NL1015120C2 - Stasticcal analysis of cow characteristics using fuzzy logic to detect oestrum and mastitis with high sensitivity and few false positives - Google Patents
Stasticcal analysis of cow characteristics using fuzzy logic to detect oestrum and mastitis with high sensitivity and few false positives Download PDFInfo
- Publication number
- NL1015120C2 NL1015120C2 NL1015120A NL1015120A NL1015120C2 NL 1015120 C2 NL1015120 C2 NL 1015120C2 NL 1015120 A NL1015120 A NL 1015120A NL 1015120 A NL1015120 A NL 1015120A NL 1015120 C2 NL1015120 C2 NL 1015120C2
- Authority
- NL
- Netherlands
- Prior art keywords
- dev
- membership
- increased
- membership functions
- mammal
- Prior art date
Links
- 208000004396 mastitis Diseases 0.000 title claims abstract description 16
- 230000035945 sensitivity Effects 0.000 title description 8
- 239000008267 milk Substances 0.000 claims abstract description 17
- 235000013336 milk Nutrition 0.000 claims abstract description 17
- 210000004080 milk Anatomy 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 241000283690 Bos taurus Species 0.000 claims description 51
- 241000124008 Mammalia Species 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 23
- 101100409194 Rattus norvegicus Ppargc1b gene Proteins 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 244000144980 herd Species 0.000 claims description 11
- 101001073212 Arabidopsis thaliana Peroxidase 33 Proteins 0.000 claims description 10
- 101001123325 Homo sapiens Peroxisome proliferator-activated receptor gamma coactivator 1-beta Proteins 0.000 claims description 10
- 102100028961 Peroxisome proliferator-activated receptor gamma coactivator 1-beta Human genes 0.000 claims description 10
- 241001465754 Metazoa Species 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000006651 lactation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 235000013365 dairy product Nutrition 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- KRTSDMXIXPKRQR-AATRIKPKSA-N monocrotophos Chemical compound CNC(=O)\C=C(/C)OP(=O)(OC)OC KRTSDMXIXPKRQR-AATRIKPKSA-N 0.000 claims description 3
- 244000144972 livestock Species 0.000 claims description 2
- 210000002445 nipple Anatomy 0.000 claims 3
- 238000004590 computer program Methods 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 description 13
- 230000012173 estrus Effects 0.000 description 10
- 238000013179 statistical model Methods 0.000 description 9
- 230000013011 mating Effects 0.000 description 8
- 210000000481 breast Anatomy 0.000 description 4
- 230000003292 diminished effect Effects 0.000 description 3
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011430 maximum method Methods 0.000 description 2
- 241000283707 Capra Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 230000009027 insemination Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 229960003387 progesterone Drugs 0.000 description 1
- 239000000186 progesterone Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Fodder In General (AREA)
Abstract
Description
Werkwijze voor het vaststellen van de fysieke toestand van een zoogdier, door middel van vage logica.Method for determining the physical state of a mammal, by means of vague logic.
De uitvinding heeft betrekking op een werkwijze voor het vaststellen van de 5 fysieke toestand van een zoogdier in een populatie, in het bijzonder van vee in een kudde, omvattende de stappen van: het meten van een actuele fysieke grootheid van een vooraf bepaald aantal zoogdieren met een sensor, het voor ieder zoogdier vormen van een actuele meetwaarde d, en toevoer van de meetwaarde aan een rekeneenheid, 10 - het voor het vooraf bepaalde aantal zoogdieren bepalen van een voorspelde meetwaarde op basis van voorafgaand aan de actuele meetwaarde vastgestelde voorgaande meetwaarden, en het bepalen van een afwijking, dev, tussen de actuele meetwaarde en de voorspelde meetwaarde.The invention relates to a method for determining the physical condition of a mammal in a population, in particular livestock in a herd, comprising the steps of: measuring an actual physical quantity of a predetermined number of mammals with a sensor, forming a current measured value d for each mammal, and supplying the measured value to a calculation unit, 10 - determining a predicted measured value for the predetermined number of mammals on the basis of previous measured values determined in advance of the current measured value, and determining a deviation, dev, between the current measured value and the predicted measured value.
15 Uit W097/47187 is bekend om voor een kudde koeien bij hei melken, voor iedere koe de melkopbrengst, de melktemperatuur, de geleidbaarheid van de melk en de activiteit van de betreffende koe te meten. Op basis van deze in de tijd opeenvolgende meetwaarden worden tijdreeksen bepaald, waaruit met behulp van een Kalman filter een predictie wordt verkregen van de verwachte meetwaarde, met een bijbehorend 20 betrouwbaarheidsinterval. Met deze bekende statistische methode wordt een attentie gegenereerd voor bijvoorbeeld tochtigheid of mastitis wanneer de combinatie van meetwaarden voor een specifieke koe buiten het normale patroon valt. Dat wil zeggen dat een attentie wordt gegenereerd wanneer de actuele meetwaarden buiten een rond de voorspelde waarden gelegen betrouwbaarheidsinterval vallen.From WO97 / 47187 it is known to measure the milk yield, the milk temperature, the conductivity of the milk and the activity of the cow in question for each cow for milking. On the basis of these temporally consecutive measured values, time series are determined, from which a prediction of the expected measured value is obtained with the aid of a Kalman filter, with an associated confidence interval. With this known statistical method an attention is generated for, for example, heat or mastitis when the combination of measured values for a specific cow falls outside the normal pattern. That is, an attention is generated when the actual measured values fall outside a confidence interval around the predicted values.
25 Een nadeel bij de bekende methode is dat het aantal onjuiste positieve attenties (False Positive) relatief hoog is. Een attentie is onjuist positief indien een koe niet tochtig is of niet aan mastitis leidt. Dit wordt onder andere veroorzaakt door sensor drift, en afwijkingen met vergelijkbare verschijnselen.A drawback with the known method is that the number of false positive attentions (False Positive) is relatively high. A gift is incorrectly positive if a cow is not oestrous or does not suffer from mastitis. This is caused, among other things, by sensor drift and deviations with comparable phenomena.
Het is een doel van de uitvinding te voorzien in een werkwijze voor het bepalen 30 van de fysieke toestand van een zoogdier in een populatie, met name van een koe in een kudde koeien, waarbij het aantal onjuist positieve (FP) attenties voor de fysieke toestand wordt geminimaliseerd, terwijl het aantal juist positieve attenties (True Positive, TP) niet significant afneemt. Het is tevens een doel van de uitvinding te » ;·. ; I·" ·'; f .It is an object of the invention to provide a method for determining the physical condition of a mammal in a population, in particular of a cow in a herd of cows, wherein the number of false positive (FP) attentions for the physical condition is minimized, while the number of true positive attentions (True Positive, TP) does not decrease significantly. It is also an object of the invention to:. ; I · "·"; f.
\ ij i ** '5 5 / 2 voorzien in een werkwijze waarbij de gevoeligheid bij het vaststellen van de fysieke toestand relatief hoog is.5/2 provide a method in which the sensitivity in determining the physical condition is relatively high.
Hiertoe is de werkwijze volgens de uitvinding gekenmerkt doordat deze de stappen omvat van : 5 - het definiëren van ten minste twee lidmaatschapsfuncties DEV 1, DEV2; Di, D2 voor respectievelijk de afwijkingen dev, en voor de actuele meetwaarden d of een van de actuele meetwaarde d afgeleide grootheid , in de geheugeninrichting, waarbij iedere lidmaatschapsfunctie voor een eerste en een tweede domein van de respectieve waarde dev, d, een bovengrens en een ondergrens heeft, en voor een tussen het eerste en 10 tweede domein gelegen tussendomein van de respectieve waarde dev, d, tussen de bovengrens en ondergrens gelegen tussenwaarden heeft, het toekennen van ten minste twee lidmaatschapswaarden DEV 1 (dev), DEV2(dev), Di(d), D2(d) aan de voor het betreffende zoogdier vastgestelde afwijking dev, en aan de actuele meetwaarde d of de daarvan afgeleide grootheid, 15 - het opslaan van uitvoergrootheden OUTs(DEV,D) voor combinaties van de lidmaatschapsfuncties DEV, D in de geheugeninrichting in de vorm 1F DEV = DEVP AND D = Dq, THEN OUT= OUTs, en het toekennen van lidmaatschapswaarden aan iedere uitvoergrootheid OUTs, op basis van de lidmaatschapswaarden van de bijbehorende lidmaatschapsfuncties (DEV, 20 D), en het uit de uitvoergrootheden OUTs, op basis van de lidmaatschapswaarden daarvan, vaststellen van een uitspraak over de toestand van het zoogdier.To this end, the method according to the invention is characterized in that it comprises the steps of: - defining at least two membership functions DEV 1, DEV2; Di, D2 for the deviations dev, and for the current measured values d or a quantity derived from the current measured value d, respectively, in the memory device, each membership function for a first and a second domain of the respective value dev, d, an upper limit and has a lower limit, and for an intermediate domain of the respective value dev, d, situated between the upper and lower domain, has intermediate values between the upper limit and lower limit, assigning at least two membership values DEV 1 (dev), DEV2 (dev) , Di (d), D2 (d) to the deviation deviated for the mammal in question, and to the actual measured value d or the quantity derived therefrom, 15 - storing output quantities OUTs (DEV, D) for combinations of the membership functions DEV , D in the memory device in the form 1F DEV = DEVP AND D = Dq, THEN OUT = OUTs, and assigning membership values to each output quantity OUTs, based on the membership values of n the associated membership functions (DEV, 20D), and determining from the output quantities OUTs, based on their membership values, a statement about the condition of the mammal.
