Essay: Smarttag sensoren bij kalveren - Essay Marketplace

Essay: Smarttag sensoren bij kalveren

Afstudeerscriptie:
Smarttag sensoren bij kalveren

Inleiding

Door economische druk, technologische innovaties, politieke ontwikkelingen en verwachtingen van consumenten heeft de melkveehouderij de laatste jaren veel ontwikkelingen doorgemaakt. Ook de komende decennia zullen veranderingen niet uit blijven. Gevolgen van verandering in huisvesting en management zullen de gezondheid en welzijn in de melkveehouderij blijven verbeteren (Rutten, et al., 2013).
Sinds de jaren 80 is men begonnen onderzoek te doen naar sensortechniek in de veehouderij (Rutten, et al., 2013). De voornaamste aanleiding hiervan was de commerciële introductie van de melkrobot in 1992, door het gebruik van een melkrobot kon geen visuele waarneming worden gedaan naar de gezondheid van de koe (Hogeveen, 2010). In de loop van de jaren zijn verschillende ontwikkelingen en verbeteringen gedaan in sensortechniek, bijvoorbeeld sensoren voor tochtdetectie, gezondheid monitoring (Herkauwactiviteit en bewegingsactiviteit), individuele krachtvoerverstrekking, positiebepaling (Nedap, 2016). Melkrobots zijn onder andere in staat melkkwaliteit (vet, eiwit en lactose gehaltes), mastitis en conditiescores van individuele koeien te monitoren. (lely, 2016), (Delaval, 2016). De afgelopen jaren zijn verschillende onderzoeken naar deze onderwerpen gedaan naar mastitis, vruchtbaarheid en met name bewegingsactiviteit bij koeien
zijn onderzocht (Rutten, et al., 2013).

Aanleiding
Het opfokken van jongvee op een melkveebedrijf is een kostbare bezigheid. Het kost namelijk 24 maanden verzorging voordat de pink haar eerste kalf brengt en melk kan gaan produceren. Uit recente cijfers van I&R en Rendac haalt 1/5 van de kalveren niet de 24 maanden, 8,2% overlijdt voor de 3e dag en 10,8% sterft van de 3e dag tot een jaar (Sprayfo, 2016). Kalveren zijn in deze periodes vatbaar voor ziektes en ongemakken wat zorgt voor hogere kalversterfte en opfokkosten (Boersema, 2010). Als een kalf zich tot vaars gezond opgroeit zullen zij zicht optimale groei en ontwikkeling en goede genetische eigenschappen ontwikkelen, wat gunstig is voor een melkkoe in de moderne melkveehouderij. Preventie is de beste investering om grote economische schade te voorkomen door ziekte en sterfte van jongvee. Bij preventie hoort een goede huisvesting en een (ziekte)management systeem. (Boersema, 2010).
Probleemstelling
Op Dairy Campus wordt in juli 2016 een driejarig onderzoek gestart naar het verbeteren van de kalverenopfok. In drie jaar tijd wil het project InnoCalf een nieuw/verbeterd opfokconcept ontwikkelen. Dit opfokconcept moet een positieve bijdrage leveren aan de gezondheid, de ontwikkeling, de latere melkproductie en de levensduur van het kalf/de koe.

In de afgelopen decennia heeft de ontwikkeling van sensoren voor het monitoren en analyseren van melkvee een grote vlucht genomen. Inmiddels zijn deze sensoren zo doorontwikkeld dat deze betrouwbare informatie geven aan de veehouder. Bij kalveren wordt sensortechniek nog nauwelijks toegepast. Op dit moment is er nog niets bekend of het gebruik van activiteitensensoren een bijdrage kan leveren aan het verbeteren van de gezondheid van kalveren, bijvoorbeeld door vroege detectie en preventie van ziekten.

Doel
Het afstudeerproject heeft tot doel te onderzoeken of sensoren bij kalveren, het gedrag van het kalf, in het bijzonder staan/liggen, stappen en vreten, betrouwbaar geregistreerd kan worden. Daarnaast kan het onderzoek een eerste aanwijzing geven over de relatie tussen sensordata en de gezondheidstoestand van het kalf.

De sensoren die in dit onderzoek gebruikt zullen worden zijn de Nedap Smarttag poot en Nedap Smarttag hals. De sensoren functioneren onafhankelijk van elkaar, wellicht kunnen de sensoren gecombineerd een betrouwbare indicatie geven van de gezondheid van een kalf.

Hoofdvraag
Hoe betrouwbaar kunnen de Nedap sensoren de activiteit van de kalveren waarnemen?

Deelvragen

• Hoe werken de Nedap sensoren?
• Hoe zijn eerdere Sensor validaties uitgevoerd?
o Wanneer is een Sensor valide?
• Wat zijn meetbare gedragingen van een kalf?
o Dit wordt verwerkt in een ethogram
• Meet de sensor daadwerkelijk de activiteiten die het kalf toont?

Als na het onderzoek blijkt dat de sensoren betrouwbaar activiteit waarnemen, kan er vervolgens gekeken worden naar een gezondheidsverband tussen dier en activiteitregistratie.

