NL2024138B1

NL2024138B1 - Self-learning data processing model for quantifying an amount of dry matter absorbed by an individual animal.

Info

Publication number: NL2024138B1
Application number: NL2024138A
Authority: NL
Inventors: Gerardus Franciscus Harbers Arnoldus; Anne Kuipers Jan
Original assignee: Nedap Nv
Priority date: 2019-10-31
Filing date: 2019-10-31
Publication date: 2021-07-19

Abstract

De uitvinding heeft betrekking op een werkwijze voor het trainen van een zelflerend gegevensverwerkingsmodel voor het kwantificeren van een hoeveelheid droge stof uit voer die is opgenomen door een individueel dier. De werkwijze omvat de stappen van: het, gedurende een tijdsduur aanbieden van voer aan het dier; het, gedurende de tijdsduur, bepalen van een door het dier geconsumeerde hoeveelheid voer, en van een waarde voor de hoeveelheid droog stof; en het, gedurende de tijdsduur, voortbrengen van een stroom meetgegevens indicatief voor één of meer voedingsgerelateerde parameters. Het trainen van het zelflerende gegevensverwerkingsmodel vindt plaats op basis van de voortgebrachte stroom meetgegevens en de bepaalde waarde voor de hoeveelheid droog stof. Voorts heeft de uitvinding betrekking op het toepassen van een getraind gegevensverwerkingsmodel, en op een systeem daarvoor.The invention relates to a method for training a self-learning data processing model for quantifying an amount of dry matter from feed consumed by an individual animal. The method comprises the steps of: offering feed to the animal for a period of time; determining, during the period of time, an amount of feed consumed by the animal, and of a value for the amount of dry matter; and generating, over the time period, a stream of measurement data indicative of one or more power-related parameters. The training of the self-learning data processing model takes place on the basis of the generated flow of measurement data and the determined value for the amount of dry matter. Furthermore, the invention relates to the application of a trained data processing model, and to a system therefor.

Description

Titel: Zelflerend gegevensverwerkingsmodel voor het kwantificeren van een hoeveelheid droge stof die 1s opgenomen door een individueel dier.Title: Self-learning data processing model for quantifying a quantity of dry matter that 1s absorbed by an individual animal.

Een belangrijk facet bij het beheren van veedieren is het beheer van voedselconsumptie van de dieren. Veedieren worden bedrijfsmatig gehouden ten behoeve van de productie van allerlei producten, zoals bijvoorbeeld de productie van melk (runderen, schapen, geiten), vlees (varkens, runderen, pluimvee), textiel en aanverwante producten (schapen, pluimvee), eieren (pluimvee), en dienstverlening (paarden, ezels).An important facet of livestock management is the management of the animals' food consumption. Livestock animals are kept commercially for the production of all kinds of products, such as the production of milk (cattle, sheep, goats), meat (pigs, cattle, poultry), textiles and related products (sheep, poultry), eggs (poultry) , and services (horses, donkeys).

Runderen zijn bijvoorbeeld in staat om ruwvoer (voor de mens onverteerbaar plantaardig voer, zoals gras en mais) om te zetten in hoogwaardig producten zoals melk en vlees. Het rund heeft hiervoor een aantal voormagen waarin het ruwvoer bewerkt wordt zodat het daarna opgenomen kan worden in het maagdarmstelsel van het rund en gebruikt voor de productie van melk en vlees.Cattle, for example, are able to convert roughage (vegetable feed that is indigestible for humans, such as grass and maize) into high-quality products such as milk and meat. For this purpose, the cow has a number of fore-stomachs in which the roughage is processed so that it can then be absorbed into the gastrointestinal tract of the cow and used for the production of milk and meat.

Het voedingsproces is in belangrijke mate bepalend voor het verloop van de productie van bovenstaande producten. Tevens 1s het verloop van het voedingsproces indicatief voor de gezondheid en het welzijn van het dier. Een belangrijke parameter in het voedingsproces is de opname van droog stof van de dieren. Droog stof is de massa van de droge fractie in een hoeveelheid voer (de totale massa van de hoeveelheid voer minus de massa van de waterfractie). De opname van droog stof is rechtstreeks afhankelijk van de voerconsumptie van het dier. Inzicht in de opname van droog stof is daarom gewenst bij het beheer van een groep veedieren.The nutritional process is an important determining factor for the production of the above products. The course of the feeding process is also indicative of the health and well-being of the animal. An important parameter in the feeding process is the dry matter intake of the animals. Dry matter is the mass of the dry fraction in a quantity of feed (the total mass of the quantity of feed minus the mass of the water fraction). The intake of dry matter is directly dependent on the feed consumption of the animal. Insight into the absorption of dry matter is therefore desirable when managing a group of livestock animals.

Conventioneel wordt dit voor runderen bijvoorbeeld gedaan door middel van berekening en afschatting op basis van de voeropname en behoefte van een groep dieren. Een veehouder doet deze berekening bijvoorbeeld voor de groep dieren in het geheel, veelal gebaseerd op afgeschatte waarden met betrekking tot voedselconsumptie en voedingswaarden uit voedingswaardetabellen. Bovendien kan de veehouder parameters zoals leeftijd of bepaalde statusgegevens met betrekking tot tochtigheid of dracht van sommige dieren meenemen om zijn berekening waar nodig bij te stellen. Deze methode is echter relatief onnauwkeurig omdat de berekening wordt gedaan voor de groep als geheel, en individuele afwijkingen maar beperkt meegenomen kunnen worden.Conventionally, for cattle, this is done, for example, by means of calculation and estimation based on the feed intake and needs of a group of animals. For example, a livestock farmer makes this calculation for the group of animals as a whole, often based on estimated values with regard to food consumption and nutritional values from nutritional value tables. In addition, the farmer can include parameters such as age or certain status data with regard to heat or pregnancy of some animals in order to adjust his calculation where necessary. However, this method is relatively inaccurate because the calculation is done for the group as a whole, and individual deviations can only be included to a limited extent.

Voor het behalen van een efficiënte productie met een zo laag mogelijke ecologische footprint is het gewenst om nauwkeurig te kunnen vaststellen wat de werkelijke opname van droog stof per individueel dier is. Met de huidige technologie is dit echter niet mogelijk, omdat de droog stof opname van veel factoren afhankelijk is. Het is bijvoorbeeld niet goed vast te stellen hoeveel een individueel dier werkelijk per dag eet. Enkel in een gecontroleerde omgeving, zoals een teststal of een laboratorium, kan de totale voedselinname voor een individueel dier gedurende de dag nauwkeurig vastgesteld worden. Voor dieren op een boerderij is dit niet mogelijk. Zo is bijvoorbeeld niet vast te stellen hoeveel een koe die in een weiland heeft gestaan aan vers gras gegeten heeft. Ook aan het voerhek, waar dieren naast elkaar staan, 1s niet nauwkeurig per dier vast te stellen hoeveel elk dier eet. Verder zijn voortdurend veranderende omstandigheden van invloed op de opname van droog stof, zoals de weersomstandigheden of de momentane conditie van de koe. Dergelijke omstandigheden zijn van invloed op de voedselbehoefte van het dier. Bovendien is elk dier verschillend in bouw en ook het moment van tochtigheid en de cyclus daarvan kan per dier verschillen.In order to achieve efficient production with the lowest possible ecological footprint, it is desirable to be able to accurately determine the actual intake of dry matter per individual animal. However, with current technology this is not possible, because the dry matter absorption depends on many factors. For example, it is difficult to determine how much an individual animal actually eats per day. Only in a controlled environment, such as a test pen or a laboratory, can the total food intake for an individual animal during the day be accurately determined. This is not possible for animals on a farm. For example, it is impossible to determine how much fresh grass a cow that has stood in a pasture has eaten. Also at the feeding fence, where animals stand next to each other, it is not possible to accurately determine per animal how much each animal eats. Furthermore, constantly changing conditions influence the intake of dry matter, such as the weather conditions or the current condition of the cow. Such conditions affect the food requirement of the animal. Moreover, each animal is different in construction and the moment of heat and its cycle can also differ per animal.

Het is een doel van de onderhavige wtvinding om een werkwijze en systeem te verschaffen waarmee de individuele opname van droog stof per dier en over de tijd is vast te stellen. De witvinding beoogt deze doelstelling voorts te behalen voor dieren in hun reguliere leefomgeving, zoals op een boerderij, en zonder of slechts met een minimale aanpassing van deze leefomgeving.It is an object of the present invention to provide a method and system with which the individual intake of dry matter per animal and over time can be determined. The whitefinding also aims to achieve this objective for animals in their regular living environment, such as on a farm, and without or only with a minimal adjustment of this living environment.

Hiertoe verschaft de uitvinding, overeenkomstig een eerste aspect daarvan, een werkwijze voor het trainen van een zelflerend gegevensverwerkingsmodel voor het op basis van één of meer voedingsgerelateerde parameters kwantificeren van een hoeveelheid droge stof uit voer die is opgenomen door een individueel dier gedurende een tijdsduur,To this end, according to a first aspect, the invention provides a method for training a self-learning data processing model for quantifying on the basis of one or more nutritional parameters an amount of dry matter from feed consumed by an individual animal during a period of time,

waarbij de werkwijze, voor elk dier van een veelheid dieren, de stappen omvat van: al) het, gedurende ten minste een deel van de tijdsduur, aanbieden van voer aan het dier; a2) het, gedurende de tijdsduur, bepalen van een door het dier geconsumeerde hoeveelheid van het aangeboden voer, en het bepalen van een waarde voor de hoeveelheid droog stof die door het dier is opgenomen op basis van de bepaalde hoeveelheid geconsumeerd voer; b) het, gedurende de tijdsduur, voortbrengen van een stroom meetgegevens die indicatief is voor de één of meer voedingsgerelateerde parameters van het dier; c) het trainen van het zelflerende gegevensverwerkingsmodel op basis van de in stap b.the method, for each animal of a plurality of animals, comprising the steps of: a1) offering feed to the animal for at least part of the time period; a2) determining, during the period of time, an amount of the offered feed consumed by the animal, and determining a value for the amount of dry matter absorbed by the animal on the basis of the determined amount of consumed feed; b) generating, over the time period, a stream of measurement data indicative of the one or more nutritional parameters of the animal; c) training the machine learning data processing model based on the in step b.

voortgebrachte stroom meetgegevens en de in stap a2. bepaalde waarde voor de hoeveelheid droog stof die door het dier is opgenomen.generated flow of measurement data and the in step a2. determined value for the amount of dry matter absorbed by the animal.

In de werkwijze overeenkomstig de uitvinding wordt, bijvoorbeeld onder gecontroleerde omstandigheden en voor een bepaalde tijdsduur of een deel daarvan, voer aangeboden aan één of meer dieren en wordt exact gemeten wat de hoeveelheid voedselinname voor elk van deze dieren is. Hieruit kan de hoeveelheid opgenomen droog stof voor elk dier rechtstreeks worden berekend. Voorts worden gedurende deze tijdsduur één of meer voedingsgerelateerde parameters gemeten voor het voortbrengen van een stroom meetgegevens. Onder ‘voedingsgerelateerde parameters’ dient hierbij te worden verstaan: parameters die rechtstreeks of indirect van invloed kunnen zijn op de totale individuele voedselconsumptie van het dier. Hieronder vallen derhalve niet alleen parameters die rechtstreeks indicatief zijn voor de voedselinname, zoals de ingenomen hoeveelheid van een bepaalde voersoort, maar ook parameters die bijvoorbeeld de voedselinname indirect beïnvloeden, zoals de conditie of het gewicht van een dier of de weersomstandigheden. De betreffende parameters dienen meetbaar te zijn of dienen uit andere systemen of als externe invoer te kunnen worden verkregen. Het begrip ‘voedingsgerelateerde parameter’ is dus een ruim begrip.In the method according to the invention, feed is offered to one or more animals, for instance under controlled conditions and for a specific period of time or a part thereof, and the exact amount of food intake for each of these animals is measured. From this, the amount of dry matter absorbed for each animal can be calculated directly. Furthermore, one or more power-related parameters are measured during this period of time to produce a stream of measurement data. In this context, 'feed-related parameters' should be understood to mean: parameters that can directly or indirectly influence the total individual food consumption of the animal. This therefore includes not only parameters that are directly indicative of the food intake, such as the ingested amount of a certain type of feed, but also parameters that indirectly influence, for example, the food intake, such as the condition or weight of an animal or the weather conditions. The parameters concerned must be measurable or obtainable from other systems or as external input. The term 'nutrition-related parameter' is therefore a broad concept.

De werkwijze overeenkomstig de uitvinding maakt het mogelijk om de mm stap b) voortgebrachte meetgegevens te relateren aan de in stap a2) bepaalde waarde voor de hoeveelheid droog stof die door het dier is opgenomen.The method according to the invention makes it possible to relate the measurement data produced in step b) to the value determined in step a2) for the amount of dry matter absorbed by the animal.

Op basis daarvan wordt in stap c) het zelflerende gegevensverwerkingsmodel getraind.Based on this, the self-learning data processing model is trained in step c).

Eenmaal getraind kan het getrainde zelflerende gegevensverwerkingsmodel worden toegepast voor het voorspellen van de individuele droog stof opname van een dier op basis van een bepaling van invoerwaarden voor de voedingsgerelateerde parameters die gebruikt zijn voor het trainen.Once trained, the trained machine learning data processing model can be used to predict an animal's individual dry matter intake based on a determination of input values for the nutritional parameters used for training.

