AI som brobygger mellem teknologi og biologi

Danmark har længe været førende indenfor landbrugsteknologi, hvor data og digitale løsninger allerede har forbedret både effektivitet og arbejdsgange i moderne husdyrproduktion. I takt med at teknologier som sensorer, computervision og kunstig intelligens (AI) modnes, opstår nye muligheder for at bruge data aktivt til at styrke dyrevelfærden både i stuer, stalde, slagterier og forskningslaboratorier.

På Teknologisk Institut (tidligere DMRI/slagteriernes forskningsinstitut) har vi traditionelt arbejdet med data og kvalitetsdrevne løsninger inden for fødevareproduktionen, men senest har denne viden blandt andet bidraget til udviklingen af AI-systemer, der kan overvåge og analysere dyrenes velfærd mere præcist end tidligere. Det gælder alt fra overvågningen af grisenes bevægelsesmønstre og sundhed, over analysen af vokalisering på slagteriet til kontinuerlig monitorering af forsøgsdyr i laboratorierne, og potentielt også kæledyrene i hjemmet.

Denne artikel præsenterer konkrete projekter, der viser, hvordan AI og avanceret dataanalyse bliver anvendt til at forbedre dyrevelfærden, og hvordan teknologiens muligheder kan gavne både dyr og dyrlæger.

Hvordan sikrer man dyrevelfærd på slagtedagen?

Med en base i modernisering af slagterierne var en af de første automatiserede løsninger til forbedring af dyrevelfærden lavet til at sikre et korrekt aflivningsforløb. Stikningen er den kritiske proces, hvor den bedøvede gris får overskåret halspulsåren og dermed aflives. Det er essentielt, at denne proces forløber korrekt for at sikre dyrevelfærden, så ingen levende grise fortsætter til de næste trin i slagteprocessen eller undergår yderligere behandling.

Der blev dengang udviklet en computervisionbaseret monitorering ved navn VisStik, der ved hjælp af billeder og algoritmer vurderer, om grisen er stukket korrekt og dermed bløder tilstrækkeligt. Hvis der ikke kan detekteres blod fra grisen, alarmeres der øjeblikkeligt, og produktionslinjen stoppes, hvorefter grisen manuelt kontrolleres af personalet.  

Systemet er opdateret i 2023 for at mindske antallet af falske positive, der er omkostningstunge for slagteriet. I den nye revision kunne moderne AI-baserede løsninger bringe antallet af falske positive markant ned uden at ændre detektionsraten. Således kan dyrevelfærden sikres ved, at man sikrer korrekt aflivning, inden de næste trin i processen.

Overvågning af CO₂-bedøvelse

Forud for stikningen er bedøvelsen, der i Danmark foregår primært ved CO₂-bedøvelse. Grisene bedøves i en gondol, der bevæger sig i et paternostre system med høj CO₂-koncentration, hvilket besværliggør manuel overvågning af bedøvelsesforløbet.

I samarbejde med danske slagterier har vi udviklet et AI-baseret overvågningssystem til optimering af dyrevelfærd under CO₂-bedøvelse af slagtegrise. Ved hjælp af videoovervågning kan systemet måle grisenes aktivitetsniveau, illustreret ved mængden af bevægelse, fra de kommer ind i gondolen, til de er fuldt bedøvede og klar til stikning.

Teknologien anvender Deep learning-modeller til at segmentere videooptagelser og analysere bevægelsesmønstre billede-for-billede, hvilket giver objektive målinger af graden af dyrenes bevægelse under bedøvelsesforløbet. I forbindelse med projektet fandt vi, at både induktionstid og aktivitetsniveau stiger signifikant, når antallet af grise i gondolerne øges fra 3-4 til 7-8 dyr. Dette indikerer, at dyrevelfærden under CO₂-bedøvning kan forbedres ved at reducere belægningsgraden.