Deelvragen

• Wanneer is een kalf ziek?
• Wanneer is een kalf gezond?
• Wat is het activiteit verschil tussen een gezond kalf en een ziek kalf?
Eerst wordt er een Theoretische verdieping uitgevoerd(zie hs 1) daarna word de proefopzet weergegeven (hs 2) In hoofdstuk 3 wordt de organisatie van het praktijkonderzoek toegelicht. Als laatste wordt de bronnenlijst en bijlage getoond

1.Theoretische verdieping

In de theoretische verdieping zal een antwoord gezocht worden op verschillende vragen.
• Hoe werken de Nedap sensoren?
• Hoe zijn eerdere Sensor validaties uitgevoerd?
o Wanneer is een Sensor valide?
• Wat zijn meetbare gedragingen van een kalf?
o Dit wordt verwerkt in een ethogram

1.1 De Nedap sensoren

In dit onderzoek zijn de sensoren van Nedap gevalideerd bij kalveren, maar hoe werkt het principe van deze sensoren? De “smarttag poot” en de “smarttag hals” zijn twee sensoren van Nedap livestock management. Deze worden momenteel alleen gebruikt bij melkvee koeien, ze registreren de activiteit van de dieren en doormiddel van specifieke algoritmes worden de verschillende activiteitspatronen geanalyseerd en verwerkt tot een bruikbare management tool voor de melkveehouder.

1.1.1Smarttag poot

Voor de Smarttag Poot heeft Nedap een Sta-Lig algoritme ontwikkeld, dit algoritme gebruikt een vijftal gedragsaspecten waarmee het een dagelijkse gedragspatroon maakt van het dier en die vergelijkt het met voorgaande dagen. De vijftal gedragingen zijn: liggen, staan en lopen, het aantal keren dat een dier opstaat en het aantal stappen dat een dier per dag zet.

De activiteit van het dier word elk kwartier in de sensor opgeslagen. De sensor geeft in hele minuten aan hoe vaak een bepaald gedrag is voorgekomen in het afgelopen kwartier.

1.1.2 Smarttag hals

Voor de Smarttag Hals heeft Nedap een tochtdetectie met vreetmonitoring algoritme ontwikkeld. Met de vreetmonitoring kunnen individuele koeien op het gebied van gezondheid en welzijn automatische gemonitord worden. Per dag word weergegeven hoelang het dier ruwvoer opneemt of graast, afwijkingen in dit gedrag laten zien dat het dier gecontroleerd moet worden omdat er mogelijk iets aan de hand is. Zo kan er vroegtijdig gezondheidsproblemen worden voorkomen wat ten gunste komt van productie vermindering en dier behandeling kosten.
De activiteit van het dier wordt elk minuut opgeslagen in de sensor. De sensor geeft elke minuut aan wat voor activiteit de afgelopen minuut het meest is voorgekomen, het dier vreet, herkauwend, rust of anders.
Als het dier bijvoorbeeld 20 seconde heeft gerust en 40 seconde heeft ge-herkauwd zal de sensor aangeven dat het dier in die minuut heeft ge-herkauwd.

Figuur 4 Smarttag Hals bij een kalf
1.2 Eerdere Sensor validatie ’s

Validation of a pressure sensor-based system for measuring eating, rumination and drinking behaviour of dairy cattle
Het doel van dit onderzoek was de validatie, voor droge koeien, van een nieuwe druk-gebaseerde sensor ( RumiWatch noseband sensor, RWS) deze sensor meet vreet, herkauw en drink tijd. In experiment 1 was de vreet, herkauw en drink tijd data vergelijken met een continu gedrag opname (CR) van zes dieren in een grupstal ( totaal 72 uur opname). Daarnaast was de vreet tijd van de RWS vergeleken met de bezoeken van de automatische voer bakken ( Roughage Intake Controle, RIC ) om hierdoor ervaring te krijgen van de RWS in een vrijloop stal ( experiment 2). In totaal zijn er 403 uur RWS data en RIC data verzameld van 18 koeien voor dit experiment. In experiment 1, RWS en CR hadden een sterk verband ( willekeurige regressie analyse) voor vreet en herkauw activiteit: vreet Y = 0.98(0.89-1.07)X + 3.25(1.35) en herkauwen, Y =0.88(0.73-1.02)X + 1.77(1.00). de R2 waarde waren 0,94 en 0.90, de willekeurig fout was klein. De 95% betrouwbaarheidsintervallen van de hellingen waren inclusief waarde 1, en de onderscheppingen verschilden niet van 0; dat wil zeggen dat er geen significante systematische fout was. Echter, experiment 2 bevestigde een tendens waargenomen in experiment 1 dat RWS overschatting van vreten aan gaf( 5.1+-2,7 h/24 h), de waargenomen bezoek tijd (RIC) (3.2+-1.1h/24h) het was alleen mogelijk om in de RIC bakken te vreten. De relatie tot drinktijd (RWS) en CR waren slecht: R2 = 0.20, en Y = 0,49 ( 0.12-0.85)X + 0.64 ( 0.13). wellicht heeft dit meer te maken met de uitdaging van het meten van het drinken in het algemeen dan met de RWS. De conclusie (i) de RWS resulteerde in vrij weinig willekeurige fouten voor herkauwen en vreten, maar niet voor drinken, (ii) er was een systematische fout bij eten en drinken, maar niet voor herkauwen, en (iii) door de beperkende data van ons onderzoek is verdere validatie van de RWS aanbevolen daarnaast heeft de RWS verdere ontwikkeling nodig voor vreet en drink metingen.
(Ruuskaa, et al., 2015)
Technical note: Validation of a system for monitoring individual feeding behavior and individual feed intake in dairy cattle
The objective of this study was to validate an electronic system for monitoring individual feeding behavior and feed intake (Intergado Ltd., Contagem, Minas Gerais, Brazil) in freestall-housed dairy cattle. No data have been published that validate either the behavioral measurement or the feed intake of this system. Feeding behavior data were recorded for 12 Holstein cows over 5 d using an Intergado system and time-lapse video. The cows were fitted with an ear tag containing a unique passive transponder and provided free access to 12 feed bins. The system documented the visit duration and feed intake by recording the animal identification number, bin number, initial and final times, and the difference between feed weight at start and end of each feed bin visit. These data were exported to Intergado web software and reports were generated. Electronic data on animal behavior were compared with video data collected during the same evaluation period. An external scale was used to manually measure and validate the electronic system’s ability to monitor dairy cow feed intake for each feed bin visit. The feed intake was manually measured for 4-h time periods and compared with the sum of the feed intake recorded by the monitoring system for each cow visit during the same time period. Video and manual weight data were regressed on the electronic feeding behavior and feeding intake data to evaluate the precision of the monitoring system. The Intergado system presented high values for specificity (99.9%) and sensitivity (99.6%) for cow detection. The visit duration and feed intake per visit collected using the electronic monitoring system were similar to the video and manual weighing data, respectively. The difference between the feed intake measured manually and the sum of the electronically recorded feed intake
was less than 250 g (25,635 ± 2,428 and 25,391 ± 2,428 g estimated using manual weighing and the electronic system, respectively). In conclusion, the Intergado system is a reasonable tool to monitor feeding behavior and feed intake for freestall-housed dairy cows. Key words: dairy cattle, f eeding behavior, validation
(Chizzotti, et al., 2015)

