette prosjektet har vi som mål å registrere atferd hos griser som påvirker dyrevelferd, og å utvikle et rutineprogram for å kunne ta i bruk atferdsegenskaper fra video inn i vårt avlsprogram. Vi har de siste årene hatt 18 kamera som har overvåket 18 binger hele døgnet på Norsvin Delta. Data materialet lagres i en skyløsning. Prosjektet har utviklet en løsning for å enkelt kunne hente ut videodata som skal brukes for annotering. Prosjektet har brukt store ressurser for å annotere videodata. Dette er for å kunne lære maskinlæringsalgoritmene hvordan de skal gjenkjenne griser, identifisere dem og beskrive hva de gjør (står, ligger, sitter, spiser eller drikker) og følge dem etter hvert som de beveger seg rundt i bingen. Det har blitt utviklet ulike maskinlæringsmodeller for å gjenkjenne grisen og hva den gjør, identifisere grisen og spore grisen i bingen. For å klare å nyttiggjøre seg av alle disse modellene har vi vært avhengig av å utvikle en god struktur for å kunne prosessere videodata i skya, og utnytte resultatene fra denne prosesseringen. Vi lagrer alle videofilene i skyen, noe som sikrer rask tilgang når vi trenger dem. Filene lastes opp til Google Cloud-bøtter, hvor de lagres lett tilgjengelig i 120 dager før de flyttes til et mindre tilgjengelig lager. Dette er kostnadsbesparende. Når maskinlæringsmodellene kjøres, strømmes videoene fra Google Cloud-bøtten der de er lagret. Dette sikrer rask tilgang til videoene og gjør det enklere å bytte kilde senere, for eksempel til direkte strømming fra kamera. Resultatene fra maskinlæringsmodellene inneholder mye data og lagres i en database. Metadataene fra maskinlæringskjøringen lagres i databasen, slik at vi senere kan se hvilke videoer som er prosessert, når, og med hvilken modell. Vi bruker virtuelle maskiner i skyen. Dette betyr at vi kan starte så mange maskiner vi trenger, avhengig av hvor mange videoer vi skal prosessere. Totalt har vi nå videodata på 1660 råner, fordelt på to raser. For å være kostnadseffektive har i kun prosessert videoer for en rase. Det vil si at vi har kjørt modellene for gjenkjenning, identifisering og sporing på en rase foreløpig, for å kunne gjøre genetiske analyser av egenskapene som forteller hvor mye tid dyrene bruker på å stå, sitte, ligge, spise og drikke. Vi har begynt arbeidet med prediksjonsmodeller for mer komplekse egenskaper, og de fire første atferdene vi lager prediksjonsmodeller for er halebiting, ørebiting, flankesuging og haleposisjon. Dette er de fire atferdene som prosjektet har prioritert som viktigst. Vi har annotert en rekke andre atferder også som vi vil lage prediksjonsmodeller for senere. Mot slutten av prosjektet er det nå viktig for oss å lage ferdig prediksjonsmodellene, samt optimalisere de ulike modellene for å gjøre dem så kostnadseffektive som mulig.

Poor economy and increased consumer demand for animal welfare friendly meat production has changed the framework for pig production. The farms are bigger with high animal turn-over. Manual work is automatized, the group sizes are increasing, and the human-animal interactions are reduced. These factors are all creating the framework for the environment pigs are kept in. It is therefore crucial that breeding companies have information about behaviour to evolve the pig breeds to be calm, social and well-functioning in their social environment. This means to minimize antagonistic and damaging behaviours such as aggression and tail biting and stimulate to optimal behaviours such as play, positive interactions and exploration. Advances in vision technologies, artificial intelligence (AI) and machine learning (ML) have offered new opportunities to measure behavioural traits. In this project we aim to measure behavioural traits in pigs that influence animal welfare, production efficiency and product quality in order to establish a routine pipeline for implementation of behavioural traits in our breeding program. This will be achieved using novel techniques within artificial intelligence, machine learning and digitization of pig behaviour through videos. From videos, the project shall identify novel behavioural traits relevant for genomic selection. The project will therefore develop models for efficient storage of informative images from video and develop models for predicting different behavioural traits. When the automated recording of behaviour is established and available - genomic analyses of the new traits will be performed to identify heritable traits relevant for implementation in the breeding program. Introducing a novel digital pipeline from video to breeding value for behavioural traits is essential in terms of improving the animal welfare and profit in pig production, but also our breeding programs and competetive advantage in an international market.