AI-systemet har potentialet til kontinuerligt at overvåge bedøvelsen og advare operatører, når aktivitetsniveauet overskrider acceptable grænser. Den AI-drevne overvågning muliggør ikke kun bedre dyrevelfærd, men også mere ensartede og pålidelige vurdering af bedøvelsens kvalitet under industrielle forhold. Systemet kan anvendes til at teste og sammenligne forskellige bedøvelsesmetoder og gassammensætninger under realistiske produktionsbetingelser, hvilket er med til at sikre, at forsøgsresultater kan overføres til praktisk anvendelse hos slagterierne.

Illustration af, hvordan algoritmen analyserer grisenes bevægelse baseret på videoovervågning. Venstre: Sekvens af pixels, der indeholder grise i en gondol med tre grise. Højre: Et stillbillede, der illustrer de vektorer, der beskriver grisenes hastighed og retning fra de pixels, der indeholder grise.

Vokalisering som dyrebaseret velfærdsindikator

I drivningen af grisene frem til bedøveren er der risiko for hændelser, som giver grisene smerte, frygt eller ubehag. I et igangværende projekt fokuseres der på at optimere flowet af grisene, således at denne risiko bliver mindre. Da overvågningen på slagteriet ved hjælp af automatiserede kameraløsninger ville være vanskelig, anvendes i stedet lyd for at isolere vokaliseringerne fra grisene. Grisenes vokaliseringer i dette område af slagteriet formodes alene at være lyde, der kun associeres med negative oplevelser. En stor del af projektet er derfor anvendelsen af algoritmer til at analysere lydoptagelser fra slagteriet.

De indledende analyser viser, at grisenes vokaliseringer kan adskilles fra baggrundsstøj og dermed anvendes som en objektiv, dyrebaseret velfærdsindikator. Fordelen ved at anvende lydoptagelser i denne sammenhæng er, at placeringen af lydens oprindelse er mindre vigtig, hvilket forenkler udviklingen af algoritmer til at adskille maskinstøj fra grisenes vokaliseringer. Omkostningerne for et sådant system kan derved blive lavere, selvom metoderne har potentiale til at komme til samme resultat som videoanalyse ved løbende overvågning. På trods af, at man ikke er bekendt med vokaliseringens lokation eller årsag, kan resultatet bruges som et nudging-værktøj, hvor niveauet løbende kan vises til operatørerne.

Det er vigtigt at understrege, at selvom det kan være et værdifuldt nudgingværktøj, er der lang vej til et system, som målrettet kan anvendes til en objektiv kvantificering af dyrevelfærden.

Lydanalysen vil kombineres med et digitalt værktøj, der også viser realtids buffer-kapacitet på slagtekæden. Dette vil give medarbejderne mulighed for at regulere flowet proaktivt og reducere stress hos dyrene, uden at slagtehastigheden påvirkes unødigt. Målet er, at personalet vil opleve mindre pres, når de bedre kan styre buffer-kapacitet og i stedet kan fokusere på dyrevelfærden gennem hele slagteprocessen.

Postmorten inspektion

Et computervisionsystem til postmorten inspektion har tidligere været beskrevet i DVT nr. 3 (2022).

I kødkontrollen registreres en lang række fund med indflydelse på fødevaresikkerheden og dyrevelfærden. Systemet er placeret på slagtelinjen umiddelbart inden kødkontrollen og bruges for indeværende til blandt andet at finde gødningsforurening på slagtekroppen og lungehindear. Gødningsforureningen er vigtig at få fjernet for at undgå uønskede patogener i produkterne, der kompromitterer fødevaresikkerheden. Lungehindear har derimod ingen umiddelbar indflydelse på fødevaresikkerheden, men kan i stedet bruges som en indikator for, om der har været omfattende luftvejslidelser i besætningen. Information om dette kan være med til at forbedre dyrevelfærden for fremtidige produktionshold på besætningerne, hvor det er observeret.