Technical note: Validation of a system for monitoring rumination in dairy cows
Increased rumination in dairy cattle has been associated with increased saliva production and improved rumen health. Most estimates of rumination are based on direct visual observations. Recently, an electronic system was developed that allows for automated monitoring of rumination in cattle. The objective was to validate the data generated by this electronic (Hi-Tag, SCR Engineers Ltd., Netanya, Israel) rumination monitoring system. Assessments of 2 independent observers were highly correlated (r = 0.99, n = 23), indicating that direct human observations were suitable as the reference method. Measures from the Hi-Tag electronic system were validated by comparing values with those from a human observer for fifty-one 2-h observation periods from 27 Holstein cows. Rumination times (35.1 ± 3.2 min) from the electronic system were highly correlated with those from direct observation (r = 0.93, R2 = 0.87, n = 51), indicating that the electronic system was an accurate tool for monitoring this behavior in dairy cows.
(Schirmann, et al., 2009)
BOARD-INVITED REVIEW: Using behavior to predict and identify ill health in animals
We review recent research in one of the oldest and most important applications of ethology: evaluating animal health. Traditionally, such evaluations have been based on subjective assessments of debilitative signs; animals are judged ill when they appear depressed or off feed. Such assessments are prone to error but can be dramatically improved with training using well-defined clinical criteria. The availability of new technology to automatically record behaviors allows for increased use of objective measures; automated measures of feeding behavior and intake are increasingly available in commercial agriculture, and recent work has shown these to be valuable indicators of illness. Research has also identified behaviors indicative of risk of disease or injury. For example, the time spent standing on wet, concrete surfaces can be used to predict susceptibility to hoof injuries in dairy cattle, and time spent nuzzling the udder of the sow can predict the risk of crushing in piglets. One conceptual advance has been to view decreased exploration, feeding, social, sexual, and other behaviors as a coordinated response that helps afflicted individuals recover from illness. We argue that the sickness behaviors most likely to decline are those that provide longer-term fitness benefits (such as play), as animals divert resources to those functions of critical short-term value such as maintaining body temperature. We urge future research assessing the strength of motivation to express sickness behaviors, allowing for quantitative estimates of how sick an animal feels. Finally, we call for new theoretical and empirical work on behaviors that may act to signal health status, including behaviors that have evolved as honest (i.e., reliable) signals of condition for offspring-parent, inter- and intra-sexual, and predator-prey communication.
(Weary, et al., 2009)

1.2.1 Validiteit en betrouwbaarheid
validiteit van een meetinstrument word vaak gezien dat de betrouwbaarheid van het instrument hoog is, dit is niet het geval deze termen zijn onderscheiden van elkaar. Onder validiteit (geldigheid) wordt verstaan: de mate waarin het meetinstrument meet wat het beoogt te meten. De betrouwbaarheid van een meetinstrument is hoog, wanneer het instrument bij verschillende metingen bij een bepaald persoon/dier dezelfde waardes geeft. Het meetinstrument is in dit geval consistent over de verschillende metingen.
Er moet in acht worden gehouden dat validiteit en betrouwbaarheid elkaar niet garanderen. Een valide meetinstrument hoeft namelijk niet betrouwbaar te zijn en vise-versa. Als het meetinstrument over verschillende metingen de zelfde resultaten meet, maar dit is niet het doel wat het meetinstrument behoord te meten dan is het niet bruikbaar voor het beoogde doel (wel betrouwbaar/ niet valide). Meet het instrument wel wat het beoogde doel is, maar zijn de verschillende meetresultaten bij herhaling niet gelijk ook in zoon gevel is het meetinstrument niet bruikbaar ( wel valide/ niet betrouwbaar) (Thorndike, et al., 2014). Het is van belang dat het meetinstrument valide en betrouwbaar gegevens verzameld.
Er zijn verschillende soorten van validiteit. In validatie word er geredeneerd vanuit een “test” op een kennisdomein. Een kennisdomein kan uit verschillende variabelen bestaan.
• Gezichtsvaliditeit: de mate dat een test naar inzicht van de onderzoek meet wat het behoort te meten.
(Elmes, et al., 2008)