Voor het vaststellen van mastitis is gebleken dat voor ieder kwartier van de uier de actuele meetwaarde d, bijvoorbeeld door de geleidbaarheid van de melk kan worden 25 gevormd. De afwijking dev wordt gevormd door de afwijking van de actuele meetwaarde d ten opzichte van meetwaarden bij voorgaande melkingen, hetzij voor een betreffend zoogdier hetzij voor de gehele kudde.For the determination of mastitis it has been found that for every quarter of an udder the current measured value d can be formed, for instance by the conductivity of the milk. The deviation dev is formed by the deviation of the current measured value d from measured values in previous milkings, either for a particular mammal or for the entire herd.
Op basis van de lidmaatschapsfuncties die behoren bij de actuele meetwaarde en de afwijking kan in een vage-logica-routine een viertal aangepaste afwijkingen worden 30 gevormd, die kunnen worden geïntegreerd tot één enkele attentie voor mastitis. Deze attentie wordt weer teruggetransformeerd tot een duidelijke variabele “waar” of “niet waar”. Met een relatief eenvoudige vage-logica-routine kan het aantal vals positieve attenties zeer sterk worden teruggebracht.Based on the membership functions associated with the current measured value and the deviation, four custom deviations can be formed in a vague logic routine, which can be integrated into a single attention for mastitis. This attention is transformed back into a clear variable “true” or “false”. With a relatively simple vague logic routine, the number of false positive attentions can be greatly reduced.
33
In een uitvoeringsvorm van de werkwijze volgens de onderhavige uitvinding wordt het percentage zoogdieren, perc, waarvan de afwijking een voorafbepaalde drempel overschrijdt, vastgesteld.In an embodiment of the method of the present invention, the percentage of mammals, perc, the deviation of which exceeds a predetermined threshold, is determined.
De kans dat een bij een bepaald zoogdier waargenomen verschil dev tussen de 5 meetwaarde d, en de verwachte meetwaarde wordt veroorzaakt door een specifieke toestand van het betreffende zoogdier (bijvoorbeeld bronst of mastitis), is kleiner naarmate meer zoogdieren in de populatie een afwijkende meetwaarde vertonen. Door het vaststellen van het aantal zoogdieren, perc, waarvoor de meetwaarde buiten het verwachte bereik ligt, wordt een indicatie verkregen van collectieve invloeden waaraan 10 alle zoogdieren onderhevig zijn. Voor de gevallen waarin perc een hoge waarde heeft, zal de waarschijnlijkheid dat de bij een bepaald zoogdier waargenomen afwijking wordt veroorzaakt door een bepaalde fysieke toestand van dit zoogdier, kleiner zijn.The probability that a difference dev between the 5 measured value d and the expected measured value in a particular mammal is caused by a specific condition of the mammal in question (for example, oestrus or mastitis), the smaller the more mammals in the population show a deviating measured value. . By determining the number of mammals, perc, for which the measured value is outside the expected range, an indication is obtained of collective influences to which all mammals are subject. In cases where perc has a high value, the probability that the deviation observed in a particular mammal is caused by a particular physical condition of this mammal will be less.
Het aantal afwijkingen, perc, moet dus worden meegenomen bij het wegen van de validiteit van een attentie voor de zoogdier-specifieke toestand op basis van 15 afwijkingen die worden waargenomen in de meetwaarden voor dit zoogdier.Thus, the number of abnormalities, perc, should be taken into account when weighing the validity of an attention to the mammal-specific state based on 15 abnormalities observed in the measurements for this mammal.
Naast de kwantitatieve grootheid perc, zijn ook andere, kwalitatieve, grootheden van invloed op de waarschijnlijkheid dat de waargenomen afwijking, dev, een valide attentie voor de specifieke fysieke toestand van het zoogdier vormt. In het bijzonder geldt dit voor de status van het zoogdier, zoals het al of niet “afgekalfd” zijn van een 20 koe, het “tochtig” zijn, “geïnsemineerd” zijn, of “drachtig” of “onbekend”, of het aantal dagen in lactatie, etc. De fysieke toestand "bronst" wordt bijvoorbeeld niet verwacht voor drachtige koeien en tijdens de eerste dagen na het kalven. Daarentegen kan bronst verwacht worden voor tochtige of geïnsemineerde koeien, met name rond drie weken na de laatst geregistreerde bronst of inseminatie.In addition to the quantitative quantity perc, other qualitative quantities also influence the probability that the observed deviation, dev, constitutes a valid attention to the specific physical condition of the mammal. In particular, this applies to the status of the mammal, such as whether or not a cow has “calved”, being “in heat”, being “inseminated”, or “pregnant” or “unknown”, or the number of days in lactation, etc. The physical state "rutting season" is not expected, for example, for pregnant cows and during the first days after calving. In contrast, oestrus can be expected for drafty or inseminated cows, especially around three weeks after the last registered oestrus or insemination.
25 Óm de invloed van het aantal zoogdieren met een afwijking, perc, en van de status van het specifieke zoogdier op de attentie voor een fysieke toestand te formaliseren, wordt volgens de uitvinding gebruik gemaakt van vage logica (fuzzy logic). Wanneer de meetwaarde d bijvoorbeeld wordt gevormd door de activiteit van een koe, zal de afwijking dev tussen de actuele meetwaarde en de voorspelde 30 meetwaarde waarschijnlijk een juiste attentie vormen voor een fysieke toestand (bronst of mastitis) wanneer de activiteit "hoog" is, wanneer het percentage koeien met een verhoogde activiteit kleiner is dan een "meerderheid" en wanneer de status "tochtig" is.According to the invention, fuzzy logic is used to formalize the influence of the number of mammals with a deviation, perc, and of the status of the specific mammal on the attention to a physical condition. For example, if the measured value d is formed by the activity of a cow, the deviation dev between the current measured value and the predicted measured value is likely to be an appropriate attention for a physical condition (oestrus or mastitis) when the activity is "high", when the percentage of cows with increased activity is less than a "majority" and when the status is "in heat".
·< P ·. . " *»..·· ; , .= **· 4<P ·. . "*» .. ··;,. = ** · 4
Voor de afwijkingen dev worden een aantal lidmaatschapsfuncties DEVi, DEV2, etc gedefinieerd, zoals bijvoorbeeld "niet verhoogd", "verhoogd", "hoog" of "zeer hoog". Deze functies kunnen trapezoïdaal, driehoekvormig of klokvormig zijn, en geven voor een bereik van de afwijkingen dev, een lidmaatschapswaarde, die 5 bijvoorbeeld tussen 0 en 1 ligt. De lidmaatschapsfuncties overlappen elkaar deels, zodat voor één waarde van dev, twee of meer lidmaatschapswaarden kunnen worden bepaald.For dev deviations, a number of membership functions DEVi, DEV2, etc are defined, such as, for example, "not elevated", "elevated", "high" or "very high". These functions can be trapezoidal, triangular or bell-shaped, and for a range of deviations dev give a membership value, which is, for example, between 0 and 1. The membership functions partly overlap, so that for one value of dev, two or more membership values can be determined.
Voor het percentage afwijkingen, perc, worden op gelijke wijze lidmaatschapsfuncties PERC1, PERC2, etc bepaald, bijvoorbeeld een vijftal 10 lidmaatschapsfuncties: "geen", "een klein aantal", "de helft", "de meerderheid" en "allen". Deze lidmaatschapsfuncties definiëren weer lidmaatschapswaarden tussen 0 en 1 volgens een trapezoïdaal, driehoekvormig of klokvormig verloop.For the percentage deviations, perc, membership functions PERC1, PERC2, etc. are determined in the same way, for example five ten membership functions: "none", "a small number", "half", "the majority" and "all". These membership functions again define membership values between 0 and 1 according to a trapezoidal, triangular, or bell-shaped gradient.
Voor de statuswaarde s, worden lidmaatschapsfuncties SI, S2, etc. vastgesteld, bijvoorbeeld "afgekalfd", "tochtig", "geïnsemineerd", "drachtig" en "onbekend". Aan 15 de hand van de statuswaarde, die per zoogdier wordt toegekend, worden de lidmaatschapswaarden voor de lidmaatschapsfuncties S vastgesteld.For the status value s, membership functions S1, S2, etc. are determined, for example "calved", "drafty", "inseminated", "pregnant" and "unknown". On the basis of the status value, which is assigned per mammal, the membership values for the membership functions S are determined.