Den nyeste version af systemet præsterer på niveau eller bedre end den eksisterende kødkontrol og med en mere ensartet vurdering. Trods præstationsniveauet tyder det dog ikke på, at systemet erstatter dyrlæger og teknikere på den korte bane. Til gengæld kan det fungere som et støtteværktøj, der hjælper med hurtigt at identificere problematiske slagtekroppe og dermed forbedre både fødevaresikkerheden og arbejdsforholdene.

Teknologien har potentiale til at overtage meget af det repetitive arbejde ved kun at dirigere relevante fund til manuel kontrol, hvilket kan forbedre både effektivitet og præcision i kødkontrollen.

Hvordan kan videoovervågning forbedre dyrevelfærden i besætningerne?

Manuelle observationer i besætninger for at opdage sundheds- og velfærdsproblemer er tidskrævende og kan overse subtile indikatorer på grund af deres subjektive karakter. Teknologisk Institut har et Innovationsfonds-støttet projekt i samarbejde med Aarhus Universitet og et tysk start-up firma BioCV, hvor formålet er at udvikle AI-baserede værktøjer til kontinuerlig sundheds- og velfærdsovervågning af drægtige søer.

Et kerneelement i projektet er at anvende visionalgoritmer til at træne og udvikle øremærkealgoritmer, der skal kunne detektere behandlingskrævende haltheder og sygdomme hos drægtige søer. Ved at indsamle data fra bevægelsessensorer i øremærker på søerne, optimerer man det daglige tilsyn med en kontinuerlig dataindsamling omkring søernes bevægelsesapparat og temperaturen målt i øret. Accelerometer-data fra øremærket behandles derefter af AI-baseret teknologi, som skal finde de søer, der kræver øget tilsyn eller behandling. Det vil give landmanden et hurtigere, grundigere og mere objektivt indblik i søernes helbred, så effekten af tilsyn og behandling kan højnes og derved løfte søernes velfærd.

Identificering af grises position samt deres bevægelse baseret på videoovervågning.

For at udvikle øremærkerne til høj præcision »trænes« de ved hjælp af visionalgoritmer. Visionalgoritmerne udvikles ved, at fagfolk vurderer søernes bevægelse på et udsnit af videooptagelser, klassificeret grad af halthed og tegn på smertebehæftet bevægelse. Det menneskelige input arbejdes ind i en vision-haltheds-detektions-algoritme, der derefter kan vurdere søernes bevægelse på alle videooptagelser, så man herved får en vurdering af søerne – alle de gange de går på videooptagelserne. Hertil er også udviklet en identifikationsalgoritme til at identificere søerne på videoerne, så visionalgoritmens vurdering af søernes bevægelse kan kobles op på øremærkets accelerometer-data, og derved træne øremærket til selv at kunne detektere problemer ved bevægelsesapparatet hos søer. Det giver en systematisk, faglig grundet og objektiv vurdering af søernes bevægelse gennem hele døgnet.

Ved at slutsystemet er baseret på øremærkerne, gør det også, at den endelige løsning er relativt billig for landmanden. Øremærkerne er allerede på markedet, hvor de nu kan bruges til fx at detekterer brunst, og der arbejdes på at kunne forudsige, hvornår søerne farer, detektere farefeber og genkende tidlige tegn på varmestress, så slutsystemet bliver et øremærke, der kan bruges igennem hele soens cyklus og hjælpe landmanden til at passe bedre på sine dyr på mindre tid. I sidste ende stræber dette projekt efter at sætte nye standarder for værktøjer til at opdage dyr, der har brug for behandling og pleje, og dermed fremme dyrevelfærd.

Overvågning af konformationelt betingede haltheder

I samarbejde med Hendrix Genetics Swine (tidligere Danish Pig Genetics) og Aarhus Universitet udvikler Teknologisk Institut en kunstig intelligensbaseret løsning til automatiske og forbedrede avlsvurderinger af søers sundhed og robusthed. Projektet kombinerer kontinuerlig videoovervågning med AI-algoritmer til at skabe objektive værktøjer, som kan anvendes til præcis vurdering af søernes konformationelt betingede haltheder.