• Inhoudsvaliditeit: de mate waarin een test het gehele kennisdomein meet waarin de onderzoeker geïnteresseerd is. Soms worden allen bepaalde delen van het kennisdomein valide verklaard, dit heeft betrekking op de volledigheid van het meetinstrument
(Elmes, et al., 2008)

• Criterium validiteit: hierbij word bepaalt of de variabel daadwerkelijk een goede indicatie aangeeft voor de variabele waarin je geïnteresseerd bent. Construct validiteit word onderscheiden tussen convergente en divergente validatie
o Convergente validatie: hier word de samenhang van twee testen op de zelfde variabel getoets, hoe sterker de correlatie stijgt des te sterker de validatie wordt. Als de twee testen laag met elkaar correleren, dan meten de twee testen verschillende variabelen. Er kan met deze manier ook een test worden vergeleken met geobserveerd gedrag, om te achterhalen welke gedragingen een test meet.
o Divergente validatie: hier staat de vraag centraal of het resultaat ook beïnvloed word door verschillende variabelen. De oorspronkelijk test wordt vergeleken met een test die een ander variabel meet, hoe lager de correlatie is hoe hoger de validiteit is. Hiermee kan niet gezegd worden dat de test valide is, maar er is een variabel uitgesloten. (van Leeuwen , 1994)

• Construct validiteit: hierbij word de overeenkomst tussen de theorie en de variabel dat men denkt te meten getest.
(van Leeuwen , 1994)

1.2.2 Sensor

Een sensor is een kunstmatige uitvoering van een zintuig. De meeste sensoren zijn elektrisch of mechanisch uitgevoerd. De sensor heeft een eigenschap om een natuurkundige grootheid te meten, zoals druk of temperatuur. De sensor kan deze gemeten grootheid omzetten naar een signaal die vervolgens verder wordt bewerkt tot een leesbare informatie voor de gebruiker of de machine.
Sensoren worden vandaag der dag veel toegepaste, veel machines en apparaten maken gebruik van sensoren. Een auto heeft verschillende sensoren voor het monitoren van de motor-temperatuur, krukas snelheid en veel meer. In een smartphone zit bijvoorbeeld een druk sensor in het beeldscherm die registreert waar je vinger op het scherm bevindt en welke bijbehorende actie er bij zit.
Wanneer is een sensor valide?

1.3 Gedragingen van een kalf

1.3.1Gedragsonderzoek
Onderzoek doen naar gedrag van dieren word in de wetenschap ethologie genoemd. Ethologische onderzoek kan op veel verschillende manieren plaatsvinden, erfelijkheid van gedrag, evolutie van gedrag, reproductiegedrag, eet gedrag, sociaal gedrag en nog veel meer.
Gedrag kan onder andere worden bestuderen door middel van observatie. Als eerste moet daarvoor gedragskenmerken gedefinieerd worden. Dit zijn de verschillende kenmerken waaruit het gedrag van het dier is opgebouwd, bijvoorbeeld: eten, liggen, drinken. Deze kenmerken worden in een ethogram verwerkt (Roëll, 1996).
1.3.2 Ethogram
Een ethogram is een overzicht van de gedragingen van het dier. Een ethogram is belangrijke tool naar onderzoek van dierlijk gedrag, omdat dit het fundament geeft voor een betrouwbare observatie van het gedrag. Een ethogram word gemaakt doormiddel van observaties en video opnames te maken van alle activiteiten dat een dier kan maken. Vervolgens word elk gedragskenmerk specifiek beschreven hoe en wanneer dit specifieke gedrag wordt gescoord.
(Moore-Crawford, 1996)
1.3.3 Gedragingen van het kalf
Om de gedrag-kenmerken te definiëren zijn er meerdere video opnames gemaakt en observaties gedaan van de kalveren. In samenwerking met J. v/d Werf en M. Lombaard is vervolgens beredeneerd welke actieve gedragingen van het kalf de sensor zou kunnen meten, vervolgens zijn deze specifiek gedefinieerd.
categorie Code Definitie
Houding
(stil)Staan 5 Kalf staat op 3 0f 4 poten
Liggen 1 Kalf staat op minder dan 2 poten
Lopen 3 1 of 2 VOORpoten bewegen ( minimaal 3 stappen)
Hoog actief 8 Kalf rent/ of komt met 2 poten van de vloer ( Dartelen/springt/rennen)
Gedrag
Algemeen gedrag Niet zichtbaar x De orale activiteit is niet zicht baar
Overige/rust y Het kalf toont een gedrag wat niet in het ethogram beschreven is.

Eet gedrag Drinken (water) W Kop/neus in de waterbak
Drinken (melk) M Drinkautomaat levert melk aan kalf
Drinken vanaf melkaanzuiging ( indicatie door de slang )
Eet voer E Alles met ruwvoer en krachtvoer ( opname/happen/slikken/kauwen) tot de bek leeg is
Herkauwen D Kalf boert een ruwvoer bolus op
kauwen s Het kalf kauwt op alles behalve voer of herkauw bolus. Dus bijvoorbeeld stro.
Manipulerend gedrag Manipuleren speen (melk) N Kop door wandje, kalf likt/knabbelt/zuigt aan de speen zonder dat er melk uit komt.
Manipuleren trog F Kalf is met kop door de buizen en in bereik van de trog maar neemt geen voer op. Het kalf zoekt/snuffelt in en naar het voer.
Manipuleren hok H Kalf likt/knabbelt/zuigt/eet stro in de rest van het hok
(met neus of bek aan dingen= Geen voer of speen )
Manipuleren kalf K Kalf zit met neus/bek aan ander kalf of zichzelf ( snuffelen/likken/knabbel/zuigen)
Comfort gedrag krabt C Kalf krabt/schuurt zich zelf ( intoets vertraging van 2/3 seconde

Standaard regels
• Vreet is groter dan manipulerend gedrag
• De observeerder heeft een standaard vertraging van 2 seconden.
• Is het effent korter als standaard vertraging word het niet gescoord.