Vervolgens wordt in een logische routine (rule block) van de rekeneenheid voor combinaties van de lidmaatschapsfuncties, een uitvoergrootheid vastgesteld. De logische routine wordt gevormd door IF-THEN regels, waarbij combinaties van de 20 lidmaatschapsfuncties de antecedenten vormen en waarbij de uitvoergrootheid de resultante vormt (consequent part). Een voorbeeld van een regel in de logische routine is IF DEV is "verhoogd" AND PERC is "de helft" AND S is "drachtig" THEN OUT is "geen bronst".Subsequently, an output quantity is determined in a logical routine (rule block) of the unit of account for combinations of the membership functions. The logical routine is formed by IF-THEN rules, in which combinations of the 20 membership functions form the antecedents and in which the output quantity forms the resultant (consistent part). An example of a rule in the logic routine is IF DEV is "raised" AND PERC is "half" AND S is "pregnant" THEN OUT is "no rutting".
De uitvoergrootheid OUT kan een uitspraak zijn over de toestand van het 25 zoogdier, zoals in het hierboven gegeven voorbeeld, maar kan ook een classificatie zijn van de waargenomen afwijking dev in een juiste of onjuiste attentie voor een specifieke toestand (bronst of mastitis). De uitvoerwaarde OUT kan eveneens een tussenliggende grootheid vormen, zoals een aangepaste afwijkingsgrootheid, DEV11(ij, welke weer een antecedent kan vormen in een verdere logische IF-THEN routine.The output quantity OUT can be a statement about the condition of the mammal, as in the example given above, but can also be a classification of the deviation observed dev in a correct or incorrect attention for a specific condition (oestrus or mastitis). The output value OUT may also form an intermediate variable, such as a modified deviation variable, DEV11 (ij, which may again antecedent in a further logical IF-THEN routine.
30 In de rekeneenheid wordt voor elke logische IF-THEN regel, de lidmaatschapswaarde van OUT bepaald, op basis van de lidmaatschapswaarden van de antecedenten. Hierbij kan als lidmaatschapswaarde van OUT de minimumwaarde van de antecedenten worden genomen. Het is tevens mogelijk als lidmaatschapswaarde van 5 OUT een gewogen som of een product van de lidmaatschapswaarden van de antecedenten toe te passen.30 In the unit of account, for each logical IF-THEN rule, the membership value of OUT is determined based on the membership values of the antecedents. The minimum value of the antecedents can be used as the membership value of OUT. It is also possible to apply a weighted sum or a product of the membership values of the antecedents as a membership value of 5 OUT.
Voor iedere logische regel in de routine wordt dus een uitvoergrootheid OUT met een lidmaatschapswaarde vastgesteld. De uiteindelijke uitspraak over de toestand van 5 het zoogdier kan worden verkregen door selectie van de uitvoerwaarde met de maximale lidmaatschapswaarde. Het is tevens mogelijk om de uitspraak over de toestand van het zoogdier te baseren op een begrensde som van de lidmaatschapswaarden van.Thus, for each logical rule in the routine, an output quantity OUT with a membership value is determined. The final statement on the mammal's condition can be obtained by selecting the output value with the maximum membership value. It is also possible to base the statement about the mammal's condition on a limited sum of the membership values of.
Hoewel in de hierboven beschreven voorbeelden werd gerefereerd aan een kudde 10 koeien, is de werkwijze volgens de uitvinding daar niet toe beperkt, maar is deze eveneens van toepassing op bijvoorbeeld populaties mensen, zoals bijvoorbeeld bij bevolkingsonderzoeken, of op veersoorten zoals geiten, varkens, of pluimvee.Although in the examples described above reference was made to a herd of cows, the method according to the invention is not limited thereto, but it also applies for instance to human populations, such as for example in population studies, or to feather species such as goats, pigs, or poultry.
In een uitvoeringsvorm van de werkwijze volgens de uitvinding is het zoogdier een dier in een kudde melkvee, waarbij 15 - de meetwaarde d een temperatuurwaarde, een activiteitswaarde, een melkopbrengstwaarde of een combinatie daarvan omvat, en de lidmaatschapsfuncties DEV twee of meer uit de groep "zeer laag", "laag", "verminderd", "niet verminderd", "niet verhoogd", "verhoogd", "hoog" en "zeer hoog"omvatten, en de lidmaatschapsfunctie S twee of meer uit de groep "geworpen", "vruchtbaar", 20 "geïnsemineerd", "drachtig", "niet-drachtig" en "onbekend", omvat, en/of de lidmaatschapsfunctie s "voorafgaand aan vruchtbare periode", "in vruchtbare periode" en "na vruchtbare periode omvatten", en/of de lidmaatschapsfunctie s "vruchtbaar" en "niet vruchtbaar" omvatten, terwijl s het aantal lactatiedagen omvat na het werpen.In an embodiment of the method according to the invention, the mammal is an animal in a herd of dairy cattle, the measurement value d comprising a temperature value, an activity value, a milk yield value or a combination thereof, and the membership functions DEV two or more from the group " very low "," low "," reduced "," not reduced "," not raised "," raised "," high "and" very high ", and the membership function S" cast "two or more, includes "fertile", "inseminated", "pregnant", "non-pregnant" and "unknown", and / or includes membership functions "before fertile period", "in fertile period" and "after fertile period" , and / or the membership function s include "fertile" and "not fertile", while s includes the number of lactation days after farrowing.
25 Met deze meetwaarden en statuswaarden kan voor een kudde melkvee, op basis van expertkennis van de veehouder, die in de lidmaatschapsfuncties en in de logische IF-THEN routines van het vage logische systeem volgens de uitvinding is vastgelegd, een uitspraak worden gedaan over de toestand van een individueel dier, zoals het lijden aan mastitis of het al of niet bronstig zijn, waarbij het aantal foutief positieve (FP) 30 uitspraken sterk wordt gereduceerd.With these measurements and status values, a herd of dairy cattle, based on expert knowledge of the farmer, which is laid down in the membership functions and in the logical IF-THEN routines of the vague logical system according to the invention, can make a statement about the condition of an individual animal, such as suffering from mastitis or being rut or not, greatly reducing the number of false positive (FP) statements.
In een verdere uitvoeringsvorm van de uitvinding wordt een attentie gegenereerd voor iedere afwijking dev die een vooraf bepaalde drempel overschrijdt, waarbij uit de 'i Π l f. *J 5 1 .In a further embodiment of the invention, an attention is generated for every deviation dev that exceeds a predetermined threshold, whereby from the 'i Π l f. * J 5 1.
6 uitvoergrootheden OUTs een classificatie van juiste en onjuiste attenties wordt vastgesteld.6 output quantities OUTs a classification of correct and incorrect attentions is established.
De uitvoergrootheid OUT kan een aangepaste afwijkingsfunctie DEVadj omvatten, die wordt bepaald op basis van de lidmaatschapsfimcties DEV, alsmede een 5 lidmaatschapsfunctie BR, die wordt bepaald op basis van de lidmaatschapsfimcties S, waarbij een tweede uitvoergrootheid ATT (DEVatij, BR) wordt bepaald voor combinaties van de lidmaatschapsfimcties DEVadj en BR in de geheugeninrichting in de vorm IF = DEVadj = DEVadjm AND BR = BR„= THEN ATT = ATT0, 10 - lidmaatschapswaarden aan iedere uitvoergrootheid ATT0 worden toegekend, op basis van de lidmaatschapswaarden van de bijbehorende lidmaatschapsfimcties DEVadjm en BR„, en uit de uitvoergrootheden ATT, op basis van de lidmaatschapswaarden daarvan, de status "waar" of "niet waar" aan de attentie wordt toegekend.The output quantity OUT may comprise a custom deviation function DEVadj, which is determined based on the membership functions DEV, as well as a membership function BR, which is determined on the basis of the membership functions S, whereby a second output quantity ATT (DEVatij, BR) is determined for combinations of the membership functions DEVadj and BR in the memory device in the form IF = DEVadj = DEVadjm AND BR = BR „= THEN ATT = ATT0, 10 - membership values are assigned to each output quantity ATT0, based on the membership values of the corresponding membership functions DEVadjm and BR ", And from the ATT output quantities, the status shall be assigned" true "or" false "on the basis of their membership values.
