NL2024138B1 - Zelflerend gegevensverwerkingsmodel voor het kwantificeren van een hoeveelheid droge stof die is opgenomen door een individueel dier. - Google Patents

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.

Description

Titel: Zelflerend gegevensverwerkingsmodel voor het kwantificeren van een hoeveelheid droge stof die 1s opgenomen door een individueel dier.

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).

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.

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.

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.

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.

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.

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,

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.

voortgebrachte stroom meetgegevens en de in stap a2. bepaalde waarde voor de hoeveelheid droog stof die door het dier is opgenomen.

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.

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.

Op basis daarvan wordt in stap c) het zelflerende gegevensverwerkingsmodel getraind.

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.

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.

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.

Tijdens training is het zinvol, hoewel niet essentieel, om zoveel mogelijk meetbare of bepaalbare relevante voedingsgerelateerde parameters in stap b. mee te nemen.

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.

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.

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.

Dit maakt ook toepassing ervan mogelijk in energiezuinige applicaties met relatief eenvoudige processoren.

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.

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.

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.

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.

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.

Overeenkomstig sommige uitvoeringsvormen is het zelflerende gegevensmodel er één uit een groep omvattende: een neuraal netwerk en een random forest algoritme.

In een neuraal netwerk worden de aangeboden __1nvoerparameterwaarden gebruikt voor het voorspellen van een uitvoerparameterwaarde op basis van een netwerk van neuronen.

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.

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.

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.

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.

Na de trainingsfase kan het random forest model worden toegepast voor het voorspellen van de droog stof opname voor individuele dieren.

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.

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.

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.

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.

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.

Slechts ter voorbeeld en zeker niet beperkend kunnen dergelijke sensoren bijvoorbeeld omvatten: een g- sensor, gyroscoop, kompas, potentiaalverschilmeter, signaalsterkte-meter, drukmeter, lichtsterktemeter.

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.

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,

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.

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).

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.

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.

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.

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.

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.

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.

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.

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.

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).

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.

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.

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.

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.

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.

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.

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.

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.

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 stof

17. De vochtfractie 16 wordt door de koe 1 uitgescheiden via bijvoorbeeld excretie, in het bijzonder via de urine 10, en bovendien via de melkproductie

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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,

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.

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.

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.

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.

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.

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.

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.

Het beslismodel 45 kan een neuraal netwerk zijn, of kan bestaan uit bijvoorbeeld een rekenkundig regressiemodel of een random forest algoritme.

Een rekenkundig regressiemodel kan bijvoorbeeld een lineair regressie model zijn of non-lineair regressie model, en kan zowel enkelvoudig als meervoudig zijn.

In een rekenkundig regressiemodel kunnen op dezelfde wijze coëfficiënten en wegingen worden aangepast op basis van een afwijking in de voorspelde waarden.

In figuur 3 wordt schematisch een neuraal netwerk getoond waarmee regressie kan worden uitgevoerd.

De invoerposities 43-1...43-n zijn getoond als __1nvoerneuronen 43 in een invoerlaag 55 van het neurale netwerk.

De lagen 57 en 58 zijn patroonlagen, dit zijn verborgen lagen van het neurale netwerk.

De eerste verborgen laag 57 bestaat uit een willekeurig aantal neuronen.

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.

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.

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.

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.

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.

De hierboven beschreven specifieke uitvoeringsvormen van de uitvinding zijn bedoeld ter illustratie van het uitvindingsprincipe. De uitvinding wordt slechts beperkt door de navolgende conclusies.

Claims (34)

CONCLUSIES

1. Werkwijze voor het trainen van een zelflerend gegevensverwerkingsmodel voor het verschaffen van kunstmatige intelligentie 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, 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; Cc. het trainen van het zelflerende gegevensverwerkingsmodel op basis van de in stap b. voortgebrachte stroom meetgegevens en de in stap a2. bepaalde waarde voor de hoeveelheid droog stof die door het dier is opgenomen.

2. Werkwijze volgens conclusie 1, waarin het zelflerende gegevensmodel er één is uit een groep omvattende: een neuraal netwerk; en een random forest algoritme.

3. Werkwijze volgens ten minste één der voorgaande conclusies, waarin in stap b, het voortbrengen van de stroom meetgegevens omvat: 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.

4. Werkwijze volgens conclusie 3, waarbij de voedingsgerelateerde parameters één of meer parameters omvatten 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.