1.4 Wanner is een kalf ziek/gezond?

Het is duidelijk dat een ziek dier een andere prioriteit heeft dan een gezond dier. Het gedrag bij geobserveerde dieren die een acute infectie kregen veranderede in gedrag prioriteiten. De her organisatie van het gedrag van een ziek dier is een onderdeel van het algemeen verdedigingssysteem en cruciaal voor het voortbestaan van het dier. (Johnson, 2002)
Uit het onderzoek “Behavior of dairy calves after a low dose of bacterial edotoxin” blijkt dat bij 15 kalveren die een lage dosering bacteriële endotoxines hebben gekregen 2 tot 8 uur na de injectie een verhoogde temperatuur hebben tot 40.59 °C daarnaast hadden de kalveren een verlaagde totaal duur van herkauwactiviteit en het eten van ruwvoer, daarnaast nam de frequentie van zelf verzorging van de kalveren af. De tijd dat kalveren inactieve liggen neemt ook toe net als de aantal keren dat een kalf inactieve staat. Uit dit onderzoek blijkt dat deze gedragingen een indicatie kunnen zijn van het mogelijke ziek worden van een kalf. De tijd dat een kalf ligt en de hoeveelheid krachtvoer en melk het consumeert waren na 12 uren na de injectie niet verandert. (Borderas, et al., 2014)
Een kalf kan verschillende gedragingen of patronen laten zien als het gezond is of ziek (wordt/is), om deze gedragingen en patronen te herkennen moet je weten hoe een kalf zich gedraagt. Een signaal dat een kalf gezond is als het voldoende eet/drinkt, als het kalf minder gaat eten/drinken kan dit aanleiding zijn dat het kalf ziek word. Daarnaast is een gezond kalf actief en alert het herkauwt en als het opstaat strekt het kalf zich uit, daarnaast geeft een kalf die aan het herkauwen is tevreden en ontspannend uitstraling dit zijn tekenen dat het kalf gezond is. In het lijstje hieronder staan een aantal symptomen die een ziek kalf tonen.
• Voerresten of stopt helemaal met eten
• Doffe/hangende ogen, niet alert, hangende oren
• Diarree
• Een loop neus
• Een droge neus
• Hoesten
• Hoog of lage temperatuur
• Gezwollen linkerzijde
• Mank lopen
• Ongebruikelijke huid condities

(Hammack, 2016)

De Britse Farm Animal Welfare Council heeft de voorwaarden in 1993 uitgewerkt tot de bekende ‘Vijf vrijheden’:
• dieren zijn vrij van honger en dorst. Ze hebben gemakkelijk toegang tot vers water en een adequaat rantsoen;
• dieren zijn vrij van ongemak. Ze hebben een geschikte leefomgeving inclusief onderdak en een comfortabele rustplaats;
• dieren zijn vrij van pijn, verwonding en ziekte. Er is sprake van preventie en een snelle diagnose en behandeling;
• dieren zijn vrij van angst en stress. Er is zorg voor voorwaarden en behandelingen die geestelijk lijden voorkomen;
• dieren zijn vrij om normaal gedrag te vertonen. Ze hebben voldoende ruimte, goede voorzieningen en gezelschap van soortgenoten.

Protecol maken
2. Materiaal en Methode

In het observatie onderzoek zal een antwoord worden gezocht naar de volgende vraag
• Meet de sensor daadwerkelijk de activiteiten die het kalf toont?
• Wat is het activiteit verschil tussen een gezond kalf en een ziek kalf?

Om na te kunnen gaan hoe goed de sensoren functioneren bij kalveren is bij proefbedrijf DairyCampus te Goutum een validatie onderzoek uitgevoerd. Op dit bedrijf is het mogelijk om voldoende kalveren met een sensor uit te rusten en de kalveren van afstand te monitoren. Holstein-Frisian vaars kalveren zijn gebruikt voor dit onderzoek, de kalveren zijn uitgerust met één smarttag poot en één smarttag hals van Nedap. De smarttag poot sensor is gebruikt voor sta- en ligmonitoring, de smarttag halssensor is gebruikt voor vreetmonitoring van de kalveren.
2.1 proefopzet

2.1.1Huisvesting
Op DairyCampus worden de pasgeboren kalveren gehuisvest in kalveriglo’s (figuur#), hier blijven de kalveren twee á drie weken in. De kalveren krijgen tweemaal daags twee liter kunstmelk, de kunst melk bevat 22% eiwit waarvan 100% zuiveleiwit met 200ppm bioactieve lactoferrine ter ondersteuning van het immuunsysteem (FrieslandCampina, 2016). Na de kalver iglo periode worden de kalveren gehuisvest in twee groepshokken (figuur#) deze hokken zijn 5 meter bij 6 meter groot. De melkverstrekking wordt door een kalverdrink-automaat verzorgd, de machine is gefabriceerd door Foster (figuur#) daarnaast wordt ad libitum water, krachtvoer en luzerne verstrekt aan de kalveren. het krachtvoer bevat 115 DVP en de luzerne bevat 14% eiwit. De kalveren worden op negen weken oud gespeend en worden vervolgens overgebracht naar een
Kalver-opfokbedrijf in Dronten die de kalveren verder opfokt.