Wanneer bijvoorbeeld het model is getraind met het voorkomen van of de tijdsduur van het voortduren van een bepaalde gedragstoestand als één van de voedingsgerelateerde parameters, dan kan het getrainde model voorspellingen doen wanneer de of deze parameters als invoer worden gebruikt.For example, if the model is trained with the occurrence or duration of persistence of a particular behavioral state as one of the nutritional parameters, then the trained model can make predictions when the or these parameters are used as input.

Zo kan dan op basis van het vaststellen van deze gedragstoestand of de duur ervan een voorspelling van een hoeveelheid opgenomen droog stof automatisch worden verkregen of bijgesteld.Thus, on the basis of the determination of this behavioral state or its duration, a prediction of an amount of absorbed dry matter can then be obtained or adjusted automatically.

Tijdens training is het zinvol, hoewel niet essentieel, om zoveel mogelijk meetbare of bepaalbare relevante voedingsgerelateerde parameters in stap b. mee te nemen.During training it is useful, although not essential, to use as many measurable or determinable relevant nutrition-related parameters as possible in step b. to bring along.

Een eenmaal getraind systeem is dan in staat om op basis van dergelijke waarden als invoer een nauwkeurige voorspelling te doen, ook wanneer sommige voedingsgerelateerde parameters bijvoorbeeld ontbreken of wanneer er slechts een subset van parameters wordt aangeboden.A system, once trained, is then able to make an accurate prediction based on such values as input, even when some food-related parameters are missing, for example, or when only a subset of parameters is offered.

Overeenkomstig sommige voorbeelden is het gegevensmodel een rekenkundig regressie-model, zoals een enkelvoudig of meervoudig lineair regressiemodel, of een enkelvoudig of meervoudig niet-lineair regressiemodel.According to some examples, the data model is an arithmetic regression model, such as a single or multiple linear regression model, or a single or multiple nonlinear regression model.

Voordelen van het gebruik van een rekenkundig regressiemodel zijn bijvoorbeeld de verminderde complexiteit ervan, zodat het mogelijk is het getrainde algoritme toe te kunnen passen met gebruikmaking van minder krachtige processoren.Advantages of using an arithmetic regression model include, for example, its reduced complexity, so that it is possible to apply the trained algorithm using less powerful processors.

Dit maakt ook toepassing ervan mogelijk in energiezuinige applicaties met relatief eenvoudige processoren.This also makes it possible to use it in energy-efficient applications with relatively simple processors.

Een ander voordeel 1s dat de coëfficiënten van een getraind rekenkundig regressiemodel inzicht geven in de mate van invloed van bepaalde voedingsgerelateerde parameters op de voorspelde hoeveelheid door het dier opgenomen droog stof.Another advantage is that the coefficients of a trained arithmetic regression model provide insight into the extent of influence of certain food-related parameters on the predicted amount of dry matter ingested by the animal.

Zo is bijvoorbeeld de onnauwkeurigheid in de voorspelling bekend in afhankelijkheid van een (bekende) onnauwkeurigheid van de voedingsgerelateerde parameters, omdat de coëfficiënten van het regressiemodel bekend zijn.For example, the inaccuracy in the prediction is known depending on a (known) inaccuracy of the food-related parameters, because the coefficients of the regression model are known.

Overeenkomstig sommige van deze voorbeelden omvat de stap van het trainen: het optimaliseren van één of meer coëfficiënten van het rekenkundige 5 regressiemodel voor het minimaliseren van verschillen tussen de bepaalde waarden voor de hoeveelheid opgenomen droog stof en door het rekenkundige regressiemodel op basis van de één of meer voedingsgerelateerde parameters voorspelde waarden voor de hoeveelheid opgenomen droog stof.According to some of these examples, the step of training includes: optimizing one or more coefficients of the arithmetic regression model to minimize differences between the determined values for the amount of dry matter absorbed and through the arithmetic regression model based on the one or more more nutrition-related parameters predicted values for the amount of absorbed dry matter.

Wanneer bijvoorbeeld het gegevens-verwerkingsmodel bestaat uit een regressiemodel kunnen, voor het trainen van het model, één of meer voedingsgerelateerde parameters uit de meetgegevensstroom die in stap b 1s voortgebracht als onafhankelijke variabelen worden gebruikt, en kan de bepaalde hoeveelheid opgenomen droog stof uit stap a2 als afhankelijke variabele worden gebruikt.For example, if the data processing model consists of a regression model, for training the model, one or more nutrition-related parameters from the measurement data stream generated in step b1s can be used as independent variables, and the determined amount of dry matter absorbed from step a2 can be used as independent variables. be used as a dependent variable.

Omdat de waarden van de onafhankelijke variabelen en afhankelijke variabele bekend zijn uit stappen a2) en b) en in stap c) als invoer worden gebruikt, kunnen de coëfficiënten van het regressiemodel tijdens het trainen worden geoptimaliseerd (bijvoorbeeld middels een kleinste kwadratenmethodiek). Dit levert een benaderingsalgoritme op voor het, na training van het model, op basis van de als invoer gebruikte voedingsgerelateerde parameters voorspellen van de hoeveelheid opgenomen droog stof voor een individueel dier.Because the values of the independent variables and dependent variable are known from steps a2) and b) and are used as input in step c), the coefficients of the regression model can be optimized during training (for example by means of a least squares method). This provides an approximation algorithm for predicting the amount of dry matter absorbed for an individual animal, after training the model, on the basis of the feed-related parameters used as input.

Overeenkomstig sommige uitvoeringsvormen is het zelflerende gegevensmodel er één uit een groep omvattende: een neuraal netwerk en een random forest algoritme.According to some embodiments, the machine learning data model is one of a group comprising: a neural network and a random forest algorithm.

In een neuraal netwerk worden de aangeboden __1nvoerparameterwaarden gebruikt voor het voorspellen van een uitvoerparameterwaarde op basis van een netwerk van neuronen.In a neural network, the presented input parameter values are used to predict an output parameter value based on a network of neurons.

De gewichten die de neuronen toekennen aan de waarden van de verschillende invoerparameters wordt tijdens de trainingsfase aangepast afhankelijk van de eveneens ingevoerde correct veronderstelde uitvoerwaarde.The weights that the neurons assign to the values of the various input parameters is adjusted during the training phase depending on the correctly inputted output value as well.

Het netwerk van neuronen heeft veelal een gelaagde opbouw, waarbij elke laag neuronen invoer ontvangt van een onderliggende laag neuronen, en zijn uitvoer verschaft aan een bovenliggende laag neuronen. In de werkwijze overeenkomstig de onderhavige wtvinding worden, tijdens het trainen, de meetgegevens ut stap b) omvattende de bepaalde waarden van de voedingsgerelateerde parameters als invoerwaarden van de onderste laag gebruikt. De correct veronderstelde uitvoerwaarde is de in stap a2) bepaalde hoeveelheid droog stof opname voor het betreffende dier. Op basis van deze invoer en uitvoerwaarden worden de gewichten en eventuele drempelwaarden van de neuronen in elke laag zodanig aangepast dat de voorspelde waarde voor de hoeveelheid door het dier opgenomen droog stof zo dicht mogelijk ligt bij de correct veronderstelde utvoerwaarde: de in stap a2) bepaalde waarde. Door dit proces veelvuldig te doorlopen met bekende gegevens die zijn verkregen in stappen al), a2) en b) van dieren die zijn gevoed onder gecontroleerde omstandigheden, kan het neurale netwerk worden geleerd een nauwkeurige voorspelling te doen. Het neurale netwerk kan vervolgens na de trainingsfase worden toegepast voor het voorspellen van de hoeveelheid opgenomen droog stof voor een individueel dier op basis van de metingen van de voedingsgerelateerde parameters.The network of neurons often has a layered structure, with each layer of neurons receiving input from an underlying layer of neurons, and providing its output to an overlying layer of neurons. In the method according to the present invention, during training, the measurement data from step b) comprising the determined values of the nutrition-related parameters are used as input values of the lower layer. The correctly assumed output value is the amount of dry matter intake determined in step a2) for the relevant animal. Based on these input and output values, the weights and possible threshold values of the neurons in each layer are adjusted in such a way that the predicted value for the amount of dry matter absorbed by the animal is as close as possible to the correctly assumed output value: the value determined in step a2). where the. By going through this process many times with known data obtained in steps a1), a2) and b) from animals fed under controlled conditions, the neural network can be taught to make an accurate prediction. The neural network can then be used after the training phase to predict the amount of dry matter ingested for an individual animal based on the measurements of the feeding-related parameters.

Een random forest algoritme werkt op basis van het, tijdens de trainingsfase, voor elke invoer/uitvoercombinatie doorlopen van een groot aantal beslisbomen om via elk van deze beslisbomen te komen tot een verwachte classificatie. Het random forest model maakt in de trainingsfase gebruik van bootstrap aggregating (ofwel bagging’) en feature bagging, om te komen tot een robuust model. De invoerwaarden zijn de voedsel-gerelateerde parameters waarvan de waarden zijn bepaald in stap b en de correct veronderstelde uitvoerwaarde: de in stap a2) bepaalde waarde. Er worden subsets van de utvoerwaarden gemaakt en voor elke subset wordt een beslisboom getraind. De beslisbomen zijn onderling verschillend, bijvoorbeeld in volgorde van de beslisstappen of in de merites van de beslisstappen. De uitkomsten van de beslisbomen worden vervolgens gecombineerd via middeling van de waarden of er wordt via een meerderheidsstem een uitkomst vastgesteld. Ook een combinatie van deze methoden is mogelijk door bijvoorbeeld sommige utkomsten uit te sluiten en de overige uitkomsten te middelen.A random forest algorithm works on the basis of going through a large number of decision trees for each input/output combination during the training phase to arrive at an expected classification via each of these decision trees. In the training phase, the random forest model uses bootstrap aggregating (or bagging) and feature bagging to arrive at a robust model. The input values are the food-related parameters whose values have been determined in step b and the correctly assumed output value: the value determined in step a2). Subsets of the output values are created and a decision tree is trained for each subset. The decision trees are different from each other, for example in the order of the decision steps or in the merits of the decision steps. The results of the decision trees are then combined by averaging the values or an outcome is determined by majority vote. A combination of these methods is also possible, for example by excluding some outcomes and averaging the other outcomes.

Tijdens de trainingsfase kunnen op basis van de bekende uitkomstwaarde bepaalde beslisbomen worden verkozen boven andere beslisbomen om te komen tot een subset waarmee uitkomsten worden verkregen die het best passen bij de trainingset, dus bij de ingevoerde combinaties van voedingsgerelateerde parameters en bepaalde door het dier opgenomen hoeveelheden droog stof.During the training phase, based on the known outcome value, certain decision trees can be chosen over other decision trees to arrive at a subset that produces outcomes that best fit the training set, i.e. the entered combinations of food-related parameters and certain amounts ingested by the animal dry dust.

Na de trainingsfase kan het random forest model worden toegepast voor het voorspellen van de droog stof opname voor individuele dieren.After the training phase, the random forest model can be applied to predict dry matter intake for individual animals.

De in stap b) voortgebrachte stroom meetgegevens die indicatief is voor de één of meer voedingsgerelateerde parameters van het dier, kan zoals eerder genoemd één of meer van vele verschillende parameters bevatten die op enigerlei wijze van invloed zijn op de voedselconsumptie en droog stof opname van een dier.The flow of measurement data generated in step b) which is indicative of the one or more nutritional parameters of the animal may, as mentioned before, contain one or more of many different parameters which in some way influence the food consumption and dry matter intake of a animal.

Voor een deel zijn dit parameters die direct gerelateerd zijn aan de voedselconsumptie van het dier, zoals bijvoorbeeld een soort voer of een samenstelling daarvan, of een geconsumeerde hoeveelheid van een bepaald voertype.In part, these are parameters that are directly related to the food consumption of the animal, such as for instance a type of feed or a composition thereof, or a consumed amount of a specific feed type.

Voor een ander deel kunnen het ook parameters zijn die slechts van invloed zijn op de voedselinname, zoals de leeftijd van een dier of de gezondheidstoestand, of het dier drachtig is en — zo ja — hoe lang, maar ook het weertype of de temperatuur buiten of in een stal.For another part, it can also be parameters that only influence food intake, such as the age of an animal or the state of health, whether the animal is pregnant and — if so — for how long, but also the weather type or the temperature outside or in a stable.

In het navolgende zal een groot aantal voedingsgerelateerde parameters worden besproken die conform bepaalde uitvoeringsvormen gebruikt kunnen worden als voedingsgerelateerde parameters in een werkwijze overeenkomstig de uitvinding.In the following, a large number of nutrition-related parameters will be discussed which, according to certain embodiments, can be used as nutrition-related parameters in a method according to the invention.

Overeenkomstig sommige utvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens: het meten van de één of meer voedingsgerelateerde parameters van het dier met behulp van ten minste één meetinstrument dat is bevestigd aan of ingebracht in het dier, waarbij het meetinstrument is voorzien van één of meer sensoren voor het meten van de één of meer voedingsgerelateerde parameters.According to some embodiments, in step b, generating the flow of measurement data includes: measuring the one or more nutritional parameters of the animal using at least one measuring instrument attached to or inserted into the animal, the measuring instrument having one or more sensors for measuring the one or more food related parameters.

Slechts ter voorbeeld en zeker niet beperkend kunnen dergelijke sensoren bijvoorbeeld omvatten: een g- sensor, gyroscoop, kompas, potentiaalverschilmeter, signaalsterkte-meter, drukmeter, lichtsterktemeter.By way of example only and by no means limitingly, such sensors may include, for example: a g-sensor, gyroscope, compass, potential difference meter, signal strength meter, pressure meter, brightness meter.