Systemet kan på sigt udbredes til produktionsbesætninger med tjek af indkøbte poltes konformation og gang samt en kontinuerlig overvågning af søernes velfærd og sundhed. Denne teknologi kan – ligesom øremærkerne ovenfor – give værdifulde data til det daglige tilsyn, men også til udvikling af værktøjer, der er målrettet landmanden, agronomen eller dyrlægen. Overvågning af søernes adfærdsmønstre kan give værdi i vurdering af benproblemer, brunstsymptomer, men også overvågning af varmestress og detektion af sygdomsudbrud, der ellers normalt ville være subkliniske.

Daggamle kyllinger

Ud over de ovenstående projekter med fokus på grise er anvendelsen af AI-algoritmer også taget videre til fjerkræ. I samarbejde med DanHatch Danmark A/S og Nordland Automatic A/S opstartes et GUDP-projekt PrecisionHatch i 2026. Projektets mål er at forbedre dyrevelfærden for daggamle kyllinger ved at reducere risikoen for sult lige efter klækning. Rugerierne får bedre styringsværktøjer til optimering af klækketidspunkt og klækkevinduet, men også dokumentation for klækningens forløb, så kyllingernes alder kendes mere præcist end i dag, når kyllingerne leveres til besætningerne. Projektet vil afprøve og sammensætte en kombination af sensorer (video og/eller lyd), der kan fastlægge klækkeforløbet. På den måde bliver arbejdet nemmere for rugerierne, samtidig med at dyrevelfærden for de daggamle kyllinger forbedres.

Hvordan kan forsøgsdyr overvåges i realtid?

Metoderne fra produktionen kan ligeledes også anvendes indenfor forsøgsdyr, og Teknologisk Institut arbejder med forskellige projekter, der anvender kontinuerlig og AI-drevet monitorering til at forbedre velfærden hos forsøgsdyr, herunder at afkorte varigheden af forsøg ved at optimere detektion af humane endepunkter for dyret.

Som eksempel gennemførtes 3R-projektet Refining continuous around the clock monitoring of experimental fish by computer vision and artificial Intelligence (RealtimeFish) i samarbejde med Københavns Universitet (KU SUND) i 2023. Målet var at anvende AI-baseret videoovervågning til at detektere tidlige kliniske sygdomstegn hos forsøgsfisk for derved at muliggøre tidlig udtagning og reducere fiskenes lidelse i overensstemmelse med 3R-principperne.

I studiet blev regnbueørreder inficeret med hvidpletsyge (Ichthyophthirius multifiliis) og sammenlignet med en ikke inficeret kontrolgruppe. Fiskenes adfærd – specifikt deres placering i tanken – blev analyseret via kontinuerlig videoovervågning og computervision. Mens traditionelle kliniske tegn som spisevægring og synlige pletter først optrådte sent i sygdomsforløbet (fra dag 5-10), viste videoanalysen en markant tidligere adfærdsændring. Allerede 4-5 dage efter smitte begyndte de inficerede fisk at samle sig i toppen og bunden af tanken. Studiet konkluderer derfor, at ændringer i fiskenes rumlige fordeling registreret via videoanalyse kan anvendes som en tidlig indikator for infektion. Metoden er således lovende for optimering af humane endepunkter og kan potentielt forbedre velfærden hos forsøgsfisk og potentielle produktionsfisk.

Forsøgsopstilling til overvågning af forsøgsmus. Opstillingen indeholder et topkamera og et frontkamera, så musene kan overvåges med kun få blinde vinkler.

Teknologisk Institut arbejder for indeværende også med digital overvågning af laboratoriemus for at minimere lidelse – herunder igennem 3R-projektet gennemført i 2024 og i forlængelsen heraf i forsat samarbejde med medicinalindustrien. Målet med den AI-drevne videoovervågning af forsøgsmus er både optimering af dyrevelfærd og forskningskvalitet. Dette muliggøres ved en kontinuerlig og uforstyrret overvågning døgnet rundt. Derved kan det sikres, at det humane endepunkt identificeres på det tidligst mulige tidspunkt, så lidende dyr kan udtages øjeblikkeligt, og stress undgås.