15 Door de logische routines voor de afwijkingen dev te scheiden van de logische routines van de statuswaarde s, wordt een inzichtelijke logische structuur verkregen waaruit duidelijk blijkt hoe de invloed van de afwijkingen dev, die op basis van de gedetecteerde grootheden worden vastgesteld, op de uitspraak over de fysieke toestand, wordt gecorrigeerd door de statusgegevens. In een eerste stap worden de afwijkingen 20 op basis van het percentage waargenomen afwijkingen gecorrigeerd en wordt een aangepaste uitvoer DEVadj gevormd. Op basis van de statusfuncties wordt een uitvoer BR, gegenereerd, die bijvoorbeeld een uitspraak omvat over bronst of mastitis, en bijvoorbeeld "verwacht" en "niet verwacht" kan luiden. Deze uitvoeren DEVadj en BR vormen de antecedenten in een IF-THEN routine met als uitvoer ATT, een attentie voor 25 een specifieke toestand, die "waar" of "niet waar" kan luiden.Separating the logical routines for the deviations dev from the logical routines of the status value s provides an insightful logical structure that clearly shows how the influence of the deviations dev, which are determined on the basis of the detected quantities, on the pronunciation on the physical state, is corrected by the status data. In a first step, the deviations 20 are corrected based on the percentage of observed deviations and an adjusted output DEVadj is formed. Based on the status functions, an output BR is generated, which includes, for example, a statement about oestrus or mastitis, and may say "expected" and "unexpected", for example. These outputs DEVadj and BR constitute the antecedents in an IF-THEN routine with output ATT, an attention for a specific state, which may be "true" or "false".
De werkwijze volgens de uitvinding zal nader worden toegelicht aan de hand van de bij gevoegde tekening waarin:The method according to the invention will be explained in more detail with reference to the appended drawing, in which:
Figuur 1 schematisch een automatische melkinrichting volgens de uitvinding toont, 30 Figuur 2 schematisch een inrichting toont, voorzien van het vage logische systeem volgens de uitvinding,Figure 1 schematically shows an automatic milking implement according to the invention, Figure 2 schematically shows an implement provided with the vague logic system according to the invention,
Figuur 3 het schema toont van het vage-logica-systeem volgens de uitvinding voor detectie van bronst, .... n.' 7Figure 3 shows the schematic of the vague logic system according to the invention for the detection of oestrus, ... n. 7
Figuur 4a-4c de lidmaatschapsfuncties voor de afwijkingen in activiteit, temperatuur en opbrengst tonen,Figures 4a-4c show the membership functions for the deviations in activity, temperature and yield,
Figuur 5a-5c de lidmaatschapsfuncties tonen voor het percentage koeien waarvoor de afwijkingen een attentie vormen, voor activiteit, temperatuur en opbrengst, 5 Figuur 6a-6c de lidmaatschapsfuncties Cl, C2, C3 voor de cyclus-status van de koe tonen,Figures 5a-5c show the membership functions for the percentage of cows for which the deviations form an attention, for activity, temperature and yield, 5 Figures 6a-6c show the membership functions C1, C2, C3 for the cycle status of the cow,
Figuur 7 de lidmaatschapsfuncties toont voor de lactatiestatus van de koe,Figure 7 shows the membership functions for the lactation status of the cow,
Figuur 8 de lidmaatschapsfuncties toont voor de status van de koe,Figure 8 shows the membership functions for the status of the cow,
Figuur 9 het schema toont van het logische systeem volgens de uitvinding voor 10 detectie van mastitis enFigure 9 shows the scheme of the logic system according to the invention for detection of mastitis and
Figuur 10a-10b de lidmaatschapsfuncties tonen voor de meetwaarde d en de afwijking dev voor detectie van mastitis.Figures 10a-10b show the membership functions for the measure d and the dev deviation for mastitis detection.
Figuur 1 toont schematisch een melkinstallatie, zoals een melkstal 1, met een melkinstallatie 2, een sensor 3, een identificatiesysteem 4, een computer 5 met een 15 geheugeneenheid 5' en een rekeneenheid 5" en een weergeefinrichting 6. Bij het melken van koeien wordt met de sensor 3 een temperatuur van de koe, een activiteit (door het uitlezen van een aan de koe bevestigde bewegingssensor), de melktemperatuur, de melkgeleidbaarheid, de melkopbrengst of een andere fysieke grootheid gemeten. De meetwaarden worden in de computer 5 ingevoerd en voor iedere koe wordt een 20 tijdreeks van meetwaarden bepaald. Op basis van een statistisch model, zoals bijvoorbeeld door middel van de Kalman-filtertechniek die is beschreven in WO 97/47187, wordt uit de tijdreeks een voorspelling gedaan voor de te verwachten temperatuurwaarde, geleidbaarheidswaarde, activiteitswaarde en melkopbrengstwaarde, en wordt de statistische verdeling van de verwachte waarden bepaald. In de computer 5 25 worden de actuele meetwaarden vergeleken met de verwachte meetwaarden, en wordt een attentiesignaal gegenereerd wanneer de combinatie van actuele meetwaarden buiten een 95%, 99% of 99,9% betrouwbaarheidsinterval van de voorspelde waarde vallen. In het in de hiernavolgende figuurbeschrijving gegeven voorbeeld bij figuur 1 tot en met 8 is de door de computer gegenereerde attentie een attentie voor bronst.Figure 1 schematically shows a milking installation, such as a milking parlor 1, with a milking installation 2, a sensor 3, an identification system 4, a computer 5 with a memory unit 5 'and a calculation unit 5 "and a display device 6. When milking cows a temperature of the cow, an activity (by reading a motion sensor attached to the cow), the milk temperature, the milk conductivity, the milk yield or another physical quantity are measured with the sensor 3. The measured values are entered in the computer 5 and a time series of measured values is determined for each cow On the basis of a statistical model, such as for instance by means of the Kalman filter technique described in WO 97/47187, a prediction is made from the time series for the expected temperature value, conductivity value, activity value and milk yield value, and the statistical distribution of the expected values is determined. readings compared to the expected readings, and an alert signal is generated when the combination of current readings falls outside a 95%, 99%, or 99.9% confidence interval of the predicted reading. In the example of Figures 1 to 8 given in the figure description below, the computer generated attention is an attention for rutting.
30 Zoals getoond in figuur 2, genereert het statistische model 7 op basis van de afwijkingen dev tussen de voorspelde meetwaarde van de sensor 3 en de waargenomen meetwaarde, een attentie voor bronst. Om het aantal onjuist positieve (FP) attenties die op basis van het statistische model 7 zijn gegenereerd, te verminderen, worden de 1 1 S i ;; j , 8 afwijkingen dev toegevoerd aan het vage logica-systeem 8 volgens de uitvinding. Het statistische model 7 genereert een attentiesignaal op basis van de kwantitatieve signalen van de sensor 3. Aan het vage-logica-systeem 8 worden kwalitatieve gegevens toegevoerd, zoals de cyclus van de koe, de status (drachtig, geïnsemineerd, tochtig etc), 5 en de waargenomen meetwaarden bij andere koeien. Met deze gegevens worden de statistische attenties, die juist positief (TP) of onjuist positief (FP) luiden, zijn geclassificeerd in "waar" en "niet waar”. Voor detectie van mastitis zijn dergelijke kwalitatieve gegevens niet noodzakelijk.As shown in figure 2, based on the deviations dev between the predicted measured value of the sensor 3 and the observed measured value, the statistical model 7 generates an attention for rutting. To reduce the number of false positive (FP) attentions generated from the statistical model 7, the 1 1 S i ;; j, 8 deviations dev applied to the fuzzy logic system 8 according to the invention. The statistical model 7 generates an attention signal based on the quantitative signals of the sensor 3. The vague logic system 8 is supplied with qualitative data, such as the cycle of the cow, the status (pregnant, inseminated, drafty, etc.), 5 and the measured values observed in other cows. With this data, the statistical attentions, which are either positive (TP) or false positive (FP), are classified into “true” and “false.” Such qualitative data are not necessary for mastitis detection.
Figuur 3 toont een uitvoeringsvorm van het vage-logica-systeem 8 volgens de 10 uitvinding, in het bijzonder voor het bepalen van bronst bij koeien, dat is ontwikkeld in fuzzy TECH 5.12. Hierin zijn met blokken 9-19 de lidmaatschapsfuncties aangeduid voor de invoervariabelen. Vanuit de blokken 9-19 worden de bijbehorende lidmaatschapswaarden toegevoerd aan de logische IF-THEN blokken 20,21,22 en 23 voor bepaling van tussenliggende vage variabelen. Deze tussenliggende vage 15 variabelen worden in het logische blok 24 omgezet in een vage uitvoervariabele ATTFigure 3 shows an embodiment of the fuzzy logic system 8 according to the invention, in particular for determining oestrus in cows, developed in fuzzy TECH 5.12. Here, blocks 9-19 denote the membership functions for the input variables. From blocks 9-19, the corresponding membership values are applied to the IF-THEN logic blocks 20, 21, 22 and 23 for determining intermediate fuzzy variables. These intermediate fuzzy variables are converted into a fuzzy output variable ATT in logic block 24
die "waar" of "niet waar" luidt voor een met het statistische model 7 vastgestelde attentie, die in het logische blok 25 wordt omgezet in een logische waarde waar (1), en niet waar (0).which is "true" or "false" for an attention determined by the statistical model 7, which is converted in the logic block 25 into a logic value true (1), and false (0).