Op deze wijze kunnen bijvoorbeeld bepaalde lichaamsparameters van het dier, maar bijvoorbeeld ook bewegingsparameters of omgevingsparameters rechtstreeks worden bepaald. Bijvoorbeeld, in sommige van deze uitvoeringsvormen omvatten de voedingsgerelateerde parameters één of meer parameters uit een groep omvattende: lichaamstemperatuur; hartslag; pH-waarde in een maag van het dier; vulling van een maag; bewegingen van het dier zoals ruwe bewegingswaarden gemeten met een bewegingssensor; bloedparameters waaronder saturatie; ademhaling.In this way, for instance, certain body parameters of the animal, but also, for instance, movement parameters or environmental parameters can be determined directly. For example, in some of these embodiments, the nutritional parameters include one or more parameters from a group including: body temperature; heartbeat; pH value in a stomach of the animal; filling of a stomach; movements of the animal such as raw movement values measured with a motion sensor; blood parameters including saturation; breathing.

Overeenkomstig sommige uitvoeringsvormen omvat het ten minste ene meetinstrument een door het dier gedragen label, waarbij de één of meer sensoren een bewegingssensor omvatten, en waarbij het meten van één of meer voedingsgerelateerde parameters het meten van bewegingsparameters van het dier omvat en waarbij stap b. van de werkwijze verder omvat: het op basis van de gemeten bewegingsparameters vaststellen van een gedragstoestand. Bijvoorbeeld, overeenkomstig bepaalde uitvoeringsvormen 1s de vastgestelde gedragstoestand er ten minste één uit een groep omvattende: vreten, herkauwen, inactief, hoog actief, tocht, liggen, staan, lopen, opstaan, stappen, hittestress. Overeenkomstig sommige uitvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens: het met een positioneringssysteem bepalen van positiegegevens indicatief voor een momentane positie van het dier. Uit de positie van het dier kan veel worden opgemaakt met betrekking tot de voedselopname. Dit 1s zeker het geval wanneer deze parameter bijvoorbeeld wordt bepaald in combinatie met de gedragstoestand. Uit deze combinatie kan bijvoorbeeld bepaald worden dat een koe in de wei staat en op dat moment vers gras eet, en in combinatie met bodemgegevens kan zelfs iets over de voedingswaarden daarvan worden voorspeld. In sommige van deze uitvoeringsvormen omvat het positioneringssysteem één of meer ontvangers en een door het dier gedragen label, waarbij het label een zendeenheid omvat welke een elektromagnetisch signaal voortbrengt dat wordt ontvangen door de één of meer ontvangers, verder omvattende het op basis van het ontvangen elektromagnetische signaal voortbrengen van de positiegegevens. Bijvoorbeeld,According to some embodiments, the at least one measuring instrument comprises a tag worn by the animal, wherein the one or more sensors comprises a motion sensor, and wherein measuring one or more feeding related parameters comprises measuring movement parameters of the animal and wherein step b. of the method further comprises: determining a behavioral state on the basis of the measured movement parameters. For example, according to certain embodiments, the determined behavioral state is at least one of a group comprising: eating, ruminating, inactive, highly active, draft, lying down, standing, walking, getting up, walking, heat stress. According to some embodiments, in step b, generating the flow of measurement data comprises: determining position data indicative of a current position of the animal with a positioning system. Much can be inferred from the position of the animal with regard to food intake. This is certainly the case when this parameter is determined, for example, in combination with the behavioral state. From this combination it can be determined, for example, that a cow is in the meadow and is eating fresh grass at that moment, and in combination with soil data, something can even be predicted about its nutritional values. In some of these embodiments, the positioning system comprises one or more receivers and a tag worn by the animal, the tag comprising a transmitter unit that generates an electromagnetic signal to be received by the one or more receivers, further comprising signal generation of the position data. For example,

het positioneringssysteem kan er ten minste één zijn uit een groep omvattende: een indoor positioneringssysteem voor toepassing in of om een gebouw of ruimte waarbinnen zich het dier bevindt, een outdoor positioneringssysteem voor toepassing in een weiland, een buitenruimte of een stuk land, zoals bijvoorbeeld een lange-afstands positioneringssysteem, of een GPS systeem.the positioning system can be at least one of a group comprising: an indoor positioning system for use in or around a building or space in which the animal is located, an outdoor positioning system for use in a meadow, an outdoor area or a piece of land, such as for instance a long-range positioning system, or a GPS system.

Overeenkomstig sommige uitvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens omvat: het vaststellen van een nabijheid van een door het dier gedragen label bij een antenne van een dierherkenningssysteem, voor het vaststellen van een momentane activiteit van het dier. Bijvoorbeeld, een label kan zijn voorzien van een (ISO, RFID of ander) dierherkenningssysteem terwijl bijvoorbeeld een voerhek is uitgerust met een antenne, zodat hieruit kan worden bepaald hoe lang een dier in de nabijheid van het voerhek staat. Op dezelfde wijze kan worden vastgesteld bij een separatiehek of een bepaald dier wordt gesepareerd uit de kudde (bijvoorbeeld omdat ze drachtig is of ziek).According to some embodiments, in step b, generating the flow of measurement data includes: determining a proximity of a tag worn by the animal to an antenna of an animal recognition system, to determine a momentary activity of the animal. For instance, a label can be provided with an (ISO, RFID or other) animal recognition system, while for instance a feeding fence is equipped with an antenna, so that it can be determined from this how long an animal stands in the vicinity of the feeding fence. In the same way it can be determined at a separation fence whether a certain animal is separated from the herd (for example because she is pregnant or sick).

Overeenkomstig sommige uitvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens het verkrijgen van statusgegevens van het dier. Statusgegevens kunnen bijvoorbeeld worden opgehaald uit een veebeheerserver of administratiesysteem. Bijvoorbeeld, volgens sommige uitvoeringen omvatten de statusgegevens van het dier één of meer gegevens omvatten uit een groep omvattende: een leeftijd van het dier; een aantal malen dat het dier een dracht heeft voldragen; een verstreken tijdsduur na een laatste afkalving; een verstreken tijdsduur na een begin van een dracht; een verstreken tijdsduur sinds de start van een droogstand van het dier; melkproductiegegevens, zoals een kwantiteit van geproduceerde melk, of een kwaliteitsparameter van geproduceerde melk zoals eiwitgehalte, vetgehalte, celgetal, ureumgehalte, of lactosegehalte; bloedwaarden verkregen via analyse van een bloedmonster, waaronder ketonengehalte, vitaminegehalte, vetzuurwaarde, mineralengehalte; mobiliteitsparameter, zoals een toestand van één of meer klauwen van het dier, kwaliteitsgegevens van één of meer benen van het dier, een gewicht van het dier, een conditie van het dier.According to some embodiments, in step b, generating the flow of measurement data includes obtaining status data from the animal. Status data can be retrieved, for example, from a livestock management server or administration system. For example, according to some embodiments, the status data of the animal includes one or more data from a group comprising: an age of the animal; a number of times that the animal has completed a pregnancy; an elapsed time after a last calving; an elapsed time after the onset of a pregnancy; an elapsed time since the start of a dry period of the animal; milk production data, such as a quantity of milk produced, or a quality parameter of produced milk such as protein content, fat content, somatic cell count, urea content, or lactose content; blood values obtained from analysis of a blood sample, including ketone level, vitamin level, fatty acid level, mineral content; mobility parameter, such as a condition of one or more claws of the animal, quality data of one or more legs of the animal, a weight of the animal, a condition of the animal.

Overeenkomstig sommige uitvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens het ontvangen van voertype- gegevens van het type voer dat voor het dier toegankelijk is gedurende de tijdsduur, zoals ten minste één van: een voersoort, bijvoorbeeld krachtvoer, snijmais, kuilgras, tarwestro, gras, luzernehooi of een andere voersoort; een samenstelling; energieinhoud; eiwitgehalte; eiwitsamenstellng; vochtgehalte; vetgehalte; vetsamenstelling; zuurtegraad; ammoniakgehalte; mineralen; vitaminen; gehalte- en samenstelling van organische stof in het voer.According to some embodiments, in step b, generating the flow of measurement data comprises receiving feed type data of the type of feed accessible to the animal during the time period, such as at least one of: a feed type, e.g. concentrate, silage, silage, wheat straw, grass, alfalfa hay or another type of feed; a composition; energy content; protein content; protein composition; moisture content; fat content; fat composition; acidity; ammonia content; minerals; vitamins; content and composition of organic matter in the feed.

Overeenkomstig sommige utvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens het ontvangen van voerverstrekkingsgegevens, zoals tijdstip van verstrekking van het voer, tijdstip van aanschuiven van het voer aan een voerhek, wijze van mengen van voer, bezettingsgraad van een voerhek of weiland, beweidingssysteem, beweidingsduur, grondsoort van een weiland.According to some embodiments, in step b, generating the flow of measurement data comprises receiving feed supply data, such as time of supply of the feed, time of pushing the feed on a feeding fence, manner of mixing of feed, occupancy rate of a feeding fence or pasture, grazing system, grazing duration, soil type of a pasture.

Overeenkomstig sommige uitvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens het verkrijgen van excretiegegevens van het dier, zoals een hoeveelheid mestproductie, een hoeveelheid urineproductie, samenstellingswaarden van geproduceerde mest, of samenstellingswaarden van geproduceerde urine. Ook excretiegegevens van het dier zijn direct indicatief voor de in de tijdsduur, of in een voorgaande tijdsduur, geconsumeerde hoeveelheid voer en de samenstelling daarvan, en kunnen dus met voordeel worden toegepast voor het bepalen van de hoeveelheid opgenomen droog stof voor het dier in die tijdsperiode of in een voorgaande tijdsperiode. In dat laatste geval kunnen deze gegevens worden gebruikt ter controle van het zelflerende gegevensverwerkingsmodel of ter verdere training daarvan gedurende het gebruk bijvoorbeeld.According to some embodiments, in step b, generating the flow of measurement data includes obtaining excretion data from the animal, such as an amount of manure production, an amount of urine production, composition values of manure produced, or composition values of urine produced. Excretion data of the animal are also directly indicative of the amount of feed consumed during the period, or in a previous period of time, and the composition thereof, and can thus advantageously be used for determining the amount of dry matter ingested for the animal in that period of time. or in a prior time period. In the latter case, this data can be used for checking the machine learning data processing model or for further training thereof during use, for example.

Overeenkomstig sommige uitvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens het verkrijgen van vochthuishoudingsgegevens van het dier, zoals een door het dier ingenomen hoeveelheid water, of een hoeveelheid vochtverlies via melkproductie of excretie. Vochthuishouding van een dier is gerelateerd aan wat het dier heeft binnengekregen aan voedsel en vocht. Verlies van vocht vindt bij melkgevende runderen hoofdzakelijk plaats middels excretie en melkproductie, terwijl vochtinname plaatsvindt door middels van drinken en door voedselinname. Excretie en melkproductieparameters zijn meetbaar, maar ook de vochtinname middels het drinken van water kan worden gemeten. Vochtinname kan bijvoorbeeld worden gemeten door de nabijheid van een dier bij een drinkbak vast te stellen en te meten wat de gewichtsafname van de drinkbak is. Drinkbakken die middels bijvoorbeeld een druklepel worden bediend kunnen alternatief of additioneel bijvoorbeeld ook met een stroommeter worden utgerust. Het vaststellen van de nabijheid van een dier bij een drinkbak kan eveneens op verschillende manieren plaatsvinden, bijvoorbeeld via een eerder genoemd dierherkenningssysteem of gewoon via een plaatsbepalingssysteem. Melkproductieparameters, zoals een afgenomen hoeveelheid melk en het vochtgehalte daarvan, worden in veel gevallen reeds geregistreerd bij het melken. Excretiegegevens, met name in dit verband urineproductie, is meetbaar en/of benaderbaar via bijvoorbeeld een staartsensor. Vochtinname via (vaste) voedselconsumptie is in dit verband een onbekende variabele, maar deze is afhankelijk van de andere drie genoemde parameters. De hoeveelheid opgenomen droog stof is daarmee eveneens ten minste ten dele afhankelijk van bovengenoemde voedingsgerelateerde parameters en kan middels het zelflerende gegevensverwerkingsmodel, wanneer dit getraind is, op basis van dergelijke gegevens worden benaderd.According to some embodiments, in step b, generating the flow of measurement data includes obtaining fluid management data from the animal, such as an amount of water ingested by the animal, or an amount of fluid loss through milk production or excretion. An animal's moisture management is related to what the animal has ingested in terms of food and moisture. Fluid loss in lactating cattle mainly occurs through excretion and milk production, while fluid intake occurs through drinking and food intake. Excretion and milk production parameters are measurable, but fluid intake through drinking water can also be measured. For example, fluid intake can be measured by determining the proximity of an animal to a drinking trough and measuring the weight loss of the drinking trough. Drinking troughs that are operated by means of, for example, a pressure spoon, can alternatively or additionally also be equipped, for example, with a flow meter. Determining the proximity of an animal to a drinking trough can also take place in various ways, for instance via a previously mentioned animal recognition system or simply via a positioning system. Milk production parameters, such as a decreased amount of milk and its moisture content, are in many cases already registered during milking. Excretion data, particularly in this context urine production, is measurable and/or accessible via, for example, a tail sensor. Fluid intake via (solid) food consumption is an unknown variable in this context, but it depends on the other three parameters mentioned. The amount of dry matter absorbed is therefore also at least partly dependent on the above-mentioned food-related parameters and can be approximated on the basis of such data by means of the self-learning data processing model, when it has been trained.