Figuur 7 groepshokken
2.1.2 Kalveren
Voor het onderzoek is gebruik gemaakt van twintig kalveren. De kalveren in het onderzoek hebben een leeftijd tussen de 30 en 96 dagen oud. De kalveren kwamen met een leeftijd van 21 dagen in het groepshok, vervolgens zijn de sensoren vakkundig volgens de handleiding ( Bijlage I) van Nedap om de kalveren gehangen. Er is een standaard wacht tijd van 1 week gehanteerd zodat de kalveren aan de sensoren om hun nek en poot konden wennen voordat de observatie bij de kalveren werd uitgevoerd.
Er is voor gekozen een spreiding in de leeftijd van de kalveren te hanteren. Om mogelijke verschillen in lichaamsbouw, gedragingen en activiteit veranderingen dat het kalf mogelijk in de loop van haar groei maakt uit te sluiten.
Op de dag van observatie werd de regel gesteld dat het kalf niet klinisch ziek was of een fysieke aandoening heeft, zodat de kalveren normaal en gezond gedrag kunnen tonen. De kalveren die ziek zijn geworden en vervolgens weer hersteld waren hebben als nog meegedaan in het onderzoek.

2.2 Observatie methode

Observatie is uitgevoerd door twee getrainde observatoren, getraind door Joop van der Werf, onderzoeker van Wageningen livestock research. Elk kalf is een keer continue geobserveerd dit is verdeeld in drie blokken van 135 minuten. Deze methode van observatie is vaker bij dier-gedrag-wetenschappelijke onderzoeken toegepast (Reenen, 2016). De observaties is uitgevoerd: Van 8:15 tot 10:30, 11:30 tot 13:45 en van 15:45 tot 17:00
De reden dat hiervoor gekozen is, is dat op deze manier een efficiënte dag ingepland kan worden met rustmomenten tussen door. Het heeft geen meerwaarde om de kalveren eerder dan acht uur of later dan vijf uur te observeren, omdat de sensor de gehele dag betrouwbare informatie moet verstrekken. Daarnaast was de verwachting dat overdag de kalveren het meest actief zullen zijn en dat is interessanter voor de sensorvalidatie. In tabel 2 staat een overzicht hoe vaak en hoe lang de observaties en trainingen zullen duren.
Tabel 2 tijdsduur observatie onderdelen
Observatie training dagen Trainingsduur Trainingsduur
3 4 uur 12 uren
Aantal kalveren Observatie Totaal observatie duur
20 3 x 135 minuten 135 uur
Aantal kalveren observeren per dag Totaal observatie dagen
2 10 dagen

Voor het observeren van de kalveren zal gebruik worden gemaakt van een ethogram, dit is een lijst met gedragingen die een dier kan vertonen die van toepassing zijn voor het onderzoek. Gedragingen bij kalveren zijn o.a.: staan of liggen, vreten, drinken, melk drinken, herkauwen, rust.
Een voorbeeld van een ethogram die is toegepast is bij een kalveronderzoek staat in bijlage II.
Dit is een ethogram specifiek gemaakt voor gedragsobservatie van kalveren in een groepshuisvesting (Wolthuis-Fillerup, 2010). Voor dit onderzoek zal een ethogram samengesteld worden die aansluit voor de validatie van de sensoren.

De Smarttag sensoren die de activiteitsdata van de kalveren registreert wordt dagelijks naar de server van Nedap gestuurd, voor de validatie worden de data vervolgens bij Nedap opgevraagd.
De gedragingen van het kalf zullen worden geregistreerd door middel van handheld computers. Deze handheld computer( Psion WorkAbout Pro M, Noldus Information Tachnolgy) hebben een speciale toets die correspondeert met een specifiek gedrag uit het ethogram. Het ethogram zal worden samengesteld in de “The Observer XT” ( Noldus Information Technolgy). Alle gedragingen zijn unique, dit betekent dat alleen één gedrag per moment kan plaats vinden. Het gedrag “staan” en “liggen” zullen hier buiten vallen, deze kunnen in combinatie met andere gedragingen op het zelfde moment plaats vinden. De observatie zal doormiddel van een continuous sampling worden gedaan, de observeerder houdy het kalf in de gaten en ondertussen registreert hij/zij alle waarnemingen die plaatsvinden. Als het kalf van gedrag veranderd wordt automatisch de tijd van elk effent berekend (Moore-Crawford, 1996).
De Psions zullen dagelijks worden gesynchroniseerd met de Smarttag’s dit verzekert een exacte synchronisatie. Hierdoor zullen de geobserveerde data en de data van de Smarttag’s dezelfde tijds- aanduiding hebben. Aan het einde van de datacollectie kunnen de twee datasets parallel naast elkaar gelegd worden.
Naast de gedragingen van het kalf zal wekelijks de gezondheidsstatus van de kalveren gemonitord worden. Deze monitoring is specifiek voor dit onderzoek en zal verder niet worden gebruikt bij het project Innocalf. De observatie zal worden uitgevoerd door Rik Aukes. De kalveren worden verdeeld in drie hoofdcategorieën; gezond, verdacht en ziek tabel 3. De observatie zal worden verwerkt in MS Exel.
Tabel 3 Waarnemingen
Datum……………
Kalf nummer gezond verdacht ziek Notities
1
2
3