De invoervariabelen voor de lidmaatschapsfuncties 9, 11 en 13 zijn: dev-act, 20 dev-temp en dev-opb, de genormaliseerde afwijking tussen de voorspelde en de waargenomen activiteit, melktemperatuur en melkopbrengst voor een bepaalde koe, voor die detectiesignalen waarvan de afwijkingen van de voorspelde waarde buiten een 99,9 % betrouwbaarheidsinterval van de verdeling van de afwijkingen vallen. Het vaststellen van dev-act, dev-temp en dev-opb kan plaatsvinden op de in WO 97/47187 25 beschreven wijze.The input variables for the membership functions 9, 11 and 13 are: dev-act, 20 dev-temp and dev-op, the normalized deviation between predicted and observed activity, milk temperature and milk yield for a given cow, for those detection signals whose deviations of the predicted value is outside a 99.9% confidence interval of the deviation distribution. Determining dev-act, dev-temp and dev-up can take place in the manner described in WO 97/47187.
De invoervariabelen voor de lidmaatschapsfuncties 10, 12 en 14 zijn: perc-act, perc-temp en perc-opb, het gewogen percentage koeien in de kudde met een attentie voor verhoogde activiteit, temperatuur of met een attentie voor een verlaagde opbrengst. Hierbij wordt de invoervariabele perc bepaald uit het gewogen percentage 30 koeien met een attentie door: perc= --2-1-.100% .The input variables for the membership functions 10, 12 and 14 are: perc-act, perc-temp and perc-op, the weighted percentage of cows in the herd with an attention for increased activity, temperature or with an attention for a reduced yield. The perc input variable is determined from the weighted percentage of 30 cows with an attention of: perc = --2-1-.100%.
NN
99
Hierin is: N het aantal gemolken koeien, N(***) het aantal koeien met een attentie buiten een 99,9% betrouwbaarheidsinterval, 5 N(**) het aantal koeien met een attentie buiten een 99% betrouwbaarheidsinterval, en N(*) het aantal koeien met een attentie buiten een 95 % betrouwbaarheidsinterval.This is: N the number of cows milked, N (***) the number of cows with an attention outside a 99.9% confidence interval, 5 N (**) the number of cows with an attention outside a 99% confidence interval, and N ( *) the number of cows with an attention outside a 95% confidence interval.
De lidmaatschapsfuncties DEV-act, PERC-act, DEV-temp, PERC-temp, DEV-opb, en PERC-opb hebben een bereik van lidmaatschapswaarden tussen 0 en 1, en zijn gedefinieerd door de punten zoals gegeven in tabel I. De grafische weergave van deze 10 lidmaatschapsfuncties is gegeven in fig 4a-4c, en fig. 5a-5c. Er is een viertal lidmaatschapsfuncties DEV-act en DEV-temp: "niet verhoogd", "verhoogd"," hoog", en "zeer hoog". De vier lidmaatschapsfuncties DEV-opb zijn: "zeer laag", "laag", "verminderd" en "niet verminderd". Er zijn vijf lidmaatschapsfuncties PERC-act, PERC-temp en PERC-opb: "geen"," een klein aantal", "de helft", "de meerderheid" en 15 "allen".The membership features DEV-act, PERC-act, DEV-temp, PERC-temp, DEV-up, and PERC-up have a range of membership values between 0 and 1, and are defined by the points given in Table I. The graphic Representation of these 10 membership functions is given in Figures 4a-4c, and Figures 5a-5c. There are four membership functions DEV-act and DEV-temp: "not raised", "raised", "high", and "very high". The four membership functions DEV-b are: "very low", "low", "reduced" and "not reduced". There are five membership features PERC-act, PERC-temp and PERC-op: "none", "a small number", "half", "majority" and 15 "all".
Tabel I. Definitie van de lidmaatschapsfuncties DEV en PERCTable I. Definition of the membership functions DEV and PERC
1010
Naam Domein Term Definitiepunten DEV_act [0.0,5,0] niet verhoogd (0,1),(0.68,1),(2.31,0),(1,0) verhoogd (0,0), (0.68,0), (1.96,1), (2.31,1), (2.93,0), (5,0) hoog (0,0), (2.31,0), (2.58,1), (2.93,1), (3.76,0), (5,0) zeer hoog (0,0), (2.93,0), (3.29,1), (5,1) DEV temp [0.0,5.0] niet verhoogd (0,1),(2.31,0),(5,0) verhoogd (0,0), (1.96,1), (2.31,1), (2.93,0), (5,0) hoog (0,0), (2.31,0), (2.58,1), (2.93,1), (3.76,0), (5,0) zeer hoog (0,0), (2.93,0), (3.29,1), (5,1) DEV_opb [-5.0,0.0] zeer laag (-5,1),(-3.29,1),(-2.93,0),(0,0) laag (-5.0), (-3.76,0), (-2.93, 1), (-2.58, 1), (-2.31, 0), (0, 0) verminderd (-5,0), (-2.93,0), (-2.31,1), (-1.96,1), (0,0) niet verminderd (-5,0), (-2.31, 0), (0,1) PERC_act [0.0, 100.0] geen (0, 1), (25, 0), (100,0) klein aantal (0, 0), (25,1), (50,0), (] 00,0) de helft (0,0), (25, 0), (50, 1), (75, 0), (100, 0) de meerderheid (0, 0), (50, 0), (75, 1), (100, 0) allen (0,0),(75,0),(100,1) PERC temp [0.0,100.0] geen (0,1),(25,0),(100,0) klein aantal (0, 0), (25,1), (50,0), (100,0) de helft (0,0), (25, 0), (50, 1), (75, 0), (100, 0) de meerderheid (0, 0), (50, 0), (75, 1), (100, 0) allen (0, 0), (75, 0), (100,1) PERC opb [0.0, 100.0] geen (0,1),(25,0),(100,0) klein aantal (0, 0), (25,1), (50,0), (100,0) de helft (0,0), (25, 0), (50, 1), (75, 0), (100, 0) de meerderheid (0, 0), (50, 0), (75, 1), (100, 0) allen (0,0),(75,0),(100,1) 5 De invoervariabelen s voor de status van de koeien zijn: cyclus 1. Dit is het aantal dagen na de laatste bronst, gedeeld door 21, op modulo 1 basis. Cyclus 1 heeft een waarde kleiner dan 1,5. Deze variabele wordt toegepast voor tochtige koeien. De drie lidmaatschapsfuncties Cl geven aan of de koeien "voor", "in" of "na" de bronstperiode zijn.Name Domain Term Definition points DEV_act [0.0.5.0] not increased (0.1), (0.68.1), (2.31.0), (1.0) increased (0.0), (0.68.0), (1.96.1), (2.31.1), (2.93.0), (5.0) high (0.0), (2.31.0), (2.58.1), (2.93.1), (3.76 , 0), (5.0) very high (0.0), (2.93.0), (3.29.1), (5.1) DEV temp [0.0.5.0] not increased (0.1), ( 2.31.0), (5.0) increased (0.0), (1.96.1), (2.31.1), (2.93.0), (5.0) high (0.0), (2.31, 0), (2.58.1), (2.93.1), (3.76.0), (5.0) very high (0.0), (2.93.0), (3.29.1), (5.1 ) DEV_opb [-5.0.0.0] very low (-5.1), (- 3.29.1), (- 2.93.0), (0.0) low (-5.0), (-3.76.0), ( -2.93, 1), (-2.58, 1), (-2.31, 0), (0, 0) decreased (-5.0), (-2.93.0), (-2.31.1), (-1.96 , 1), (0.0) not reduced (-5.0), (-2.31, 0), (0.1) PERC_act [0.0, 100.0] none (0, 1), (25, 0), ( 100.0) small number (0, 0), (25.1), (50.0), (] 00.0) half (0.0), (25, 0), (50, 1), (75, 0), (100, 0) the majority (0, 0), (50, 0), (75, 1), (100, 0) all (0.0), (75.0), ( 100.1) PERC temp [0.0,100.0] none (0.1), (25.0), (100.0) small number (0, 0), (25.1), (5 0.0), (100.0) half (0.0), (25, 0), (50, 1), (75, 0), (100, 0) the majority (0, 0), ( 50, 0), (75, 1), (100, 0) all (0, 0), (75, 0), (100.1) PERC on [0.0, 100.0] none (0.1), (25 , 0), (100.0) small number (0, 0), (25.1), (50.0), (100.0) half (0.0), (25, 0), (50 , 1), (75, 0), (100, 0) the majority (0, 0), (50, 0), (75, 1), (100, 0) all (0.0), (75, 0), (100,1) 5 The input variables s for the status of the cows are: cycle 1. This is the number of days after the last mating season, divided by 21, on a modulo 1 basis. Cycle 1 has a value less than 1.5. This variable is applied for drafty cows. The three membership functions Cl indicate whether the cows are "before", "in" or "after" the mating season.