5. Werkwijze volgens conclusie 3 of 4, waarbij het ten minste ene meetinstrument een door het dier gedragen label omvat, 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.

6. Werkwijze volgens conclusie 5, waarbij de gedragstoestand er ten minste één is uit een groep omvattende: vreten, herkauwen, inactief, hoog actief, tocht, liggen, staan, lopen, opstaan, stappen, hittestress.

7. Werkwijze volgens één der voorgaande conclusies, waarin in stap b, het voortbrengen van de stroom meetgegevens omvat: het met een positioneringssysteem bepalen van positiegegevens indicatief voor een momentane positie van het dier.

8. Werkwijze volgens conclusie 7, waarin het positioneringssysteem één of meer ontvangers en een door het dier gedragen label omvat, 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.

9. Werkwijze volgens conclusie 7 of 8, waarin het positioneringssysteem er ten minste één is 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 of een buitenruimte of een stuk land, zoals bijvoorbeeld een lange-aftands positioneringssysteem, of een GPS systeem.

10. Werkwijze volgens één der voorgaande conclusies, waarin 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.

11. Werkwijze volgens één der voorgaande conclusies, waarin in stap b, het voortbrengen van de stroom meetgegevens het verkrijgen van statusgegevens van het dier omvat.

12. Werkwijze volgens conclusie 11, waarbij 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.

13. Werkwijze volgens één der voorgaande conclusies, waarin in stap b, het voortbrengen van de stroom meetgegevens ten minste één van de volgende stappen omvat: 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, snijmaïs, kwlgras, tarwestro, gras, luzernehooi of een andere voersoort; een samenstelling; energieinhoud; eiwitgehalte; eiwitsamenstelling; vochtgehalte; vetgehalte; vetsamenstelling; zuurtegraad; ammoniakgehalte; mineralen; vitaminen; gehalte- en samenstelling van organische stof in het voer; 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; het verkrijgen van excretiegegevens van het dier, zoals een hoeveelheid mestproductie, een hoeveelheid urineproductie, samenstellingswaarden van geproduceerde mest, of samenstellingswaarden van geproduceerde urine; het verkrijgen van vochthuishoudingsgegevens van het dier, zoals een door het dier ingenomen hoeveelheid water, of een hoeveelheid vochtverlies via melkproductie of excretie.

14. Werkwijze volgens één der voorgaande conclusies, waarin in stap b, het voortbrengen van de stroom meetgegevens het verkrijgen van omgevingsgegevens omvat van een leefomgeving van het dier, zoals één of meer gegevens uit een groep omvattende: klimaatgegevens, omgevingstemperatuur, luchtvochtigheid, luchtdruk, hoeveelheid neerslag, type neerslag, zonsopkomsttijd, of zonsondergangstijd.

15. Werkwijze volgens één der voorgaande conclusies, waarbij gedurende ten minste een deel van de tijdsduur het voer wordt aangeboden aan het dier,

en waarin in stap a2 voor het bepalen van de door het dier geconsumeerde hoeveelheid voer de voerafname wordt gemeten.

16. Werkwijze volgens conclusie 15, waarbij de voerafname wordt gemeten door middel van één of meer van: een gewichtsbepaling of een bepaling van een volumevermindering van het voer op basis van ten minste één van: camerabeelden, een ultrasoon signaal of een radarsignaal.

17. Werkwijze volgens conclusie 15, waarbij een eerste hoeveelheid voer wordt aangeboden welke een markerstof bevat, en waarbij in stap a2 voor het bepalen van de hoeveelheid geconsumeerd voer, de werkwijze verder omvat: 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.

18. Werkwijze volgens conclusie 17, verder omvattende het ontvangen van voertypegegevens van voer uit de tweede hoeveelheid voor het berekenen van de tweede hoeveelheid door het dier geconsumeerd voer.

19. Werkwijze voor het op basis van voedingsgerelateerde parameters kwantificeren van een hoeveelheid droge stof uit voer die 1s 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 voor het verschaffen van kunstmatige intelligentie is getraind middels een werkwijze volgens één der conclusies 1-20.

20. Wekwijze volgens conclusie 19, waarin het zelflerende gegevensverwerkingsmodel er ten minste een is uit een groep omvattende: een neuraal netwerk en een random forest algoritme.

21. Werkwijze volgens conclusie 19 of 20, waarin in stap a, het voortbrengen van de stroom meetgegevens omvat: 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.