Overeenkomstig sommige uitvoeringsvormen omvat in stap b, het voortbrengen van de stroom meetgegevens het verkrijgen van omgevings- gegevens van een leefomgeving van het dier, zoals één of meer gegevens uit een groep omvattende: klimaatgegevens, omgevings-temperatuur, luchtvochtigheid, luchtdruk, hoeveelheid neerslag, type neerslag, zonsopkomsttijd, of zonsondergangstijd. De voedselbehoefte van een rund is onder andere afhankelijk van het weer: op een zeer warme dag kan een rund last krijgen van hittestress en daardoor minder actief worden. Ook de voedselconsumptie van het dier neemt dan af en de vochthuishouding veranderd. Is het koud, dan neemt de voedselbehoefte toe omdat het dier de energie nodig heeft om zichzelf op temperatuur te houden. Ook verandert in de winter de samenstelling van het voer, en wordt er bijvoorbeeld meer hooi en kuilvoer gegeten. Dit beïnvloedt de opname van droog stof van het dier.According to some embodiments, in step b, generating the flow of measurement data comprises obtaining environmental data of a habitat of the animal, such as one or more data from a group comprising: climate data, ambient temperature, air humidity, air pressure, amount of precipitation, type of precipitation, sunrise time, or sunset time. A cattle's food needs depend on the weather, among other things: on a very hot day, a cattle can suffer from heat stress and therefore become less active. The food consumption of the animal also decreases and the moisture balance changes. When it is cold, the food requirement increases because the animal needs the energy to keep itself at the right temperature. The composition of the feed also changes in winter, and more hay and silage is eaten, for example. This affects the animal's uptake of dry matter.

Overeenkomstig sommige utvoeringsvormen wordt gedurende ten minste een deel van de tijdsduur het voer aangeboden aan het dier, en waarin in stap a2 voor het bepalen van de door het dier geconsumeerde hoeveelheid voer de voerafname wordt gemeten. Bijvoorbeeld, zolang de runderen op stal staan kan vrij eenvoudig en nauwkeurig worden gemeten hoeveel het dier eet en wat het eet. In weilanden kan dit niet rechtstreeks, maar kan overeenkomstig de wtvinding wel een schatting worden gemaakt. Overeenkomstig sommige uitvoeringsvormen wordt de voerafname gemeten door middel van één of meer van: een bepaling van een volumevermindering van het voer op basis van ten minste één van: camerabeelden, een ultrasoon signaal, een radarsignaal, of een gewichtsbepaling. Onder gewichtsbepaling kan zowel worden verstaan het bepalen van het gewicht van het aangeboden voer (zodat een afname door consumptie ervan kan worden gemeten), als ook het bepalen van het gewicht van een dier voor en na de inname van voer. In een gecontroleerde omgeving kan op deze wijze de hoeveelheid geconsumeerd voer worden gemeten. Ook het voertype is vast te stellen (bijvoorbeeld door invoer of middels een camera). Zo is bijvoorbeeld vast te stellen hoeveel krachtvoer een dier heeft gevreten. Deze informatie kan worden gebruikt in stap a2 om te bepalen wat de hoe groot de hoeveelheid opgenomen droog stof is voor het betreffende dier.According to some embodiments, the feed is offered to the animal for at least part of the time, and in which step a2 measures the feed consumption in order to determine the amount of feed consumed by the animal. For example, as long as the cattle are in the stable, it is quite easy and accurate to measure how much the animal eats and what it eats. In meadows this is not possible directly, but an estimate can be made in accordance with the findings. According to some embodiments, the feed take-off is measured by one or more of: a determination of a volume reduction of the feed based on at least one of: camera images, an ultrasonic signal, a radar signal, or a weight determination. Weight determination can be understood to mean determining the weight of the feed offered (so that a decrease due to its consumption can be measured), as well as determining the weight of an animal before and after the intake of feed. In this way, the amount of feed consumed can be measured in a controlled environment. The feed type can also be determined (for example by input or by means of a camera). For example, it is possible to determine how much concentrate an animal has eaten. This information can be used in step a2 to determine the amount of dry matter absorbed for the animal in question.

Overeenkomstig bijzondere varianten van de bovenstaande uitvoeringsvormen wordt een eerste hoeveelheid voer aangeboden die een markerstof bevat, en omvat de werkwijze in stap a2, voor het bepalen van de hoeveelheid geconsumeerd voer, het uit een monstername van mest van het dier bepalen van een concentratie van de markerstof, en het op basis van de bepaalde concentratie markerstof berekenen van een tweede hoeveelheid voer dat is geconsumeerd door het dier en waaraan de markerstof niet was toegevoegd. Wanneer de eerste hoeveelheid voer en de concentratie markerstof daarm bekend zijn, en uit de monstername van het mest monster de daarin aanwezige concentratie markerstof wordt bepaald, is terug te rekenen hoeveel ander voer, d.w.z. de tweede hoeveelheid voer zonder de markerstof, door het dier is gevreten. Dit levert een schatting op van deze tweede hoeveelheid voer. Wanneer bovendien bekend is welk type voer het dier heeft gevreten additioneel aan de ontvangen eerste hoeveelheid voer, dan is ook de samenstelling bekend. Overeenkomstig sommige van deze uitvoeringsvormen omvat de werkwijze daartoe verder het ontvangen van voertypegegevens van voer uit de tweede hoeveelheid voor het berekenen van de tweede hoeveelheid door het dier geconsumeerd voer.According to particular variants of the above embodiments, a first amount of feed is offered which contains a marker substance, and the method in step a2, for determining the amount of feed consumed, comprises determining a concentration of the animal from a sample of manure from the animal. marker substance, and calculating, on the basis of the determined concentration of marker substance, a second amount of feed consumed by the animal to which the marker substance was not added. When the first amount of feed and the concentration of the marker substance are known, and the concentration of the marker substance present in the manure sample is determined from the sampling of the manure sample, it is possible to calculate how much other feed, ie the second amount of feed without the marker substance, has been used by the animal. eaten. This provides an estimate of this second amount of feed. If, moreover, it is known which type of feed the animal has eaten in addition to the first amount of feed received, the composition is also known. According to some of these embodiments, the method further comprises therefor receiving feed type data of feed from the second amount to calculate the second amount of feed consumed by the animal.

Met betrekking tot de hierboven beschreven uitvoeringsvormen dient te worden opgemerkt dat alle te meten parameters met betrekking tot de inname van voer, die tijdens de trainingsfase van het zelflerende gegevensverwerkingsmodel worden gebruikt voor het berekenen of bepalen van de hoeveelheid opgenomen droog stoof door het dier, eveneens in zowel de trainingsfase als de toepassingsfase kunnen worden gebruikt als voedingsgerelateerde parameter in stap b van de trainingswerkwijze of in stap a van de toepassingswerkwijze (de werkwijze voor het op basis van voedingsgerelateerde parameters kwantificeren van een hoeveelheid droge stof uit voer die is opgenomen door een individueel dier gedurende een tijdsduur met behulp van het getrainde zelflerende gegevensverwerkingsmodel).With regard to the embodiments described above, it should be noted that all feed intake parameters to be measured, which are used during the training phase of the machine learning data processing model to calculate or determine the amount of dry food ingested by the animal, are also in both the training phase and the application phase can be used as a nutrition-related parameter in step b of the training method or in step a of the application method (the method for quantifying on the basis of nutrition-related parameters an amount of dry matter from feed consumed by an individual animal over a period of time using the trained machine learning data processing model).

Overeenkomstig een tweede aspect verschaft de onderhavige uitvinding een werkwijze voor het op basis van voedingsgerelateerde parameters kwantificeren van een hoeveelheid droge stof uit voer die is opgenomen door een individueel dier gedurende een tijdsduur, waarbij het individuele dier gedurende ten minste een deel van de tijdsduur toegang heeft tot voer, waarbij de werkwijze de stappen omvat van: a. het, gedurende de tijdsduur, voortbrengen van een stroom meetgegevens die indicatief is voor één of meer voedingsgerelateerde parameters van het dier; b. het met een zelflerend gegevensverwerkingsmodel op basis van de in stap a. voortgebrachte stroom meetgegevens bepalen van een waarde voor de hoeveelheid droog stof die door het dier is opgenomen, waarbij het zelflerende gegevensverwerkingsmodel is getraind middels een werkwijze volgens het eerste aspect.According to a second aspect, the present invention provides a method for quantifying, based on feed-related parameters, an amount of dry matter from feed consumed by an individual animal over a period of time, wherein the individual animal has access for at least a portion of the time period to feed, the method comprising the steps of: a. generating, over the period of time, a stream of measurement data indicative of one or more feed-related parameters of the animal; b. determining with a self-learning data processing model on the basis of the flow of measurement data produced in step a. a value for the amount of dry matter absorbed by the animal, wherein the self-learning data processing model is trained by means of a method according to the first aspect.

De in stap a) te meten voedingsgerelateerde parameters kunnen elk van de voedingsgerelateerde parameters omvatten die in de trainingsfase zijn toegepast in stap b. van de werkwijze overeenkomstig het eerste aspect. Zoals hierboven reeds aangegeven kunnen ook parameters die gerelateerd zijn aan de in stap a2 van de werkwijze overeenkomstig het eerste aspect bepaalde of gemeten hoeveelheid aangeboden voer worden toegepast als voedingsgerelateerde parameters in stap a van de onderhavige werkwijze overeenkomstig het tweede aspect.The nutrition-related parameters to be measured in step a) may comprise any of the nutrition-related parameters applied in the training phase in step b. of the method according to the first aspect. As already indicated above, parameters related to the amount of feed determined or measured in step a2 of the method according to the first aspect can also be applied as nutrition-related parameters in step a of the present method according to the second aspect.

Overeenkomstig een derde aspect verschaft de uitvinding een systeem voor het op basis van voedingsgerelateerde parameters kwantificeren van een hoeveelheid droge stof uit voer die is opgenomen door een individueel dier gedurende een tijdsduur, omvattende één of meer sensoren voor het gedurende de tijdsduur, voortbrengen van een stroom meetgegevens die indicatief is voor één of meer voedingsgerelateerde parameters van het dier; en een rekeneenheid voor het op basis van de voortgebrachte stroom meetgegevens bepalen van een waarde voor de hoeveelheid droog stof die door het dier is opgenomen, waarbij de rekeneenheid een zelflerend gegevensverwerkingsmodel omvat dat is getraind middels een werkwijze overeenkomstig het eerste aspect.According to a third aspect, the invention provides a system for quantifying on the basis of feed-related parameters an amount of dry matter from feed consumed by an individual animal over a period of time, comprising one or more sensors for generating a current during the period of time measurement data indicative of one or more nutritional parameters of the animal; and a calculation unit for determining a value for the amount of dry matter taken up by the animal on the basis of the generated flow of measurement data, the calculation unit comprising a self-learning data processing model trained by a method according to the first aspect.

Het zelflerende gegevensverwerkingsmodel kan een neuraal netwerk of een random forest model zijn voor het verschaffen van kunstmatige intelligentie, dat tijdens de trainingswerkwijze overeenkomstig het eerste aspect is geoptimaliseerd op basis van de ingevoerde gegevens in stappen a2 en b van de werkwijze overeenkomstig het eerste aspect. Een rekenkundig model kan bijvoorbeeld een rekenkundig regressiemodel zijn, zoals een enkelvoudig of meervoudig lineair regressiemodel, of een enkelvoudig of meervoudig niet- lineair regressiemodel. De stap van het trainen kan dan bijvoorbeeld zijn uitgevoerd middels het optimaliseren van één of meer coëfficiënten van het rekenkundige regressiemodel voor het minimaliseren van verschillen tussen de bepaalde waarden voor de hoeveelheid opgenomen droog stof en door het rekenkundige regressiemodel op basis van de één of meer voedings- gerelateerde parameters voorspelde waarden voor de hoeveelheid opgenomen droog stof.The machine learning data processing model may be a neural network or a random forest model for providing artificial intelligence, which is optimized during the training method according to the first aspect on the basis of the input data in steps a2 and b of the method according to the first aspect. For example, an arithmetic model can be an arithmetic regression model, such as a single or multiple linear regression model, or a single or multiple non-linear regression model. The step of training can then be performed, for example, by optimizing one or more coefficients of the arithmetic regression model to minimize differences between the determined values for the amount of dry matter absorbed and by the arithmetic regression model based on the one or more food - related parameters predicted values for the amount of absorbed dry matter.

Korte omschrijving van de figuren Uitvinding zal hieronder worden besproken aan de hand van niet als beperkend bedoelde specifieke uitvoeringsvormen daarvan, onder verwijzing naar de bijgevoegde figuren, waarm: Figuur 1 een schematische illustratie is van een implementatie van de uitvinding overeenkomstig een utvoeringsvorm; Figuur 2 een schematische illustratie is van een trainingswerkwijze van een zelflerend gegevensverwerkingsmodel overeenkomstig een uitvoeringsvorm; Figuur 3 een neuraal netwerk toont voor toepassing als zelflerend gegevensverwerkingsmodel in een uitvoeringsvorm van de uitvinding; Figuur 4 een systeem toont overeenkomstig een uitvoeringsvorm van de uitvinding.Brief Description of the Figures The invention will be discussed below with reference to specific embodiments thereof, not intended to be limiting, with reference to the accompanying figures, in which: Figure 1 is a schematic illustration of an implementation of the invention according to an embodiment; Figure 2 is a schematic illustration of a training method of a machine learning data processing model according to an embodiment; Figure 3 shows a neural network for use as a machine learning data processing model in an embodiment of the invention; Figure 4 shows a system according to an embodiment of the invention.

Gedetailleerde beschrijving Figuur 1 toont een schematische weergave van een implementatie van de onderhavige uitvinding. Figuur 1 toont tevens het verloop van de opname van droog stof in een koe en enkele van de factoren die daarop van invloed kunnen zijn.Detailed Description Figure 1 shows a schematic representation of an implementation of the present invention. Figure 1 also shows the course of dry matter intake in a cow and some of the factors that can influence this.