10 - cyclus 2. Dit is het aantal dagen na de laatste bronst, gedeeld door 21 en gecombineerd met een grenswaarde van 1,5. Deze variabele wordt toegepast voor geïnsemineerde koeien. De drie lidmaatschapsfuncties C2 geven aan of de koeien "voor", "in" of "na" de bronstperiode zijn.10 - cycle 2. This is the number of days after the last mating season, divided by 21 and combined with a limit value of 1.5. This variable is used for inseminated cows. The three membership functions C2 indicate whether the cows are "before", "in" or "after" the mating season.
cyclus 3. Dit is het aantal dagen na de laatste bronstattentie, die het dichtst bij 21 15 dagen voor de huidige dag plaats vond. Deze variabele wordt toegepast voor tochtige of ? υ . c -· ,, ym 11 geïnsemineerde koeien. De drie lidmaatschapsfuncties C3 geven aan of de koeien "voor", "in" of "na" de bronstperiode zijn.cycle 3. This is the number of days after the last source notification that occurred closest to 21 15 days before the current day. This variable is applied for drafty or? υ. c - ym 11 inseminated cows. The three membership functions C3 indicate whether the cows are "before", "in" or "after" the mating season.
lact. Dit is het aantal dagen in lactatie, dat wordt toegepast als cyclusinformatie voor koeien die gekalfd hebben. De twee lidmaatschapsfuncties L geven aan of de koe 5 "in" of "buiten" de bronstperiode is.lact. This is the number of days in lactation used as cycle information for cows that have calved. The two membership functions L indicate whether the cow 5 is "in" or "outside" the mating season.
status. De status is een getal tussen 1 en 5 zoals opgenomen in het managementinformatiesysteem (MIS). De vijf lidmaatschapsfuncties S geven aan of de koe "afgekalfd", "tochtig", "geïnsemineerd", "drachtig", "niet drachtig" en "onbekend" is.status. The status is a number between 1 and 5 as included in the management information system (MIS). The five membership functions S indicate whether the cow is "calved", "in heat", "inseminated", "pregnant", "not pregnant" and "unknown".
10 De lidmaatschapsfuncties Cl, C2, C3, L en S zijn gedefinieerd door de punten zoals gegeven in tabel 2. De grafische weergave van deze lidmaatschapsfuncties is gegeven in figuren 6a, 6b, 6c, 7 en 8.The membership functions C1, C2, C3, L and S are defined by the points given in table 2. The graphical representation of these membership functions is given in figures 6a, 6b, 6c, 7 and 8.
10151 2(H10151 2 (H
Tabel II. Definitie van lidmaatschapsfuncties Cl, C2, C3, L en STable II. Definition of membership functions Cl, C2, C3, L and S
1212
Naam Domein Term DeflnitiepuntenName Domain Term Definition Points
Cl [0.0,1.5] voor (-0.5.1,1),(1,0),(2,0) in (-0.5, 0), (0.9, 1), (1.05, 1), (1.75,0), (2.0) na (-0.5,0),(1,0),(1.75,1),(2,1) C2 [0.0,1.5] voor (0, 1), (0.5,1), (1, 0), (2, 0) in (0,0),(0.9,1),(1.05,1),(2,0) na (0, 0), (1, 0), (2, 1) C3 [0, 30] voor (0, 1), (15, 1), (20,0), (30,0) in (0, 0), (15, 0), (18, 1), (22, 1), (25, 0), (30, 0) na (0,0),(20,0),(25,1),(30,1) L [0,50] in (0,1),(7,1),(21,0),(50,0) buiten (0,0),(7,0),10,1),(50, 1) S [0,6] onbekend (0,1),(1,0),(6,0) gekalfd (0, 0), (1, 1), (3, 0), (6, 0) tochtig (0, 0), (1, 0), (3, 1), (4, 0), (6, 0) geïnsemineerd (0, 0), (3, 0), (4, 1), (5, 0), (6, 0) niet drachtig (0, 0), (4, 0), (5, 1), (6, 0) drachtig (0,0),(5,0),(6,1) 1 2 3 4 5 6Cl [0.0.1.5] for (-0.5.1.1), (1.0), (2.0) in (-0.5, 0), (0.9, 1), (1.05, 1), (1.75, 0), (2.0) after (-0.5.0), (1.0), (1.75.1), (2.1) C2 [0.0,1.5] before (0, 1), (0.5.1), (1, 0), (2, 0) in (0.0), (0.9.1), (1.05.1), (2.0) after (0, 0), (1, 0), (2 , 1) C3 [0, 30] for (0, 1), (15, 1), (20.0), (30.0) in (0, 0), (15, 0), (18, 1 ), (22, 1), (25, 0), (30, 0) after (0.0), (20.0), (25.1), (30.1) L [0.50] in (0.1), (7.1), (21.0), (50.0) outside (0.0), (7.0), 10.1), (50.1) S [0, 6] unknown (0.1), (1.0), (6.0) calved (0, 0), (1, 1), (3, 0), (6, 0) in heat (0, 0) , (1, 0), (3, 1), (4, 0), (6, 0) inseminated (0, 0), (3, 0), (4, 1), (5, 0), ( 6, 0) not pregnant (0, 0), (4, 0), (5, 1), (6, 0) pregnant (0.0), (5.0), (6.1) 1 2 3 4 5 6
De lidmaatschapswaarden die door de lidmaatschapfuncties DEV-act, DEV- 2 temp en DEV-opb worden bepaald, worden samen met de bijbehorende 3 lidmaatschapswaarden die door de lidmaatschapsfuncties PERC-act, PERC-temp en 4 PERC-opb worden bepaald, toegevoerd aan logische blokken (rule blocks) 20, 21 en 5 22. In deze logische blokken worden tussenliggende vage variabelen met 6 lidmaatschapsfuncties DEVadj-act, DEVadj-temp en DEVadj-opb bepaald. Dit zijn de gewogen en voor groepseffecten gecorrigeerde lidmaatschapsfuncties van de afwijkingen van de activiteit, temperatuur en melkopbrengst. DEV„dj-act, DEVadj-temp en DEVadj-opb definiëren ieder een viertal lidmaatschapsfuncties : "niet verhoogd", "verhoogd", "hoog", en "zeer hoog".The membership values determined by the DEV-act, DEV-2 temp, and DEV-bb membership functions, along with the corresponding 3 membership values determined by the PERC-act, PERC-temp, and 4-PERC-bb membership functions, are applied to logical blocks (rule blocks) 20, 21 and 5 22. In these logical blocks, intermediate vague variables with 6 membership functions DEVadj-act, DEVadj-temp and DEVadj-b are determined. These are the weighted and group-adjusted membership functions of the deviations from the activity, temperature and milk yield. DEV "dj-act, DEVadj-temp and DEVadj-bop each define four membership functions:" not raised "," raised "," high ", and" very high ".
Het regelblok 20 omvat de in tabel III gegeven volgende IF-THEN relaties : 13Control block 20 includes the following IF-THEN relationships given in Table III: 13
Tabel III. IF-THEN relaties van regelblok 20 5 IF DEV-act AND PERC-act THEN DEV„(,j- act 1. niet verhoogd geen niet verhoogd 2. niet verhoogd klein aantal niet verhoogd 3. niet verhoogd de helft niet verhoogd 4. niet verhoogd de meerderheid niet verhoogd 5. niet verhoogd allen niet verhoogd 6. Verhoogd geen verhoogd 7. Verhoogd klein aantal niet verhoogd 8. verhoogd de helft niet verhoogd 9. verhoogd de meerderheid niet verhoogd 10. verhoogd allen niet verhoogd 11. hoog geen hoog 12. hoog klein aantal verhoogd 13. hoog de helft verhoogd 14. hoog de meerderheid niet verhoogd 15. hoog allen niet verhoogd 16. zeer hoog geen zeer hoog 17. zeer hoog klein aantal hoog 18. zeer hoog de helft hoog 19. zeer hoog de meerderheid verhoogd 20. zeer hoog allen verhoogdTable III. IF-THEN relations of control block 20 5 IF DEV-act AND PERC-act THEN DEV „(, j-act 1. not increased no not increased 2. not increased small number not increased 3. not increased half not increased 4. not increased the majority not increased 5. not increased all not increased 6. increased no increased 7. increased small number not increased 8. increased half not increased 9. increased the majority not increased 10. increased all not increased 11. high none high 12 high small number increased 13. high half increased 14. high majority not increased 15. high all not increased 16. very high none very high 17. very high small number high 18. very high half high 19. very high majority increased 20. very high all increased
Het regelblok 20 is van het MAX-MIN type. Dat wil zeggen, dat het resultaat voor DEVadj-act het maximum over alle regels is, waarbij per regel het minimum van de antecedenten wordt genomen.Control block 20 is of the MAX-MIN type. That is, the result for DEVadj-act is the maximum across all lines, taking the minimum of antecedents per line.