In de volgende tabel 4 wordt weergegeven wanneer een kalf onder een bepaalde categorie valt. Tabel 5 geeft aan welke symptomen worden gescoord. Als de kalveren klinisch ziek zijn geweest kan het management systeem geraadpleegd worden waarvoor het kalf behandeld is.
Tabel 4
Gezondheid status Definitie
Gezond Kalf score bevindt zich allemaal in gezond
Verdacht Vanaf 1 score in verdacht
Ziek Vanaf 1 score in klinisch ziek

Tabel 5 Kalf score kaart
Kalf nummer gezond verdacht Klinisch ziek
Neus score Schoon Beginnende snotuitvloeiing Grote snotuitvloeiing
Oog score Schoon Beginnende ooguitvloeiing Zware ooguitvloeiing
Oor score Normaal Licht hangende oren Hangend/ scherp naar achteren geplaatst oren
Vacht score Glanzend Tussen fase Dof
Mest indien mogelijk Normaal Indien niet normaal aangeven welke kalverdiarree het is
Vitaliteit Actief/energiek Sloom Sloom/niet op kunnen staan

2.3 Dataverwerking
De statistische analyse van de sensorvalidatie wordt door middel van Spss uitgevoerd.
• Meet de sensor daadwerkelijk de activiteiten die het kalf toont?

Voor de statistische analyse zal de geobserveerde data als afhankelijke variabele(Y) (referentie) worden gebruikt en de sensor data als onafhankelijke variabele(X). De x en y variabelen zullen geanalyseerd worden met regressies-analyses. Als de sensor 100% betrouwbaar is zal de correlatie er uit zien zoals in Figuur 1. De lijn komt dan uit de oorsprong met een hoek van 45 graden en de regressie van de lijn bedraagt dan één.

Tabel 6 Validatie overzicht
Y (observatie data) X1 Hals (sensor data) X2 Poot (sensor data)
Staan/lopen x
Liggen x
Vreten x
Drinken (water) x
Drinken (melk) x
Herkauwen x
Rust x x

Er van uitgaande dat een perfect correlatie bijna niet haalbaar is moet er achterhaald worden vanaf welk minimale correlatie een sensor betrouwbaar genoemd mag worden. Als de sensor vervolgens die gestelde minimum correlatie heeft gehaald dan kan worden aangenomen dat de sensoren betrouwbaar de activiteit van kalveren kan waarnemen.

Als de sensoren hebben voldaan aan de minimale correlatie komt de volgende vraag naar voren.
• Wat is het activiteit verschil tussen een gezond kalf en een ziek kalf?

De kalveren die in de tijd dat ze sensoren hebben gedragen ziek zijn geworden en vervolgens beter zijn geworden zullen worden geselecteerd. De data van de periode van ziek worden en weer hersteld zal in kaart worden gebracht, doormiddel van grafieken en tabellen. Alle kalveren die de gehele periode gezond hebben doorlopen zal een gemiddelde van worden samengesteld. Als vergelijking van het zieke kalf, daaruit kan vervolgens aangegeven worden welke kenmerk/verschillen er optreden bij de periode van een bepaalde ziekte.

Resultaten

De meest belangrijke resultaten zullen in dit onderdeel naar voren komen, deze zullen de bevindingen van het onderzoek vormen. Voor meer geïnitieerde resultaten kan in de bijlage worden gekeken.