In figuur 1 is een koe 1 te zien. De koe 1 consumeert voer door het vreten van verschillende voersoorten 3-6. In figuur 1 zijn slechts enkele typen voer schematisch aangeduid, maar de vakman zal begrijpen dat een koe in werkelijkheid een groot aantal verschillende soorten voer kan consumeren en gedurende een dag om die reden verschillende voertypen kan binnenkrijgen.In figure 1 a cow 1 can be seen. The cow 1 consumes feed by eating different feed types 3-6. In figure 1 only a few types of feed are schematically indicated, but the skilled person will understand that a cow can in reality consume a large number of different types of feed and can therefore ingest different types of feed during a day.

Tevens drinkt de koe een hoeveelheid water 2, zoals schematisch weergegeven. Het consumeren van water kan bijvoorbeeld geschieden via een vaste drmkbak, of via een met een druklepel bediend drinkpunt. In figuur 1 is het drinken van water 2 slechts schematisch aangeduid. Verder kan de koe 1 bijvoorbeeld gedurende de dag vers gras 3 vreten in een weiland. Dit kan bijvoorbeeld later worden aangevuld met een hoeveelheid kuilvoer 4. Tevens is het mogelijk dat de koe 1, bijvoorbeeld voordat het de wei in gaat, een hoeveelheid krachtvoer 5 krijgt aangeboden. Krachtvoer 5 kan bijvoorbeeld aangeboden worden in de vorm van brokken. De koe 1 kan tevens andere soorten voer aangeboden krijgen, zoals maïsmeel 6. De aanvrage is niet beperkt tot een specifieke voersoort. Met betrekking tot figuur 1 zijn slechts enkele soorten voer bij wijze van voorbeeld genoemd.The cow also drinks an amount of water 2, as shown schematically. The consumption of water can for instance take place via a fixed drinking container, or via a drinking point operated with a pressure spoon. In figure 1 the drinking of water 2 is only schematically indicated. Furthermore, the cow 1 can for instance eat fresh grass 3 in a meadow during the day. This can for instance be supplemented later with an amount of silage 4. It is also possible that the cow 1, for instance before going into the pasture, is offered an amount of concentrate 5 . Concentrate 5 can for instance be offered in the form of chunks. The cow 1 can also be offered other types of feed, such as maize meal 6. The application is not limited to a specific feed type. With regard to Figure 1, only a few types of feed have been mentioned by way of example.

Het voer 3-6 dat is aangeboden bevat een hoeveelheid vocht in verschillende gehaltes afhankelijk van het soort voer. Zo bevat het verse gras 3 bijvoorbeeld een veel grotere hoeveelheid vocht dan het maïsmeel 6 of de brokken krachtvoer 5. De fractie die overblijft nadat al het vocht uit het voer is onttrokken, wordt de droge stof genoemd. De opname van droog stof door de koe 1 is een belangrijke parameter voor de veehouder. In koe 1 is schematisch met behulp van pijl 15 weergegeven dat het eenmaal geconsumeerde voer door de koe wordt gescheiden in een vochtfractie 16 en een hoeveelheid droog stofThe feed 3-6 that is offered contains an amount of moisture in different contents depending on the type of feed. For example, the fresh grass 3 contains a much larger amount of moisture than the maize meal 6 or the lumps of concentrate 5. The fraction that remains after all the moisture has been removed from the feed is called the dry matter. The uptake of dry matter by the cow 1 is an important parameter for the livestock farmer. In cow 1 it is schematically shown with the aid of arrow 15 that the feed once consumed is separated by the cow into a moisture fraction 16 and an amount of dry matter.

17. De vochtfractie 16 wordt door de koe 1 uitgescheiden via bijvoorbeeld excretie, in het bijzonder via de urine 10, en bovendien via de melkproductie17. The fluid fraction 16 is excreted by the cow 1 via, for example, excretion, in particular via the urine 10, and moreover via the milk production

13. De mest 9 bevat eveneens een fractie vocht alsmede restproducten uit de droge stof 17 die niet door het lichaam van de koe 1 zijn opgenomen.13. The manure 9 also contains a fraction of moisture as well as residual products from the dry matter 17 which have not been absorbed by the body of the cow 1.

Overeenkomstig de uitvinding kan de koe 1 zijn voorzien van verschillende sensoren en meeteenheden. Dergelijke labels, sensoren en meeteenheden worden hieronder beschreven en kunnen zijn ingericht voor het zelfstandig of samenwerkend met andere eenheden meten van bepaalde voedselgerelateerde parameters of toestanden. Hoewel in het navolgende specifieke labels zijn beschreven die zijn voorzien van specifieke sensoren, dient te worden begrepen dat de uitvinding niet beperkt is tot combinaties van labels voorzien van specifieke sensoren. Sensoren die aanwezig zijn op één van de labels kunnen in alternatieve wtvoeringsvormen aanwezig zijn in andere labels.According to the invention, the cow 1 can be provided with different sensors and measuring units. Such labels, sensors and measuring units are described below and may be adapted to measure particular food related parameters or conditions independently or in conjunction with other units. Although specific labels provided with specific sensors are described below, it should be understood that the invention is not limited to combinations of labels provided with specific sensors. Sensors present on one of the labels may be present in other labels in alternative embodiments.

In het voorbeeld van figuur 1 is koe 1 voorzien van een oorlabel 20, halslabel 21 en pootlabel 24 waarin zich verschillende sensoren kunnen bevinden. Het is niet noodzakelijk dat een koe van alle genoemde labels en sensoren 20, 21, 23, 24 en 25 is voorzien, het is ook mogelijk dat slechts één of een paar van deze eenheden aanwezig 1s op of in het dier. Het oorlabel 20 is bijvoorbeeld voorzien van een g-sensor of bewegingssensor. Tevens kan het oorlabel 20 zijn voorzien van een pulsoxymeter, een temperatuursensor voor het meten van de lichaamstemperatuur van de koe 1, een temperatuursensor voor het meten van de omgevingstemperatuur van de koe 1, een lichtsensor voor bijvoorbeeld het vaststellen van de hoeveelheid omgevingslicht, of een camera. Dergelijke sensoren die aanwezig zijn in het oorlabel 20 kunnen alternatief of additioneel ook in het halslabel 21 of de pootlabel 24 zijn voorzien.In the example of figure 1, cow 1 is provided with an ear tag 20, neck tag 21 and leg tag 24 in which different sensors can be located. It is not necessary for a cow to be provided with all said labels and sensors 20, 21, 23, 24 and 25, it is also possible that only one or a few of these units are present on or in the animal. For example, the ear tag 20 is provided with a g-sensor or motion sensor. The ear tag 20 can also be provided with a pulse oximeter, a temperature sensor for measuring the body temperature of the cow 1, a temperature sensor for measuring the ambient temperature of the cow 1, a light sensor for, for instance, determining the amount of ambient light, or a camera. Such sensors present in the ear tag 20 may alternatively or additionally also be provided in the neck tag 21 or the leg tag 24 .

De koe 1 is tevens voorzien van een staartsensor 25. Met de staartsensor 25 kunnen excretiegegevens worden verkregen, zoals gegevens met betrekking tot de hoeveelheid geproduceerde urine 10 en mest 9. Het verkrijgen van deze gegevens kan rechtstreeks dan wel indirect plaatsvinden, zo kan bijvoorbeeld aan de duur van een in een bepaalde positie houden van de staart van de koe worden bepaald of de koe mest produceert of urine uitscheidt, maar tevens kunnen sensoren op de koe aanwezig zijn die een geproduceerde hoeveelheid urine rechtstreeks inzichtelijk maken.The cow 1 is also provided with a tail sensor 25. With the tail sensor 25 excretion data can be obtained, such as data relating to the amount of urine 10 and manure 9 produced. This data can be obtained directly or indirectly, for example at For the duration of keeping the tail of the cow in a certain position, it is determined whether the cow produces manure or excretes urine, but sensors can also be present on the cow which provide direct insight into a produced amount of urine.

In de pens 22 van de koe 1, die schematisch is aangeduid met een stippellijn, bevindt zich voorts een maagbolus 23 voorzien van sensoren. De maagbolus 23 kan bijvoorbeeld zijn voorzien van een zuurtegraadmeter, een drukmeter, een thermometer of andere sensoren. Zo kan de zuurtegraad van de pens 22 worden gemeten, maar is het tevens mogelijk om bijvoorbeeld de mate van vulling van de pens te meten. De bovengenoemde sensoren en meeteenheden zijn slechts enkele voorbeelden van de dergelijke meeteenheden die kunnen zijn toegepast in een uitvoeringsvorm overeenkomstig de uitvinding voor het verzamelen van meetgegevens met betrekking tot voedselconsumptie en andere voedselgerelateerde parameters.In the rumen 22 of the cow 1, which is schematically indicated by a dotted line, there is furthermore a gastric bolus 23 provided with sensors. The gastric bolus 23 may, for example, be provided with an acidity gauge, a pressure gauge, a thermometer or other sensors. The degree of acidity of the rumen 22 can thus be measured, but it is also possible, for example, to measure the degree of filling of the rumen. The above-mentioned sensors and measuring units are only a few examples of such measuring units that can be used in an embodiment according to the invention for collecting measurement data relating to food consumption and other food-related parameters.

Voorts kunnen nog andere sensoren en meeteenheden aanwezig zijn die al dan niet zijn bevestigd aan het dier. Voedingsgerelateerde parameter gegevens kunnen bijvoorbeeld ook worden verkregen door middel van een weegstation voor het wegen van het gewicht van de koe 1, of een weerstation voor het bepalen van meteorologische gegevens 30 (zoals een barometer, regensensor of lichtmeter). Meteorologische gegevens kunnen ook worden verkregen via een verbinding met het internet voor het binnenhalen van meteorologische gegevens vanaf bijvoorbeeld een server of een meteorologisch instituut.Furthermore, other sensors and measuring units may be present, which may or may not be attached to the animal. For example, feed-related parameter data can also be obtained by means of a weighing station for weighing the weight of the cow 1, or a weather station for determining meteorological data 30 (such as a barometer, rain sensor or light meter). Meteorological data can also be obtained via a connection to the Internet to retrieve meteorological data from, for example, a server or a meteorological institute.

Verder is het mogelijk dat een of meer van de aan het dier bevestigde sensoren samenwerken met andere sensoren in de omgeving van de koe 1, waarmee tezamen metingen kunnen worden uitgevoerd. In het voorbeeld van figuur 1 zijn de labels 20 en 21 voorzien van een global positioning system (GPS) eenheid die signalen ontvangt van een aantal satellieten 28-1, 28-2, 28-3 voor het voortbrengen van een nauwkeurige positiebepaling. Op basis van de positiebepaling kan de locatie van de koe 1 worden bepaald, en 1s vast te stellen of deze bijvoorbeeld in een weiland staat, of aan een voerhek of in de stal. Een andere mogelijkheid is dat het label 20 is voorzien van een indoor positioneringssysteem, waarmee de specifieke locatie van de koe 1 in een stal kan worden bepaald. Dergelijke systemen zijn bijvoorbeeld werkzaam op een lage frequentie zoals rond de 50 kilohertz zodat de positie nauwkeurig kan worden bepaald zonder last te hebben van muren en andere objecten in de omgeving van de koe 1. Andere soorten systemen, zoals bijvoorbeeld dierherkenningssystemen (op basis van ISO, RFID) kunnen eveneens in het label 20 of één van andere meetelementen aanwezig zijn. Bijvoorbeeld met een dierherkenningssysteem in het label 20 is vast te stellen of de koe 1 in de directe omgeving van een ISO-antenne staat bijvoorbeeld bij een voerhek, in de melkstal bij een melkstation, of aan een separatiehek.It is further possible that one or more of the sensors attached to the animal cooperate with other sensors in the vicinity of the cow 1, with which measurements can be performed together. In the example of Figure 1, labels 20 and 21 are provided with a global positioning system (GPS) unit that receives signals from a plurality of satellites 28-1, 28-2, 28-3 to produce an accurate position determination. The location of the cow 1 can be determined on the basis of the position determination, and it can be determined whether it is for instance in a meadow, or at a feeding fence or in the stable. Another possibility is that the label 20 is provided with an indoor positioning system, with which the specific location of the cow 1 in a shed can be determined. Such systems, for example, operate at a low frequency such as around 50 kilohertz so that the position can be accurately determined without being affected by walls and other objects in the vicinity of the cow1. Other types of systems, such as animal recognition systems (based on ISO , RFID) may also be present in the label 20 or one of other measuring elements. It can for instance be established with an animal identification system in the label 20 whether the cow 1 is in the immediate vicinity of an ISO antenna, for instance at a feeding fence, in the milking parlor at a milking station, or at a separation fence.

De sensoren en meeteenheden, zoals het oorlabel 20, het halslabel 21, de maagbolus 23, het pootlabel 24, de staartsensor 25, of een andere sensor, kunnen zijn voorzien van gegevensoverdrachtsystemen voor het overbrengen van de meetgegevens aan bijvoorbeeld een centrale server 85. Zo kan het label 20 bijvoorbeeld zijn voorzien van een ultrawideband (UWB) gebaseerd gegevensoverdrachtsysteem, dat gebruik maakt van frequenties in het ultrahoogfrequente (UHF) bereik (bijvoorbeeld 300 tot 3000 MHz). Gegevens met betrekking tot de koe 1 kunnen eveneens kunnen worden verkregen van bijvoorbeeld een centraal administratiesysteem. Hiermee zijn bijvoorbeeld statusgegevens van de koe te verkrijgen die kunnen worden gebruikt in het gegevensverwerkingsmodel 40 dat in het navolgende zal worden beschreven.The sensors and measurement units, such as the ear tag 20, the neck tag 21, the stomach bolus 23, the paw tag 24, the tail sensor 25, or another sensor, may be provided with data transfer systems for transferring the measurement data to, for example, a central server 85. For example, the tag 20 may comprise an ultrawideband (UWB) based data transmission system using frequencies in the ultrahigh frequency (UHF) range (e.g. 300 to 3000MHz). Data relating to the cow 1 can also be obtained from, for example, a central administration system. This makes it possible, for example, to obtain cow status data that can be used in the data processing model 40, which will be described below.