10 Indien bijvoorbeeld de lidmaatschapsfüncties DEV-act zijn bepaald op basis van de input variabele dev-act met een waarde van 3,464, kan uit figuur 4a worden gezien dat : lidmaatschapsfunctie lidmaatschapswaarde DEV-act niet-verhoogd 0,00 verhoogd 0,00 hoog 0,36 zeer hoog 1,00 15 1410 For example, if the membership functions DEV-act have been determined based on the input variable dev-act with a value of 3.464, it can be seen from figure 4a that: membership function membership value DEV-act not increased 0.00 increased 0.00 high 0 .36 very high 1.00 15 14
Voor de lidmaatschapsfuncties PERC-act kan bij een inputvariabele perc-act van 18,00 uit fig. 5a worden gezien dat: lidmaatschapsfunctie lidmaatschapswaarde PERC-act geen 0,28 klein aantal 0,72 de helft 0,00 de meerderheid 0,00 allen 0,00 5 De output DEVadj-act, wordt in logisch blok 20 in fig. 3 als volgt bepaald: voor de regels 11,12 16 en 17 in tabel III zijn beide antecedenten niet gelijk aan nul. Hier geldt dus: regel DEV-act PERC-act DEVadj-act 10 11 hoog=0,36 geen=0,28 hoog = MIN(0,36;0,28) =0,28 12 hoog=0,36 klein aantal=0,72 verhoogd=MIN(0,36;0,72=)0,36 16 zeerhoog=l,00 geen=0,28 zeer hoog=MIN(l,00;0,28)=0,28 17 zeer hoog=l,00 klein aantal=0,72 hoog=MIN(l,00;0,72)=0,72 15 Voor de fuzzy output-variabele DEVadj-act geldt dus in het voorbeeld:For the membership functions PERC-act with an input variable perc-act of 18.00 from fig. 5a it can be seen that: membership function membership value PERC-act none 0.28 small number 0.72 half 0.00 majority 0.00 all 0.00 5 The output DEVadj-act, is determined in logic block 20 in Fig. 3 as follows: for lines 11, 12, 16 and 17 in Table III, both antecedents are not equal to zero. So here applies: rule DEV-act PERC-act DEVadj-act 10 11 high = 0.36 none = 0.28 high = MIN (0.36; 0.28) = 0.28 12 high = 0.36 small number = 0.72 raised = MIN (0.36, 0.72 =) 0.36 16 very high = 0.00 none = 0.28 very high = MIN (0.00, 0.28) = 0.28 17 very high = 1.00 small number = 0.72 high = MIN (l.00; 0.72) = 0.72 15 For the fuzzy output variable DEVadj-act, the following applies in the example:
Lidmaatschapsfunctie lidmaatschapswaarde DEVadj-act niet-verhoogd 0,00 verhoogd MAX(0,00;0,36)=0,36 hoog MAX(0,00;0,28;0,72)=0,72 zeer hoog MAX(0,00;0,28)=0,28Membership function membership value DEVadj-act non-increased 0.00 increased MAX (0.00, 0.36) = 0.36 high MAX (0.00, 0.28, 0.72) = 0.72 very high MAX (0 0.00; 0.28) = 0.28
Op dezelfde wijze worden tussenliggende lidmaatschapsfuncties DEVadj-temp en DEVadj-opb bepaald in regelblokken 21 en 22, volgens de volgende IF-THEN relaties 20 die zijn gegeven in tabel IV en tabel V.Similarly, intermediate membership functions DEVadj-temp and DEVadj-b are determined in control blocks 21 and 22, according to the following IF-THEN relationships 20 given in Table IV and Table V.
. :: 'i 1: J u. :: 'i 1: J u
Tabel IV. IF-THEN relaties van regelblok 21 15 EF DEV-temp AND PERC-temp THEN DEVu,ij-temp 1. niet verhoogd geen niet verhoogd 2. niet verhoogd klein aantal niet verhoogd 3. niet verhoogd de helft niet verhoogd 4. niet verhoogd de meerderheid niet verhoogd 5. niet verhoogd allen niet verhoogd 6. verhoogd geen verhoogd 7. verhoogd klein aantal niet verhoogd 8. verhoogd de helft niet verhoogd 9. verhoogd de meerderheid niet verhoogd 10. verhoogd allen niet verhoogd 11. hoog geen hoog 12. hoog klein aantal verhoogd 13. hoog de helft verhoogd 14. hoog de meerderheid niet verhoogd 15. hoog allen niet verhoogd 16. zeer hoog geen zeer hoog 17. zeer hoog klein aantal hoog 18. zeer hoog de helft hoog 19. zeer hoog de meerderheid verhoogd 20. zeer hoog allen verhoogd 5Table IV. IF-THEN relationships of control block 21 15 EF DEV temp AND PERC temp THEN DEVu, ij temp 1. not increased no not increased 2. not increased small number not increased 3. not increased half not increased 4. not increased the majority not increased 5. not increased all not increased 6. increased none increased 7. increased small number not increased 8. increased half not increased 9. increased majority not increased 10. increased all not increased 11. high none high 12. high small number increased 13. high half increased 14. high majority not increased 15. high all not increased 16. very high none very high 17. very high small number high 18. very high half high 19. very high majority increased 20. very high all raised 5
Tabel V. IF-THEN relaties van regelblok 22 16 IF DEV-opb AND DEV-opb THEN DEV(t(IJ-opb 1. zeer laag geen zeer laag 2. zeer laag klein aantal laag 3. zeer laag de helft laag 4. zeer laag de meerderheid verminderd 5. zeer laag allen verminderd 6. laag geen laag 7. laag klein aantal verminderd 8. laag de helft verminderd 9. laag de meerderheid niet verminderd 10. laag allen niet verminderd 11. verminderd geen verminderd 12. verminderd klein aantal niet verminderd 13. verminderd de helft niet verminderd 14. verminderd de meerderheid niet verminderd 15. verminderd allen niet verminderd 16. niet verminderd geen niet verminderd 17. niet verminderd klein aantal niet verminderd 18. niet verminderd de helft niet verminderd 19. niet verminderd de meerderheid niet verminderd 20. niet verminderd allen niet verminderdTable V. IF-THEN relations of control block 22 16 IF DEV-up AND DEV-up THEN DEV (t (IJ-up 1. very low no very low 2. very low small number of low 3. very low half low 4. very low the majority reduced 5. very low all reduced 6. low no low 7. low small number decreased 8. low half reduced 9. low the majority not reduced 10. low all not reduced 11. reduced no reduced 12. reduced small number not reduced 13. reduced half not reduced 14. reduced majority not reduced 15. reduced all not reduced 16. not reduced no not reduced 17. not reduced small number not reduced 18. not reduced half not reduced 19. not reduced the majority not diminished 20. not diminished all not diminished
De tussenliggende lidmaatschapsfuncties BR, die "verwacht" en "niet verwacht" 5 omvatten, worden bepaald uit de lidmaatschapsfuncties C1,C2,C3 en L op de wijze getoond in tabel VI.The intermediate membership functions BR, which include "expected" and "unexpected", are determined from the membership functions C1, C2, C3 and L in the manner shown in Table VI.
Tabel VI. IF-THEN relaties van regelblok 23 17Table VI. IF-THEN relations of control block 23 17
IF Cl AND C2 AND C3 AND L AND S THEN BRIF Cl AND C2 AND C3 AND L AND S THEN BR
1. buiten gekalfd niet verwacht 2. In gekalfd verwacht 3. voor voor tochtig niet verwacht 4. voor in tochtig verwacht 5. voor na tochtig niet verwacht 6. in tochtig verwacht 7. na voor tochtig niet verwacht 8. na in tochtig verwacht 9. na na tochtig niet verwacht 10. voor voor geïnsemineerd niet verwacht 11. voor in geïnsemineerd verwacht 12. voor na geïnsemineerd niet verwacht 13. in geïnsemineerd verwacht 14. na voor geïnsemineerd niet verwacht 15. na in geïnsemineerd verwacht 16. na na geïnsemineerd niet verwacht 17. drachtig niet verwacht 18. onbekend niet verwacht 19. onbekend verwacht 20. niet drachtig niet verwacht 21. niet drachtig verwacht1. outside calved not expected 2. in calved expected 3. before for draughty not expected 4. before in draughty expected 5. before after draughty not expected 6. in draughty expected 7. after before draughty not expected 8. after in draughty expected 9 after after drafty not expected 10. before before inseminated not expected 11. before in inseminated expected 12. before after inseminated not expected 13. in inseminated expected 14. after before inseminated not expected 15. after in inseminated expected 16. after after inseminated expected 17. pregnant not expected 18. unknown not expected 19. unknown expected 20. not pregnant not expected 21. not pregnant expected
In tabel VI geven de opengelaten posities in de kolommen aan dat de waarde voor 5 die posities niet relevant is voor BR.In Table VI, the positions left in the columns indicate that the value for those positions is not relevant to BR.