Samtidig kan kvaliteten af forskningen øges, ved en større mængde objektive og ensartede data om symptomernes fulde udvikling sammenlignet med de »øjebliksbilleder«, man opnår ved manuelt tilsyn. På længere sigt kan denne forbedrede datakvalitet og nøjagtighed føre til, at forsøg kan designes med færre dyr, hvilket bidrager til en generel reduktion i antallet af anvendte forsøgsdyr.

Hvad er fremtiden?

Kunstig intelligens vil i stigende grad blive et dagligdags værktøj for den praktiserende dyrlæge. Specielt inden for diagnostik og intern medicin vil den kunstige intelligens hurtigt kunne samle alle informationer og skabe et overblik over manglende analyser og stille potentielle diagnoser svarende til en rutineret dyrlæges kompetencer. Inden for familie- og hobbydyr er udviklingen allerede i fuld gang, og der ses trackere tilsvarende menneskers fitness-trackere, der kan give ekstra data om dyrenes sundhedstilstand og bevægelse.

Derudover arbejder mange forskergrupper på udvikling af computervisionmodeller til måling af dyrs velfærd og adfærd. Disse vil på sigt blive indarbejdet i diverse telefon-apps, og derfor være let tilgængelige for dyreejerne. Hvor den traditionelle dyrlæge i højere grad skulle indsamle anamnesen og sammenholde præsenterede kliniske tegn, bliver det i fremtiden en større opgave at sortere i enorme mængder information, der vil være tilgængelig om det enkelte dyr. Nye forretningsområder vil også omfatte løbende patientopfølgning mellem konsultationer ved hjælp af de nye overvågningsmetoder. Det ville give mulighed for at følge helingen efter operationer, vurdere om dyret er smertedækket tilstrækkeligt, og monitorere om aktivitetsniveauet udvikler sig som forventet efter endt behandling.

Hvor AI-løsninger i dag primært anvendes til produktionsdyr som grise og fjerkræ, ses en gradvis udbredelse til andre områder, herunder heste og kæledyr. Inden for produktionsdyr bliver AI-baserede overvågningssystemer oftere anvendt til kontinuerlig monitorering af dyrevelfærd. Computervision og sensorteknologi bliver bedre i stand til rutinemæssigt at detektere halthed, sygdom og stress hos dyrene, og lydanalyse implementeres til vurdering af grisenes vokalisationer i besætningen og ved slagtning. Denne udvikling understøttes af den stigende tilgængelighed af avanceret teknologi og faldende omkostninger. Specifikt for heste udvikles løsninger, der kombinerer maskinlæring og computervision med veterinær ekspertise til objektiv identifikation af sundhedsproblemer. Billedanalyseteknikker kan bidrage til tidligere genkendelse af smerteadfærd, lette haltheder og huld-scoring og dermed kunne vejlede om, hvornår dyrlægehjælp er nødvendig.

På Teknologisk Institut forventer vi, at fremtidens AI-løsninger vil stille behandlingen af dyrene langt bedre end tidligere. Det bliver ikke bare muligt at opnå hurtigere og mere detaljerede diagnoser for alle dyrearter, det giver også bedre mulighed for at iværksætte en rettidig behandling. Det bliver i højere grad også muligt at følge den daglige udvikling fra den iværksatte behandling og proaktivt have detaljeret viden om patienten klar, når klienten ankommer til opfølgende konsultation, eller ved næste besætningsbesøg. Kameraovervågning eller AI-baseret overvågning med sensorer gør dette muligt for både hobbydyr og produktionsdyr. Dette fører til forbedret dyrevelfærd gennem tidligere og bedre diagnosticering, mere præcis behandling og bedre forebyggelse af alvorlige sundhedsproblemer på tværs af alle dyrearter.