Figuur 2 toont schematisch een trainingswerkwijze voor het trainen van een zelflerend gegevensverwerkingsmodel 40. Het zelflerende gegevensverwerkingsmodel 40 bestaat uit een invoerzijde 43 en een utvoerzijde 48, en de kern van het gegevensverwerkingsmodel 40 wordt gevormd door beslismodel 45. Beslismodel 45 kan bijvoorbeeld een rekenkundig algoritme zijn, zoals een rekenkundig regressiemodel, maar kan tevens gevormd worden door bijvoorbeeld een neuraal netwerk of een random forest algoritme. Controller 50 voert de regie over het trainen van het beslismodel 45.Fig. 2 schematically shows a training method for training a machine learning data processing model 40. The machine learning data processing model 40 consists of an input side 43 and an output side 48, and the core of the data processing model 40 is formed by decision model 45. Decision model 45 may be, for example, an arithmetic algorithm. , such as an arithmetic regression model, but can also be formed by, for example, a neural network or a random forest algorithm. Controller 50 directs the training of the decision model 45.

Overeenkomstig de uitvinding wordt gedurende een bepaalde tijd voer aangeboden aan het dier 1, dit is te zien in figuur 1. Gedurende deze tijdsduur wordt de door het dier geconsumeerde hoeveelheid van het aangeboden voer nauwkeurig gemeten. Dit kan bijvoorbeeld worden uitgevoerd in een gecontroleerde omgeving waarin het dier gedurende de aangegeven tijdsduur wordt geobserveerd.According to the invention, feed is offered to the animal 1 for a certain period of time, which can be seen in figure 1. During this period of time, the amount of the offered feed consumed by the animal is accurately measured. This can be performed, for example, in a controlled environment in which the animal is observed for the indicated period of time.

Het vaststellen van de geconsumeerde hoeveelheid aangeboden voer kan door gebruik te maken van bijvoorbeeld slimme voerbakken die zijn voorzien van sensoren zoals gewichtssensoren, camera’s of radarsystemen die de afname van de hoeveelheid voer in de voerbak kunnen vaststellen. Ook is het mogelijk de koe 1 op gezette tijden voor en na een maaltijd te wegen, en te observeren welk voer de koe in de tussentijd heeft gegeten, en of er sprake is geweest van mestproductie of urine uitscheiding. Wanneer de koe in een weiland graast kan het weiland worden geobserveerd met behulp van camera’s die vaststellen hoe vaak en hoelang de koe eet, en kan additioneel de koe worden gewogen wanneer deze het weiland verlaat. Eveneens kunnen in dit geval de excretiegegevens worden bijgehouden om een nauwkeurige gewichtsbepaling mogelijk te maken. Met behulp van bijvoorbeeld een camera op het oor- or halslabel 20 of 21 kan ook worden vastgesteld of de koe 1 aan het vreten is en welk voertype zij nuttigt. De controller 50 ontvangt de gegevens met betrekking tot de hoeveelheid gevreten voer en het soort voer, en berekent daaruit een hoeveelheid opgenomen droog stof voor gebruik als controlewaarde voor het trainen van het model 40. Hierboven zijn reeds verschillende strategieën gegeven voor het vaststellen van de hoeveelheid geconsumeerd voer. Een andere benadering daarvan is mogelijk via het toevoegen van een markerstof aan krachtvoer 5, conform bijvoorbeeld de n-alkanenmethode. Tijdens de trainingsfase kan hiervan bijvoorbeeld gebruik worden gemaakt door aan krachtvoer bijvoorbeeld een markerstof toe te voegen die is terug te vinden in de mest die geproduceerd is door de koe. Wanneer de koe 1 het krachtvoer met de markerstof consumeert, en vervolgens een onbekende hoeveelheid vers gras vreet in een weiland, kan middels analyse van mestmonsters 9 van de koe 1 en de daarin aanwezige concentratie markerstof worden bepaald hoeveel vers gras de koe 1 bij benadering gevreten heeft.The amount of feed consumed can be determined by using, for example, smart feeders that are equipped with sensors such as weight sensors, cameras or radar systems that can determine the decrease in the amount of feed in the feeder. It is also possible to weigh the cow 1 at set times before and after a meal, and to observe which feed the cow has eaten in the meantime, and whether there has been manure production or urine excretion. When the cow is grazing in a pasture, the pasture can be observed using cameras that determine how often and for how long the cow eats, and additionally the cow can be weighed when it leaves the pasture. Also in this case the excretion data can be kept to allow an accurate weight determination. With the aid of, for instance, a camera on the ear or neck label 20 or 21, it can also be established whether the cow 1 is eating and what type of feed she consumes. The controller 50 receives the data regarding the amount of feed eaten and the type of feed, and calculates therefrom an amount of dry matter ingested for use as a control value for training the model 40. Various strategies have already been given above for determining the amount. consumed feed. Another approach to this is possible by adding a marker substance to concentrate 5, in accordance with, for example, the n-alkanes method. During the training phase, this can be used, for example, by adding a marker substance to concentrates that can be found in the manure produced by the cow. When the cow 1 consumes the concentrate with the marker substance and then eats an unknown amount of fresh grass in a pasture, it is possible to determine approximately how much fresh grass the cow 1 has eaten by analyzing manure samples 9 from the cow 1 and the concentration of the marker substance therein. has.

Een goed voorbeeld hiervan is de hierboven genoemde n- alkanenmethode. Gras bevat van nature een gehalte aan n-alkanen (CaH»a+2, met n>1) omvattende lange onverteerbare koolstofketens met, in gras, overwegend een oneven aantal koolstofatomen. N-alkanen met koolstofketens met een even aantal koolstofatomen komen in gras nagenoeg niet voor. De markerstof die toegevoegd wordt aan het krachtvoer 5 bevat een bekende hoeveelheid n-alkanen met een even aantal koolstafatomen. De onverteerbaarheid van deze alkanen in gras en in de markerstof, zorgt ervoor dat beide zijn terug te vinden in de mest 9. Door in een mest monster de verhouding tussen bepaalde n-alkanen met een even aantal koolstofatomen en een oneven aantal koolstofatomen te bepalen, en te vergelijken met de verhoudingen/gehaltes van deze alkanen in het krachtvoer 5 en/of eventuele andere geconsumeerde voertypen waarvan de gevreten hoeveelheden bekend zijn, is de hoeveelheid gevreten gras op basis van het mest monster te bepalen.A good example of this is the n-alkanes method mentioned above. Grass naturally contains a content of n-alkanes (CaH>a+2, with n>1) comprising long indigestible carbon chains with, in grass, predominantly an odd number of carbon atoms. N-alkanes with carbon chains with an even number of carbon atoms are virtually non-existent in grass. The marker substance added to the concentrate 5 contains a known amount of n-alkanes with an even number of carbon atoms. The indigestibility of these alkanes in grass and in the marker substance ensures that both can be found in the manure 9. By determining in a manure sample the ratio between certain n-alkanes with an even number of carbon atoms and an odd number of carbon atoms, and to compare with the proportions/contents of these alkanes in the concentrate 5 and/or any other types of feed consumed for which the amounts eaten are known, the amount of grass eaten can be determined on the basis of the manure sample.

Bijvoorbeeld, de concentratieverhouding tussen koolstofketens CiH2n+2 met n=32 (C32Heg6) en n=33 (C33Hss) kan worden bepaald na toevoeging van een markerstof die dotriacontaan bevat, en verschaft een betrouwbare meting. Gebruik van andere alkanen met een even aantal koolstofatomen, zoals bijvoorbeeld hexatriacontaan (CagH:4), is eveneens mogelijk. Ook andere combinaties van verhoudingen zijn mogelijk.For example, the concentration ratio between carbon chains CiH2n+2 with n=32 (C32Heg6) and n=33 (C33Hss) can be determined after addition of a marker substance containing dotriacontane, providing a reliable measurement. It is also possible to use other alkanes with an even number of carbon atoms, such as, for example, hexatriacontane (CagH:4). Other combinations of proportions are also possible.

Het nauwkeurig meten van de hoeveelheid geconsumeerd voer is dus op verschillende manieren mogelijk in een gecontroleerde omgeving. Op basis van deze gegevens kan een waarde worden berekend voor de hoeveelheid droog stof die door het individuele dier 1 is opgenomen op basis van de bepaalde hoeveelheid geconsumeerd voer. Wanneer de hoeveelheid voer en het voertype bijvoorbeeld bekend zijn, kan middels bekende voedingswaarden gegevens exact de daarin aanwezige hoeveelheid droge stof worden bepaald. Dit is de hoeveelheid droog stof die door de koe 1 is opgenomen tijdens consumptie van het voer. Deze berekende waarde kan door controller 50 worden opgeslagen als controlewaarde en wordt later gebruikt tijdens het trainen van het gegevensverwerkingsmodel, om vast te stellen of het gegevensverwerkingsmodel een Juiste waarde heeft voorspeld. Controle van de voorspelling is mogelijk door het verschil te berekenen tussen de voorspelde waarde en de exact berekende waarde voor de door het dier opgenomen hoeveelheid droog stof. Dit kan bijvoorbeeld met gebruikmaking van de kleinste kwadratenmethode, maar kan ook op een andere manier.Accurately measuring the amount of feed consumed is thus possible in various ways in a controlled environment. On the basis of this data, a value can be calculated for the amount of dry matter absorbed by the individual animal 1 based on the determined amount of feed consumed. When the amount of feed and the feed type are known, for example, the exact amount of dry matter present therein can be determined by means of known nutritional values. This is the amount of dry matter absorbed by the cow 1 during consumption of the feed. This calculated value can be stored by controller 50 as a check value and is later used during training of the data processing model to determine whether the data processing model has predicted a correct value. Control of the prediction is possible by calculating the difference between the predicted value and the exactly calculated value for the amount of dry matter absorbed by the animal. This can be done, for example, by using the least squares method, but it can also be done in another way.

Gedurende de tijdsduur waarin het voer aan de koe 1 wordt aangeboden wordt tevens een stroom meetgegevens voortgebracht met behulp van de verscheidene hiervoor beschreven sensoren, die indicatief zijn voor gewenste voedingsgerelateerde parameters. Zo zijn bijvoorbeeld meteorologische gegevens en specifiek bijvoorbeeld de buitentemperatuur, van invloed op de voedingsbehoefte van de koe 1. Ook het kunnen vaststellen van de activiteit van het dier verschaft een parameter die van invloed is op de voedingsbehoefte van het dier 1. In het bijzonder levert het kunnen vaststellen van de gedragstoestand van het dier 1 op basis van deze activiteitsgegevens zeer bruikbare informatie op die door het zelflerende gegevensverwerkingsmodel 40 kan worden gebruikt voor het voorspellen van de opgenomen hoeveelheid droog stof. De gedragstoestand kan direct worden vastgesteld uit de gemeten bewegingsparameters die zijn verkregen uit bijvoorbeeld de g-sensor die aanwezig is in het label 20.During the time during which the feed is offered to the cow 1, a stream of measurement data is also generated using the various sensors described above, which are indicative of desired feed-related parameters. For example, meteorological data and specifically, for example, the outside temperature, influence the nutritional requirement of the cow 1. Being able to determine the activity of the animal also provides a parameter that influences the nutritional requirement of the animal 1. In particular, being able to determine the behavioral state of the animal 1 on the basis of these activity data provides very useful information which can be used by the self-learning data processing model 40 for predicting the amount of dry matter absorbed. The behavioral state can be determined directly from the measured movement parameters obtained from, for example, the g-sensor present in the tag 20.

Zoals reeds eerder genoemd levert verder ook de met het positioneringssysteem vastgestelde locatie van de koe en de met een dierherkenningssysteem vastgestelde activiteiten van een koe, gegevens op die bruikbaar zijn voor de voorspelling van de opgenomen hoeveelheid droog stof.As already mentioned, the location of the cow determined with the positioning system and the activities of a cow determined with an animal identification system also provide data which can be used for predicting the amount of dry matter absorbed.

Statusgegevens die kunnen worden opgevraagd in een administratiesysteem van bijvoorbeeld een veehouderij, en die kunnen worden gebruikt bij de voorspelling van de hoeveelheid opgenomen droog stof, kunnen bijvoorbeeld bestaan uit de leeftijd van het dier 1, het aantal maanden dat het dier een dracht heeft voldragen, een verstreken tijdsduur na een laatste afkalving, een verstreken tijdsduur na een begin van een dracht, een verstreken tijdsduur sinds de start van een droogstand van het dier, melkproductiegegevens zoals de kwantiteit van de geproduceerde melk of een kwaliteitsparameter daarvan (eiwitgehalte, vetgehalte, celgetal, ureumgehalte, lactosegehalte), bloedwaarden die zijn verkregen via een analyse van het bloedmonster in het lab (ketonengehalte, vitaminegehalte, vetzuurwaarden, mineralengehalte) een mobiliteitsparameter zoals de toestand van een of meer klauwen van het dier, kwaliteitsgegevens van een of meer benen van het dier, een gewicht van het dier en een conditie van het dier.Status data that can be requested in an administration system of, for example, a livestock farm, and that can be used in the prediction of the amount of dry matter absorbed, can for instance consist of the age of the animal 1, the number of months that the animal has completed a pregnancy, an elapsed time after a last calving, an elapsed time after the start of a pregnancy, an elapsed time since the start of a dry period of the animal, milk production data such as the quantity of milk produced or a quality parameter thereof (protein content, fat content, cell count, urea content, lactose content), blood values obtained through an analysis of the blood sample in the lab (ketone content, vitamin content, fatty acid values, mineral content) a mobility parameter such as the condition of one or more claws of the animal, quality data from one or more legs of the animal , a weight of the animal and a condition of the d Irish.