Discussie

Conclusie en aanbevelingen

Bibliografie
Boersema, S-J, da Silva, J.C., Mee, J. and Noorhuizen, J.,. 2010. Farm health and productivity management of dairy young stock. sl : Wageningen Academic publishers, 2010.
Borderas, T. F., de Passillé, A. M. en Rushen, J. 2014. Behavior of dairy calves after a low dose of bacterial endotoxin. sl : American Society of Animal Science, 2014.
Borderas, T. F., J. Rushen, M. A. G. von Keyserlingk, and A. M. 2009. Automated measurement of changes in feeding behavior of milk-fed calves associated with illness. sl : J. Dairy Sci., 2009, pp. 92:4549–4554.
Chizzotti, M. L., et al. 2015. Technical note: Validation of a system for monitoring individual feeding behavior and individual feed intake in dairy cattle. sl : American Dairy Science Association, 2015.
de Paula Vieira, A., V. Guesdon, A. M. B. de Passillé, M. A. G. von. 2008. Behavioural indicators of hunger in dairy calves. sl : Appl. Anim. Behav. Sci, 2008, pp. 109:180–189.
Delaval. 2016. Bodyconditiescore. Delaval. [Online] 17 02 2016. http://www.delaval.nl/-/producten-en-systemen/veestapelmanagement/oplossingen/Bodyconditiescore-systeem-BCS/.
Engelbrecht Pedersen, R., J. Tind Sørensen, F. Skjøth, J. Hindhedeand T. Rousing Nielsen. 2009. How milk-fed dairy calves perform in stable versus dynamic groups. sl : Livest. Sci., 2009, pp. 121:215–218.
FrieslandCampina. 2016. kalvolac. kalvolac.nl. [Online] augustes 2016. http://www.kalvolac.nl/.
Hammack, Stephen P. 2016. Sick Calves: How do you know? Texas A&M University : TAMU Department of Animal Science, 2016.
Hogeveen, H., C. Kamphuis, W. Steeneveld, and H. Mollenhorst. 2010. Sensors and clinical mastitis—The quest for the perfect alert. Sensors. Basel Switzerland) : sn, 2010, pp. 10:7991–8009.
Johnson, R.W. 2002. The concept of sickness behavior: a brief chronological account of four key discoveries. Veterinary Immunology and Immunopathology. 2002, pp. 87:443-450.
lely. 2016. Astronaut A4. Lely. [Online] 17 02 2016. http://www.lely.com/nl/melken/melkrobot/astronaut-a4_0/melkkwaliteit_0#tab.
Losinger, W. C., and A. J. Heinrichs. 1997. Management practices associated with high mortality among preweaned dairy heifers. sl : J.Dairy Res., 1997, pp. 64:1–11.
Moore-Crawford, Marina Haynes and Cassandra. 1996. Animal Behavior. terpconnect. [Online] 1996. http://terpconnect.umd.edu/~wrstrick/secu/ansc455/lab1pt2.htm.
Nedap. 2016. oplossingen. Nedap-livestockmanagment. [Online] 17 02 2016. http://nl.nedap-livestockmanagement.com/oplossingen/koeien/.
Reenen, Kees. 2016. Observatie Methode . [interv.] Rik Aukes. April 2016.
Roëll, D. R. 1996. De wereld van instinct: Niko Tinbergen en het ontstaan van de ethologie in Nederland (1920-1950). sl : Erasmus Publishing,, 1996. ISBN 9052351007.
Rutten, C. J., et al. 2013. Invited review: Sensors to support health management on dairy farms. Wageningen : American Dairy Science Association, 2013.
Ruuskaa, S., et al. 2015. Validation of a pressure sensor-based system for measuring eating, rumination and drinking behaviour of dairy cattle. Applied Animal Behaviour Science. Finland : elsevier, 2015, pp. Pages 19–23.
Schirmann, K., et al. 2009. Validation of a system for monitoring rumination in dairy cows. sl : American Dairy Science Association, 2009.
Sprayfo. 2016. Sprayfo. [Online] 22 02 2016. http://www.sprayfo.com/nl-NL/Leer-meer/Gezondheid/Experts-kalversterfte-kan-veel-lager/.
Svensson, C. en Jensen, M. B. 2006. Identification of diseased calves and growth rate of Swedish dairy calves housed in pens with automatic milk feeders. sl : Prev. Vet. Med., 2006, pp. 73:43–53.
Thorndike, R M en Thorndike-Christ, T. 2014. Measurement and Evaluation in Psychology and Education. 2014.
Weary, D.M., vo Keyserlingk, M. A.G. en von Keyserlingk, M. A. G. 2009. BOARD-INVITED REVIEW: Using behavior to predict and identify ill health in animals. sl : Journal of Animal Science, 2009.
Wolthuis-Fillerup, Maaike. 2010. WelfareQuality assessment protocol for vealcalves. 2010.
Bijlage I

Bijlage II

GEDRAGSCATEGORIE GEDRAGING Code DEFINITIE
Houding
Staan S Kalf staat op 3 of vier benen
Liggen flank L1 Kalf ligt op zijn flank met zijn vier poten gestrekt
Liggen borstbeen L2 Kalf ligt met zijn 2 voorpoten poten onder zijn lichaam, kop kan weggedraaid liggen
Liggen borstbeen + poot gestrekt L3 Kalf ligt met 1 of 2 voorpoten gestrekt, kop kan weggedraaid liggen.,
Gedrag
Algemeen Lopen Y Kalf loopt door het hok (niet rennen/springen/dartelen)
Geen activiteit G Het kalf ligt of staat zonder enig ander activiteit uit te voeren.
Niet zichtbaar X Gedrag van het kalf is niet zichtbaar voor de waarnemer.
Overig O Het kalf toont een gedrag wat niet in het ethogram beschreven is.
Eet gedrag Melk drinken M Het kalf drinkt melk uit de emmer, trog of melkstation
Water drinken W Het kalf drinkt water uit emmer, trog, drinknippel of waterbak.
Eten ruwvoer E Het kalf eet het ruwvoer wat hij tot zijn beschikking heeft
(Her)kauwen H Alle kauwbewegingen die het kalf met zijn mond maakt.
Likken aan mineralenblok A Kalf likt aan het mineralenblok
Comfort gedrag Zelflikken Z Kalf likt zichzelf, inclusief snuit/neus.
Krabben/schuren K Kalf krabt zichzelf of schuurt met zijn lichaam langs een object
Rekken/strekken R Kalf rekt of strekt zich uit
Abnormaal oraal gedrag Tong spelen/rollen T Kalf maakt repeterende bewegingen met de tong binnen of buiten de bek
Urine drinken/ preputium zuigen U Kalf drinkt of likt de urine van een soortgenoot of bij zichzelf, of zuigt aan het preputium van een soortgenoot,.
Oraal manipuleren object 1 Kalf likt, knabbelt, zuigt, bijt aan hek, wand, emmer, trog, vloer en object al dan niet op een stereotype manier. Een object is elk attribuut dat is toegevoegd in de hokken zonder direct nut (speeltjes)
Oraal manipuleren ander kalf 2 Kalf zuigt of bijt aan een soortgenoot al dan niet op een stereotype manier.
Spel gedrag Dartelen/springen D Kalf rent en/of komt met 2 of meer poten van de vloer
Bespringen B Kalf bespringt een soortgenoot.
Stoten V Kalf is aan het “vechten” (head-to-head fight of hoornen) met een ander kalf of het kalf verplaatst of duwt een ander kalf weg.

Leave a Reply

Your email address will not be published. Required fields are marked *

Time limit is exhausted. Please reload the CAPTCHA.