22. Werkwijze volgens conclusie 21, waarbij de voedingsgerelateerde parameters één of meer parameters omvatten uit een groep omvattende: lichaamstemperatuur; hartslag; pH-waarde in een maag van het dier; vulling van een maag; bewegingen van het dier zoals verkregen met een bewegingssensor; bloedparameters, waaronder saturatie; ademhaling.

23. Werkwijze volgens conclusie 21 of 22, waarbij het ten minste ene meetinstrument een door het dier gedragen label omvat, 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.

24. Werkwijze volgens conclusie 23, waarbij de gedragstoestand er ten minste één is uit een groep omvattende: vreten, herkauwen, inactief, hoog actief, tocht, liggen, staan, lopen, opstaan, stappen, hittestress.

25. Werkwijze volgens één der voorgaande conclusies, waarin in stap a, het voortbrengen van de stroom meetgegevens omvat: het met een positioneringssysteem bepalen van positiegegevens indicatief voor een momentane positie van het dier.

26. Werkwijze volgens conclusie 25, waarin het positioneringssysteem er ten minste één is uit een groep omvattende: een indoor positioneringssysteem voor toepassing in of om een gebouw of ruimte waarbinnen zich het dier bevindt, een outdoor positioneringssysteem, zoals bijvoorbeeld een lange- afstands positioneringssysteem of een GPS systeem.

27. Werkwijze volgens één der conclusies 19-26, waarin in stap a, het voortbrengen van de stroom meetgegevens ten minste één van de volgende stappen 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; of het verkrijgen van statusgegevens van het dier, waarbij 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; 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; of 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; eiwitsamenstelling; vetgehalte; vetsamenstelling; zuurtegraad; ammoniakgehalte; mineralen; vitaminen; gehalte- en samenstelling van organische stof in het voer; of 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; het verkrijgen van excretiegegevens van het dier, zoals een hoeveelheid mestproductie, een hoeveelheid urineproductie, samenstellingswaarden van geproduceerde mest, of samenstellingswaarden van geproduceerde urine; het verkrijgen van vochthuishoudingsgegevens van het dier, zoals een door het dier ingenomen hoeveelheid water, of een hoeveelheid vochtverlies via melkproductie of excretie; of het verkrijgen van omgevingsgegevens omvat van een leefomgeving van het dier, zoals één of meer gegevens uit een groep omvattende: klimaatgegevens, omgevingstemperatuur, luchtvochtigheid, luchtdruk, hoeveelheid neerslag, type neerslag, zonsopkomsttijd, of zonsondergangstijd.

28. 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 één der conclusies 1-20.

29. Systeem volgens conclusie 28, waarin het zelflerende gegevensverwerkingsmodel er ten minste een is uit een groep omvattende: een neuraal netwerk en een random forest model.

30. Systeem volgens conclusie 28 of 29, verder omvattende ten minste één meetinstrument dat bevestigbaar is aan of inbrengbaar is in het dier, waarbij het meetinstrument is voorzien van ten minste één van de sensoren voor het meten van de één of meer voedingsgerelateerde parameters.

31. Systeem volgens conclusie 30, waarbij het meetinstrument er ten minste één is ut een groep omvattende: een oorlabel, een halslabel, een pootlabel, een maagbolus, een staartsensor.

32. Systeem volgens één der conclusie 30-31, waarbij de één of meer sensoren zijn gekozen uit een groep omvattende: een thermometer, een hartslagmeter, een pH-sensor, een bewegingssensor, een positioneringssysteem voor het waarnemen van een momentane positie, een vochtsensor, of een bloedwaardensensor zoals een pulsoxymeter.

33. Systeem volgens ten minste één der conclusies 30-32, waarbij het ten minste ene meetinstrument een label omvat dat draagbaar is door het dier, waarbij de ten minste ene sensor een bewegingssensor omvat voor het meten van bewegingsparameters van het dier, waarbij de rekeneenheid voorts 1s mgericht voor het op basis van de gemeten bewegingsparameters vaststellen van een gedragstoestand, waarbij de gedragstoestand er ten minste één is uit een groep omvattende: vreten, herkauwen, inactief, hoog actief, tocht, liggen, staan, lopen, opstaan, stappen, hittestress.

34. Systeem volgens één der conclusies 28-33, waarbij het systeem voorts communicatief is verbonden met een veebeheersysteem, waarbij het veebeheersysteem is ingericht voor het verschaffen van gezondheidstoestandsgegevens van het dier, voertypegegevens, voerverstrekkingsgegevens, omgevingsgegevens van een leefomgeving van het dier.