In figuur 2 worden aan de invoerzijde meetwaarden voor de verschillende voedingsgerelateerde parameters als invoer aangeboden aan het systeem via de invoerlaag 43. De invoerlaag 43 bestaat ut invoerposities 43-1,In Figure 2, on the input side, measured values for the various power supply-related parameters are presented as input to the system via the input layer 43. The input layer 43 consists of input positions 43-1,

43-2, 43-3, ...., 431, ....43-n. De voedingsgerelateerde parameters die hierboven zijn beschreven kunnen voorts eveneens bestaan uit de bepaalde hoeveelheid geconsumeerd voer van een specifiek voertype, meetwaarden die ook gebruikt worden voor het berekenen van een controlewaarde tijdens training van het model. Dus de gegevens die gebruikt worden voor het berekenen van de hoeveelheid opgenomen droog stof tijdens de trainingsfase, kunnen ten dele ook worden toegepast voor het voorspellen van de opgenomen hoeveelheid droog stof in de toepassingsfase van het model. De hoeveelheid door een dier gevreten voer van het ene type is een parameter die, omdat het dier verzadigd raakt, afhankelijk is van een hoeveelheid voer van een ander (of van hetzelfde) type dat al eerder gevreten is. Is één van die hoeveelheden meetbaar, dan zegt dat iets over de andere hoeveelheid, mits slechts één van de gevreten hoeveelheden onbekend is. In een situatie waarin het dier drie of meer verschillende voertypen heeft gevreten waarbij deze voertypen bekend zijn, en één van die hoeveelheden is onbekend, dan is die ene hoeveelheid afhankelijk van de andere hoeveelheden. Bij twee onbekende hoeveelheden is er in mindere mate sprake van afhankelijkheid van de bekende hoeveelheden, omdat deze twee onbekende hoeveelheden ook van elkaar afhankelijk zijn.43-2, 43-3, ...., 431, .... 43-n. The nutrition-related parameters described above may furthermore also consist of the determined amount of feed consumed of a specific feed type, measured values which are also used to calculate a control value during training of the model. Thus, the data used to calculate the amount of dry matter ingested during the training phase can, in part, also be used to predict the amount of dry matter ingested in the application phase of the model. The amount of food of one type eaten by an animal is a parameter which, because the animal becomes satiated, depends on an amount of food of another (or of the same) type that has already been eaten before. If one of those quantities is measurable, then this says something about the other quantity, provided only one of the quantities eaten is unknown. In a situation in which the animal has eaten three or more different feed types, these feed types being known, and one of those amounts is unknown, then that one amount depends on the other amounts. In the case of two unknown quantities, there is less dependence on the known quantities, because these two unknown quantities are also dependent on each other.

De afhankelijkheid van een gevreten hoeveelheid voer van een bepaald type van een eerder gevreten hoeveelheid voer van een ander type, wordt veroorzaakt doordat de koe 1 verzadigd raakt na het vreten van voldoende voer. Deze afhankelijkheid zorgt ervoor dat het meten van een hoeveelheid gevreten voer van een eerste type ook kan worden gebruikt als invoer in een getraind gegevensverwerkingsmodel voor het voorspellen van een opgenomen hoeveelheid droog stof.The dependence of an consumed amount of feed of a particular type on a previously eaten amount of feed of another type is caused by the cow 1 becoming satiated after eating sufficient feed. This dependency ensures that the measurement of a first type of feed eaten can also be used as input in a trained data processing model for predicting an ingested amount of dry matter.

De invoer uit invoerposities 43 wordt door het beslismodel 45 gebruikt voor het doen van een voorspelling met betrekking tot de hoeveelheid door het dier opgenomen droog stof binnen de gegeven tijdsduur. Deze waarde wordt als uitvoer 48 door het beslismodel 45 gepresenteerd. De uitvoer 48 wordt via 51 teruggekoppeld aan de controller 50, en ook de invoerparameters worden teruggekoppeld via pijl 52 aan de controller 50. De controller 50 beschikt tevens over de controlewaarde: de berekende hoeveelheid opgenomen droog stof op basis van de exact gemeten hoeveelheid geconsumeerd voer.The input from input positions 43 is used by the decision model 45 to make a prediction with regard to the amount of dry matter taken up by the animal within the given period of time. This value is presented as output 48 by the decision model 45 . The output 48 is fed back via 51 to the controller 50, and the input parameters are also fed back via arrow 52 to the controller 50. The controller 50 also has the control value: the calculated amount of absorbed dry matter based on the exactly measured amount of feed consumed .

De berekende hoeveelheid door het dier opgenomen droog stof wordt door de controller 50 vergeleken met de uitvoerwaarde 48 en hieruit wordt een afwijking berekend.The calculated amount of dry matter taken up by the animal is compared by the controller 50 with the output value 48 and a deviation is calculated from this.

Op basis van deze afwijking zal de controller 50, zoals aangegeven door pijl 53, de gewichten, coëfficiënten, en andere parameters van het beslismodel 45 aanpassen.Based on this deviation, the controller 50, as indicated by arrow 53, will adjust the weights, coefficients, and other parameters of the decision model 45 .

Vervolgens wordt opnieuw een voorspelling gedaan op basis van bekende invoerwaarden en een bekende berekenende hoeveelheid opgenomen droog stof, en controleert controller 50 of de afwijking kleiner is geworden.Subsequently, a prediction is made again based on known input values and a known calculating amount of absorbed dry matter, and controller 50 checks whether the deviation has become smaller.

Door het adaptief aanpassen van de gewichten, coëfficiënten en andere relevante parameters van het beslismodel 45, ontstaat na vele iteraties een geoptimaliseerd gegevensverwerkingsmodel 40. De trainingsfase kan dan worden afgerond en het getrainde gegevensverwerkingsmodel 40 kan vervolgens worden toegepast voor het voorspellen van een opgenomen hoeveelheid droog stof.By adaptively adjusting the weights, coefficients and other relevant parameters of the decision model 45, an optimized data processing model 40 is created after many iterations. The training phase can then be completed and the trained data processing model 40 can then be applied to predict an ingested amount of dry dust.

Het beslismodel 45 kan een neuraal netwerk zijn, of kan bestaan uit bijvoorbeeld een rekenkundig regressiemodel of een random forest algoritme.The decision model 45 may be a neural network, or may consist of, for example, a computational regression model or a random forest algorithm.

Een rekenkundig regressiemodel kan bijvoorbeeld een lineair regressie model zijn of non-lineair regressie model, en kan zowel enkelvoudig als meervoudig zijn.For example, an arithmetic regression model can be a linear regression model or a non-linear regression model, and can be either simple or multiple.

In een rekenkundig regressiemodel kunnen op dezelfde wijze coëfficiënten en wegingen worden aangepast op basis van een afwijking in de voorspelde waarden.In an arithmetic regression model, coefficients and weights can be adjusted in the same way based on a deviation in the predicted values.

In figuur 3 wordt schematisch een neuraal netwerk getoond waarmee regressie kan worden uitgevoerd.Figure 3 shows schematically a neural network with which regression can be performed.

De invoerposities 43-1...43-n zijn getoond als __1nvoerneuronen 43 in een invoerlaag 55 van het neurale netwerk.Input positions 43-1...43-n are shown as input neurons 43 in an input layer 55 of the neural network.

De lagen 57 en 58 zijn patroonlagen, dit zijn verborgen lagen van het neurale netwerk.Layers 57 and 58 are pattern layers, which are hidden layers of the neural network.

De eerste verborgen laag 57 bestaat uit een willekeurig aantal neuronen.The first hidden layer 57 consists of any number of neurons.

Elk neuron 66 ontvangt in principe elk van de invoerwaarden x; tot en met x, wt de invoerneuronen 43. Deze worden echter vermenigvuldigd met een gewichtswaarde die in figuur 3 schematisch is aangeduid als wii; De waarde 1 verwijst naar de neuronen 43 in de invoerlaag 55, en de waarde j verwijst naar de neuronen 66 in de eerste verborgen laag 57. Elk van de neuronen 66 in de eerste verborgen laag 57 kan eveneens een additionele multiplicator u; toepassen. Bovendien kan optioneel aan elk van de neuronen 66 een activeringsfunctie zijn verbonden die het niet lineaire karakter van het gegevensverwerkingsmodel implementeert. Voorts kan aan de neuronen 66 in de eerste verborgen laag een biaswaarde 61 worden gegeven, een constante waarde die aan de utgang van het neuron 66 wordt opgeteld. De uitgangswaarde van elk van de neuronen 66 van de eerste verborgen laag 57 wordt daarna aan elk van de neuronen 67 in de tweede verborgen laag 58 doorgegeven. Wederom worden deze uitgangswaarden voor elk paar zendende neuronen uit laag 57 en ontvangende neuronen 67 uit laag 58 vermenigvuldigd met een gewichtswaarde w12;. De j verwijst wederom naar het zendende neuron in de eerste verborgen laag 57, en k verwijst hierbij naar het ontvangende neuron in de tweede verborgen laag 58. Op gelijke wijze als hierboven kan aan elk van de neuronen 67 in de tweede verborgen laag 58 een activeringsfunctie zijn toegekend, en kunnen de neuronen 67 worden gebiast met waarde 62.Each neuron 66 basically receives each of the input values x; to x, wt the input neurons 43. However, these are multiplied by a weight value schematically denoted as wii in Figure 3; The value 1 refers to the neurons 43 in the input layer 55, and the value j refers to the neurons 66 in the first hidden layer 57. Each of the neurons 66 in the first hidden layer 57 may also have an additional multiplier u; to apply. In addition, each of the neurons 66 may optionally have an activation function associated with it that implements the non-linear nature of the data processing model. Further, the neurons 66 in the first hidden layer may be given a bias value 61, a constant value that is added to the output of the neuron 66 . The output value of each of the neurons 66 of the first hidden layer 57 is then passed to each of the neurons 67 in the second hidden layer 58 . Again, these output values for each pair of layer 57 transmitting neurons and layer 58 receiving neurons 67 are multiplied by a weight value w12;. The j again refers to the transmitting neuron in the first hidden layer 57, and k hereby refers to the receiving neuron in the second hidden layer 58. Similarly as above, each of the neurons 67 in the second hidden layer 58 can be assigned an activation function. are assigned, and the neurons 67 can be biased with value 62.

In het voorbeeld van figuur 3 worden de uitgangswaarden van de neuronen 67 in de tweede verborgen laag 58 doorgegeven aan een sommatielaag 59. Deze bevat enerzijds een noemerneuron 69 en anderzijds een delerneuron 70. De sommatielaag 59 vormt in feite een derde verborgen laag van het neurale netwerk. De gewichten w23«l geven indicatief aan welk gewicht de uitgangswaarde van welk neuron 67 in de tweede verborgen laag 58 heeft, voor doorgifte daarvan aan de sommatielaag 59. Door de waarde uit het noemerneuron 69 te delen door het delerneuron 70 ontstaat aan de uitgang 60 een uitgangswaarde 48. De uitgangswaarde 48 is de voorspelling van de door het dier 1 opgenomen hoeveelheid droog stof op basis van de invoerwaarden aan de ingangsneuronen 43-1....43-n.In the example of Figure 3, the output values of the neurons 67 in the second hidden layer 58 are passed to a summation layer 59. This contains on the one hand a denominator neuron 69 and on the other hand a divisor neuron 70. The summation layer 59 actually forms a third hidden layer of the neural network. network. The weights w23-1 indicate the weight of the output value of which neuron 67 in the second hidden layer 58, for transmission thereof to the summation layer 59. By dividing the value from the denominator neuron 69 by the divisor neuron 70, the output 60 is obtained. an output value 48. The output value 48 is the prediction of the amount of dry matter absorbed by the animal 1 on the basis of the input values at the input neurons 43-1...43-n.

Figuur 4 toont een implementatie van een zelflerend gegevensverwerkingsmodel 40 in een systeem overeenkomstig een uitvoeringsvorm van de onderhavige uitvinding. Het eerder beschreven zelflerende gegevensverwerkingsmodel wordt uitgevoerd op een server 85 die bijvoorbeeld gelokaliseerd 15 in een serverruimte van een boerderij. De server 85 ontvangt de te meten gegevens van een veelheid meetsystemen. De eerder in figuur 1 getoonde sensoren en meetelementen die gedragen worden door de dieren 1, of zich in het inwendige van de dieren 1 bevinden, communiceren via een draadloos signaal 80 met een ontvangstmast 81 die de meetgegevens doorstuurt naar de server 85. De server 85 ontvangt voorts gegevens van bijvoorbeeld het ISO, RFID of ander dierherkenningssysteem, het positioneringssysteem, gewichtsbepalingsstations, een weerstation, en vele andere mvoerbronnen. Dit is schematisch weergegeven met behulp van de invoerbronnen 86, 87, 88, en 89. Geheugen 88 kan bijvoorbeeld een centrale databank zijn waar statusgegevens van de dieren 1 kunnen worden opgevraagd. Geavanceerde meteorologische gegevens kunnen voorts worden verkregen via een datanetwerk 89 waarmee de server 85 verbonden is. Overige in de boerderij aanwezige meetsystemen zijn in figuur 4 schematisch weergegeven door de kaders 86 en 87.Figure 4 shows an implementation of a machine learning data processing model 40 in a system according to an embodiment of the present invention. The previously described machine learning data processing model is performed on a server 85 located, for example, in a server room of a farm. The server 85 receives the data to be measured from a plurality of measurement systems. The sensors and measuring elements shown earlier in figure 1, which are carried by the animals 1, or which are located in the interior of the animals 1, communicate via a wireless signal 80 with a reception mast 81 which transmits the measurement data to the server 85. The server 85 further receives data from, for example, the ISO, RFID or other animal identification system, the positioning system, weight determination stations, a weather station, and many other input sources. This is schematically represented by means of the input sources 86, 87, 88, and 89. Memory 88 can for instance be a central database where status data of the animals 1 can be retrieved. Advanced meteorological data can further be obtained via a data network 89 to which the server 85 is connected. Other measuring systems present in the farm are schematically represented in figure 4 by boxes 86 and 87.

