Sredinom 1970-ih prosječna američka mliječna farma imala je oko 25 krava. Danas mnoge operacije imaju više od 3.000 - broj koji je bio gotovo nečuven prije 25 godina.
Učinkovito upravljanje velikim stadom bilo bi teško, možda čak i nemoguće, bez najnovijih napretka u računalstvu i automatizaciji. Većina mljekara sada ima salone za mužnju i pripadajuće kućište bez staje, koje udvostručuju ili trostruko proizvode po jednom satu. Jedinice za mužnju automatski se odvajaju radi smanjenja zdravstvenih problema vimena i poboljšanja kvalitete mlijeka, dok transponderi s ID-om krave omogućuju poljoprivrednicima da automatski bilježe podatke o proizvodnji.
Najnoviji veliki tehnološki napredak koji utječe na američku mljekarsku industriju jest razvoj automatskih sustava za mužnju - ili „robotskih“ mljekara.
Na mliječnom centru Sveučilišta Connecticut u Kelloggu koristimo robotske mljekare kao i druge senzore za praćenje 100 krava i njihovog fizičkog okruženja. Kroz ovaj rad, pokrenut ovog proljeća, nadamo se da ćemo u stvarnom vremenu pratiti ponašanje i zdravlje pojedinih krava radi poboljšanja proizvodne učinkovitosti i dobrobiti životinja.
Veliki podaci i krave
Robotski mljekari mogu sakupljati mlijeko bez ljudskog učešća. U stvari, krave odlučuju kada će biti mliječne, ulazeći u stroj bez izravnog ljudskog nadzora. Robotski sustav automatski identificira kravu i primjenjuje sanitarni sprej za zob prije nego što robotska ruka pričvrsti čašicu zuba za mužnju.
To se vrlo razlikuje od mužnje u mliječnim kravama, gdje menadžeri odlučuju kada će mlijeko krava, obično tri puta dnevno. Svaka robotska jedinica za mužnju opslužuje 50 do 55 krava.
S obzirom na visoku cijenu ranih verzija robotskih mljekara i veliku veličinu stada u SAD-u, američke su mljekare imale minimalan interes za robotske mljekare prije 2010. Međutim, broj automatskih sustava za mužnju u zemlji povećan je na preko 2500 jedinica u 2013. godini, uglavnom zbog poboljšanja dizajna u novijim modelima. U cijelom svijetu trenutno djeluje preko 35 000 sustava za automatsko mužnju.
Red krava koje se mužu (Toa55 / shutterstock) Ovi noviji strojevi ne samo da su poboljšali učinkovitu berbu mlijeka, već imaju i mogućnost prikupljanja veće količine podataka o proizvodnji, sastavu mlijeka i ponašanju krava. To proizvođačima omogućuje donošenje informiranijih upravljačkih odluka.
Uz robotske sustave mužnje krave vode emisiju. Oni odlučuju kada će jesti, ruminirati, odmarati se ili mlijeko. Oni također trebaju potrošiti manje od sat vremena dnevno u stvarnosti što su mliječni; prije robotskih mljekara, mužnja je često trajala tri do pet sati dnevno.
Htjeli smo znati: što rade s ostatkom dana? Kako takvo ponašanje utječe na proizvodnju ili služi ukazivanju na zdravstveno stanje? Sami, jedinice za mužnju ne mogu prikupiti takve informacije, što bi bilo korisno u ranom otkrivanju razvija li se određena krava sa zdravstvenim problemom.
Naš „krava-CPS“ - cyber-fizički sustav koji uključuje krave, robotske mljekare, video kamere i druge senzore - pratit će podatke o našim kravama u svako doba. To će nam reći, između ostalog, kuda idu krave kada ih ne daju; kad odluče jesti, odmoriti ili obavljati druge aktivnosti; i sastav njihova mlijeka. Senzori smješteni u tijelu čak će nam reći i pH unutar jednog od njihovih stomaka, što bi mogao biti ključni pokazatelj bilo kakvih probavnih problema.
Optimiziranje mljekara
Nadamo se da će nam svi ovi podaci omogućiti donošenje pravovremenih odluka na razini pojedine krave, što u velikim stadima nije jednostavno. Ovo „precizno mlijeko“ moglo bi nam pomoći da shvatimo kako aktivnosti pojedine krave - jelo, stajanje, odmaranje, mužnja - utječu na njezinu proizvodnju mlijeka, kvalitetu i zdravlje mlijeka.
Planiramo analizirati podatke uz pomoć strojnog učenja, vrste umjetne inteligencije koja može pronaći uzorke u velikim količinama informacija. Računalo će usporediti podatke s modelom kako mljekara treba raditi u idealnim uvjetima. Naš model bilježi kritične karakteristike performansi - kvalitet mlijeka i produktivnost - kao i relevantna ograničenja, poput zdravstvenog stanja i reproduktivnog statusa pojedinca.
Kako mljekara posluje, podaci u stvarnom vremenu omogućit će nam da procijenimo koliko je naše stvarno poljoprivredno gospodarstvo udaljeno od idealnog. Zatim možemo te podatke kombinirati s algoritmom matematičke optimizacije kako bismo odredili kako točno trebamo modificirati ili prilagoditi postupak. Na primjer, algoritam može predložiti prilagođavanje vrste kapljica zuba, nutritivnih sadržaja hrane ili količine vremena koje krava provede na hranjenje.
Nadamo se da će naš rad omogućiti mliječnim proizvođačima mlijeka širom SAD-a da bolje upravljaju pojedinačnim kravama u skupnim postavkama - ne samo za poboljšanje proizvodnje mlijeka, već za jačanje zdravlja krava.
Ovaj je članak prvotno objavljen u časopisu The Conversation.
Matthew Stuber, docent za kemijsko i biomolekularno inženjerstvo na Sveučilištu Connecticut
Gary Kazmer, izvanredni profesor laktacijske fiziologije, University of Connecticut
Shalabh Gupta, docentica tehnike na Sveučilištu Connecticut
Steven Zinn, profesor znanosti o životinjama, Sveučilište u Connecticutu