De server 85 past het eenmaal getrainde zelflerende gegevensverwerkingsmodel 40 toe voor het voorspellen van een opgenomen hoeveelheid droogvoer voor elk van de individuele dieren 1. Deze gegevens worden periodiek opgeslagen in het geheugen 90 dat aanwezig kan zijn ofwel in de server 85, of extern daaraan.The server 85 applies the once trained machine learning data processing model 40 to predict an amount of dry food consumed for each of the individual animals 1. This data is periodically stored in the memory 90 which may be present either in the server 85, or external to it.

De uitvinding is niet beperkt tot een specifiek type zelflerend gegevensverwerkingsmodel. Ook wanneer een neuraal netwerk wordt toegepast, hoeft dit niet noodzakelijk een algemeen regressie neuraal netwerk te zijn zoals is getoond in figuur 3. Ook het aantal verborgen lagen kan variëren, en bedraagt minimaal één laag. In een ander type neuraal netwerk kunnen andere typen neuronen en/of andere lagen zijn toegepast. Zo kan de sommatielaag 59 bijvoorbeeld ontbreken.The invention is not limited to a specific type of machine learning data processing model. Also, when a neural network is applied, it need not necessarily be a general regression neural network as shown in Figure 3. Also the number of hidden layers can vary, and is at least one layer. In another type of neural network, other types of neurons and/or other layers may be used. For example, the summation layer 59 may be missing.

De hierboven beschreven specifieke uitvoeringsvormen van de uitvinding zijn bedoeld ter illustratie van het uitvindingsprincipe. De uitvinding wordt slechts beperkt door de navolgende conclusies.The specific embodiments of the invention described above are intended to illustrate the inventive principle. The invention is limited only by the following claims.

Claims

CONCLUSIONS

A method for training a machine learning data processing model for providing artificial intelligence for quantifying on the basis of one or more food-related parameters an amount of dry matter from feed consumed by an individual animal during a period of time, wherein the method, for each animal of a plurality of animals, comprising the steps of: a1. presenting feed to the animal for at least part of the time period; a2. determining, during the period of time, an amount of the offered feed consumed by the animal, and determining a value for the amount of dry matter absorbed by the animal on the basis of the determined amount of consumed feed; b. generating, over the time period, a stream of measurement data indicative of the one or more nutritional parameters of the animal; CC. training the machine learning data processing model based on the in step b. generated flow of measurement data and the in step a2. determined value for the amount of dry matter absorbed by the animal.

The method of claim 1, wherein the machine learning data model is one of a group comprising: a neural network; and a random forest algorithm.

A method according to at least one of the preceding claims, wherein in step b, generating the flow of measurement data comprises: measuring the one or more nutritional parameters of the animal using at least one measuring instrument attached to or inserted into the animal, wherein the measuring instrument is provided with one or more sensors for measuring the one or more food-related parameters.

The method of claim 3, wherein the nutrition-related parameters comprise one or more parameters from a group comprising: body temperature; heartbeat; pH value in a stomach of the animal; filling of a stomach; movements of the animal such as raw movement values measured with a motion sensor; blood parameters including saturation; breathing.

A method according to claim 3 or 4, wherein the at least one measuring instrument comprises a label worn by the animal, wherein the one or more sensors comprise a motion sensor, and wherein measuring one or more food-related parameters measuring movement parameters of the animal comprises and wherein step b. of the method further comprises: determining a behavioral state on the basis of the measured movement parameters.

The method of claim 5, wherein the behavioral state is at least one of a group comprising: eating, ruminating, inactive, highly active, draft, lying down, standing, walking, standing up, walking, heat stress.

A method according to any one of the preceding claims, wherein in step b, generating the flow of measurement data comprises: determining position data indicative of a current position of the animal with a positioning system.

The method of claim 7, wherein the positioning system comprises one or more receivers and a tag worn by the animal, the tag comprising a transmitter unit that generates an electromagnetic signal received by the one or more receivers, further comprising generating the received electromagnetic signal from the position data.

Method according to claim 7 or 8, wherein the positioning system is at least one of a group comprising: an indoor positioning system for use in or around a building or space in which the animal is located, an outdoor positioning system for use in a meadow or a outdoor space or a piece of land, such as a long-range positioning system, or a GPS system.

A method according to any one of the preceding claims, wherein in step b, generating the flow of measurement data comprises: determining a proximity of a tag worn by the animal to an antenna of an animal recognition system, for determining a momentary activity of the animal.

A method according to any one of the preceding claims, wherein in step b, generating the flow of measurement data comprises obtaining status data of the animal.

The method of claim 11, wherein the status data of the animal comprises one or more data from a group comprising: an age of the animal; a number of times that the animal has completed a pregnancy; an elapsed time after a last calving; an elapsed time after the onset of a pregnancy; an elapsed time since the start of a dry period of the animal; milk production data, such as a quantity of milk produced, or a quality parameter of produced milk such as protein content, fat content, somatic cell count, urea content, or lactose content; blood values obtained from analysis of a blood sample, including ketone level, vitamin level, fatty acid level, mineral content; mobility parameter, such as a condition of one or more claws of the animal, quality data of one or more legs of the animal, a weight of the animal, a condition of the animal.

A method according to any one of the preceding claims, wherein in step b, generating the flow of measurement data comprises at least one of the following steps: receiving feed type data of the type of feed accessible to the animal during the time period, such as at least one of: a type of feed, for example concentrates, silage maize, medusa grass, wheat straw, grass, alfalfa hay or another type of feed; a composition; energy content; protein content; protein composition; moisture content; fat content; fat composition; acidity; ammonia content; minerals; vitamins; content and composition of organic matter in the feed; receiving feed supply data, such as time of supply of the feed, time of pushing the feed on a feeding fence, manner of mixing the feed, degree of occupancy of a feeding fence or pasture, grazing system, grazing duration, soil type of a pasture; obtaining excretion data from the animal, such as an amount of manure production, an amount of urine production, composition values of produced manure, or composition values of produced urine; obtaining fluid management data from the animal, such as an amount of water ingested by the animal, or an amount of fluid loss via milk production or excretion.

A method according to any one of the preceding claims, wherein in step b, generating the flow of measurement data comprises obtaining environmental data from a living environment of the animal, such as one or more data from a group comprising: climate data, ambient temperature, air humidity, air pressure, amount of precipitation, type of precipitation, sunrise time, or sunset time.

A method according to any one of the preceding claims, wherein the feed is offered to the animal during at least part of the time period,

and wherein in step a2 the amount of feed consumed by the animal is measured in order to determine the amount of feed consumed by the animal.

A method according to claim 15, wherein the feed take-off is measured by means of one or more of: a weight determination or a determination of a volume reduction of the feed based on at least one of: camera images, an ultrasonic signal or a radar signal.

A method according to claim 15, wherein a first amount of feed is offered which contains a marker substance, and wherein in step a2 for determining the amount of feed consumed, the method further comprises: determining from a sample of manure from the animal a concentration of the marker substance, and calculating on the basis of the determined concentration of marker substance a second amount of feed consumed by the animal to which the marker substance was not added.

The method of claim 17, further comprising receiving feed type data from feed from the second amount to calculate the second amount of feed consumed by the animal.

19. Method for quantifying, on the basis of food-related parameters, an amount of dry matter from feed which is consumed by an individual animal during a period of time, wherein the individual animal has access to feed for at least part of the period of time, wherein the method comprises steps of: a. generating, over the time period, a stream of measurement data indicative of one or more nutritional parameters of the animal; b. determining with a self-learning data processing model on the basis of the flow of measurement data produced in step a. a value for the amount of dry matter absorbed by the animal, wherein the self-learning data processing model is trained for providing artificial intelligence by means of a method according to one of the claims 1-20.

The method of claim 19, wherein the machine learning data processing model is at least one of a group comprising: a neural network and a random forest algorithm.

A method according to claim 19 or 20, wherein in step a, generating the flow of measurement data comprises: measuring the one or more nutritional parameters of the animal using at least one measuring instrument attached to or inserted into the animal wherein the measuring instrument is provided with one or more sensors for measuring the one or more food-related parameters.

The method of claim 21, wherein the nutrition-related parameters comprise one or more parameters from a group comprising: body temperature; heartbeat; pH value in a stomach of the animal; filling of a stomach; movements of the animal as obtained with a motion sensor; blood parameters, including saturation; breathing.

A method according to claim 21 or 22, wherein the at least one measuring instrument comprises a label worn by the animal, wherein the one or more sensors comprise a motion sensor, and wherein measuring one or more food related parameters measuring movement parameters of the animal comprises and wherein step b. of the method further comprises: determining a behavioral state on the basis of the measured movement parameters.

The method of claim 23, wherein the behavioral state is at least one of a group comprising: eating, ruminating, inactive, highly active, draft, lying down, standing, walking, standing up, walking, heat stress.

A method according to any one of the preceding claims, wherein in step a, generating the flow of measurement data comprises: determining position data indicative of a current position of the animal with a positioning system.

A method according to claim 25, wherein the positioning system is at least one of a group comprising: an indoor positioning system for use in or around a building or space in which the animal is located, an outdoor positioning system, such as for instance a long-distance positioning system or a GPS system.

A method according to any one of claims 19-26, wherein in step a, generating the flow of measurement data comprises at least one of the following steps: determining a proximity of a tag worn by the animal to an antenna of an animal recognition system, for determining a momentary activity of the animal; or obtaining status data of the animal, wherein the status data of the animal comprises one or more data from a group comprising: an age of the animal; a number of times that the animal has completed a pregnancy; an elapsed time after a last calving; an elapsed time after the onset of a pregnancy; an elapsed time since the start of a dry period of the animal; milk production data, such as a quantity of milk produced, or a quality parameter of produced milk such as protein content, fat content, somatic cell count, urea content, or lactose content; mobility parameter, such as a condition of one or more claws of the animal, quality data of one or more legs of the animal, a weight of the animal; or receiving feed type data of the type of feed accessible to the animal during the time period, such as at least one of: a feed type, e.g. concentrate, silage, silage, wheat straw, grass, alfalfa hay or other feed; a composition; energy content; protein content; protein composition; fat content; fat composition; acidity; ammonia content; minerals; vitamins; content and composition of organic matter in the feed; or receiving feed supply data, such as the time of supply of the feed, time of pushing the feed at a feeding fence, manner of mixing the feed, degree of occupancy of a feeding fence or pasture, grazing system, grazing duration, soil type of a pasture; obtaining excretion data from the animal, such as an amount of manure production, an amount of urine production, composition values of produced manure, or composition values of produced urine; obtaining fluid management data from the animal, such as an amount of water ingested by the animal, or an amount of fluid loss via milk production or excretion; or comprises obtaining environmental data from a habitat of the animal, such as one or more data from a group comprising: climate data, ambient temperature, humidity, air pressure, amount of precipitation, type of precipitation, sunrise time, or sunset time.

28. System for quantifying on the basis of feed-related parameters an amount of dry matter from feed that has been ingested by an individual animal over a period of time, comprising one or more sensors for generating a stream of measurement data indicative of one or more nutritional parameters of the animal; and a calculation unit for determining, on the basis of the generated flow of measurement data, a value for the amount of dry matter absorbed by the animal, wherein the calculation unit comprises a self-learning data processing model that has been trained by means of a method according to any one of claims 1-20.

The system of claim 28, wherein the machine learning data processing model is at least one of a group comprising: a neural network and a random forest model.

The system of claim 28 or 29, further comprising at least one measuring instrument attachable to or insertable into the animal, the measuring instrument comprising at least one of the sensors for measuring the one or more nutritional parameters.

The system of claim 30, wherein the measuring instrument is at least one of a group comprising: an ear tag, a neck tag, a paw tag, a stomach bolus, a tail sensor.

A system according to any one of claims 30-31, wherein the one or more sensors are selected from a group comprising: a thermometer, a heart rate monitor, a pH sensor, a motion sensor, a positioning system for sensing a instantaneous position, a moisture sensor , or a blood level sensor such as a pulse oximeter.

A system according to at least one of claims 30-32, wherein the at least one measuring instrument comprises a tag that is wearable by the animal, the at least one sensor comprising a motion sensor for measuring motion parameters of the animal, the calculating unit furthermore aimed at determining a behavioral state on the basis of the measured movement parameters, wherein the behavioral state is at least one of a group comprising: eating, ruminating, inactive, highly active, draft, lying down, standing, walking, standing up, walking, heat stress.

A system according to any one of claims 28-33, wherein the system is further communicatively connected to a livestock management system, wherein the livestock management system is adapted to provide health status data of the animal, feed type data, feed supply data, environmental data of a living environment of the animal.