In regelblok 24 worden tenslotte lidmaatschapsfuncties ATT gevormd, volgens de IF-THEN regels die zijn getoond in tabel VII. De lidmaatschapsfuncties ATT omvatten "waar" en "niet waar" en zijn vage variabelen met een waarde tussen 0 en 1.Finally, in control block 24, membership functions ATT are formed, according to the IF-THEN rules shown in Table VII. The ATT membership features include "true" and "false" and are vague variables with a value between 0 and 1.
In de logische routine 25 worden deze vage variabelen omgezet in een logische 10 variabele door de gemiddelde-van-het-maximum methode (Mean-of-Maximum method): de uitvoer is 1 (waar) wanneer de vage variabele ATT groter is dan 0,5, zoniet dan is de uitvoer 0 (niet waar).In the logic routine 25, these fuzzy variables are converted into a logical variable by the mean-of-the-maximum method (Mean-of-Maximum method): the output is 1 (true) when the fuzzy variable ATT is greater than 0 , 5, otherwise the output is 0 (false).
1 f) 1 0^»1 f) 1 0 ^ »
Tabel VU. IF-THEN relaties van regelblok 24 18Table VU. IF-THEN relations of control block 24 18
IF DEV^j-act AND DEVadJ-temp AND DEVadj-opb AND BR THEN ATTIF DEV ^ j-act AND DEVadJ-temp AND DEVadj-op AND BR THEN ATT
1. niet verhoogd nietwaar 2. verhoogd niet verwacht niet waar 3. verhoogd verlaagd verminderd verwacht nietwaar 4. verhoogd niet verhoogd verminderd verwacht niet waar 5. verhoogd niet verhoogd laag verwacht niet waar 6. verhoogd niet verhoogd zeer laag verwacht niet waar 7. verhoogd verhoogd verminderd verwacht niet waar 8. verhoogd verhoogd verminderd verwacht waar • 9. verhoogd verhoogd laag verwacht waar 10. verhoogd verhoogd zeer laag verwacht waar 11. verhoogd hoog niet verminderd verwacht nietwaar 12. verhoogd hoog verminderd verwacht waar 13. verhoogd hoog laag verwacht waar 14. verhoogd hoog zeer laag verwacht waar 15. verhoogd zeer hoog niet verminderd verwacht nietwaar 16. verhoogd zeer hoog verminderd verwacht waar 17. verhoogd zeer hoog laag verwacht waar 18. verhoogd zeer hoog zeer laag verwacht waar 19. hoog niet verhoogd niet verwacht nietwaar 20. hoog niet verhoogd niet verminderd verwacht waar 21. hoog niet verhoogd verminderd verwacht waar 22. hoog niet verhoogd laag verwacht waar 23. hoog niet verhoogd zeer laag verwacht waar 24. hoog niet verminderd niet verwacht niet waar 25 hoog verhoogd niet verminderd verwacht waar 26. hoog verhoogd verminderd niet verwacht niet waar 27. hoog verhoogd verminderd verwacht waar 28. hoog verhoogd laag niet verwacht nietwaar 29. hoog verhoogd laag verwacht waar 30. hoog verhoogd zeer laag niet verwacht waar 31. hoog verhoogd zeer laag verwacht waar 32. hoog hoog niet verminderd verwacht waar 33. hoog hoog verminderd niet verwacht nietwaar 34. hoog hoog verminderd verwacht waar 35. hoog hoog laag niet verwacht waar 36. hoog hoog laag verwacht waar 37. hoog hoog zeer laag niet verwacht waar 38. hoog hoog zeer laag verwacht waar 39. hoog zeer hoog niet verminderd verwacht waar 40. hoog zeer hoog verminderd niet verwacht waar 41. hoog zeer hoog verminderd verwacht waar 42. hoog zeer hoog laag niet verwacht waar 43. hoog zeer hoog laag verwacht waar 44. hoog zeer hoog zeer laag niet verwacht waar 45. hoog zeer hoog zeer laag verwacht waar 46. zeer hoog niet verhoogd niet verminderd niet verwacht niet waar t ) f] | 9 η 191. not increased not true 2. increased not expected not true 3. increased decreased less expected false 4. increased not increased less expected not true 5. increased not increased low expected not true 6. increased not increased very low expected not true 7. increased increased decreased expected not true 8. increased increased decreased expected true • 9. increased increased low expected true 10. increased increased very low expected true 11. increased high not decreased expected false 12. increased high decreased expected true 13. increased high low expected true 14. increased high very low expected true 15. increased very high not reduced expected false 16. increased very high reduced expected true 17. increased very high low expected true 18. increased very high very low expected true 19. high not increased not expected false 20. high not increased not decreased expected true 21. high not increased decreased expected true 22. high not increased la Ag expected true 23. High not increased Very low expected true 24. High not decreased Not expected Not true 25 High increased Not reduced Expected where 26. High increased Decreased Not expected Not true 27. High increased Decreased expected where 28. High increased Low not expected not true 29. high increased low expected true 30. high increased very low not expected where 31. high increased very low expected true 32. high high not less expected true 33. high high reduced not expected false 34. high high reduced expected true 35 high high low not expected where 36. high high low expected where 37. high high very low not expected where 38. high high very low expected where 39. high very high not less expected where 40. high very high reduced not expected where 41 high very high reduced expected where 42. high very high low not expected where 43. high very high low expected where 44. high very high very low not expected where 45. high very high very low expected true 46. very high not increased not reduced not expected not true t) f] | 9 η 19
IF DEV.dract AND DEV^-temp AND DEVadJ-opb AND BR THEN ATTIF DEV.dract AND DEV ^ -temp AND DEVadJ-op AND BR THEN ATT
47. zeer hoog verwacht waar 48. zeer hoog niet verhoogd niet verwacht niet waar 49. zeer hoog niet verminderd niet verwacht niet waar 50. zeer hoog verhoogd verminderd niet verwacht niet waar 51. zeer hoog verhoogd laag niet verwacht waar 52. zeer hoog verhoogd zeer laag niet verwacht waar 53. zeer hoog hoog verminderd niet verwacht waar 54. zeer hoog hoog laag niet verwacht waar 55. zeer hoog hoog zeer laag niet verwacht waar 56. zeer hoog zeer hoog verminderd niet verwacht waar 57. zeer hoog zeer hoog laag niet verwacht waar 58. zeer hoog zeer hoog zeer laag niet verwacht waar47. very high expected true 48. very high not increased not expected not true 49. very high not reduced not expected not true 50. very high increased reduced not expected not true 51. very high increased low not expected where 52. very high increased very low not expected true 53. very high high reduced not expected true 54. very high high low not expected true 55. very high high very low not expected true 56. very high very high reduced not expected true 57. very high very high low not expected true 58. very high very high very low not expected true
Met het vage-logica-model dat hierboven is beschreven, werden de attenties voor bronst, die met het statistische model volgens WO 97/47187 waren gegenereerd voor een populatie koeien, geclassificeerd. In tabel VIII is voor drie 5 betrouwbaarheidsintervallen het aantal juist positieve (TP) en onjuist positieve (FP) attenties gegeven voor bronst in de populatie koeien, waarbij uitsluitend het bekende statistische model werd toegepast, zonder classificatie volgens de uitvinding. Een attentie is juist positief (TP) indien deze wordt gegenereerd rond de bronstdatum, die bekend is uit progesteron monsters aan de koe en uit waarnemingen op de boerderij.The fuzzy logic model described above classified the mating attitudes generated for a population of cows using the statistical model of WO 97/47187. Table VIII gives the number of true positive (TP) and false positive (FP) attentions for oestrus in the cow population for three confidence intervals, using only the known statistical model, without classification according to the invention. An attention is positive (TP) if it is generated around the mating date, which is known from progesterone samples on the cow and from observations on the farm.
10 Een attentie is onjuist positief (FP) indien deze wordt gegenereerd wanneer de betreffende koe niet bronstig is. Verder is de sensitiviteit gegeven door: TP/(TP+FN) en de specificiteit door: TN/ (FP+TN).10 An attention is incorrectly positive (FP) if it is generated when the cow in question is not in heat. Furthermore, the sensitivity is given by: TP / (TP + FN) and the specificity by: TN / (FP + TN).
II
2020
Tabel VIII. Attenties voor bronst gegenereerd door het bekende statistische modelTable VIII. Attentions for rutting generated by the well-known statistical model
Betrouwbaar TP attentie FP attentie Totaal Aantal Sensitiviteit Specificiteit heidsintervai gevallen van bronst 95% 199 1178 1377 135 85% 93.7% 99% 168 658 826 119 74% 96.5% 99.9% 144 384 528 110 69% 98.0%Reliable TP attention FP attention Total Number Sensitivity Specificity interval of bronzes 95% 199 1178 1377 135 85% 93.7% 99% 168 658 826 119 74% 96.5% 99.9% 144 384 528 110 69% 98.0%
In tabel IX is de classificering gegeven van de attenties voor bronst volgens tabel 5 8 met het vage-logica-systeem volgens de uitvinding. Duidelijk blijkt dat het aantal onjuist positieve attenties (FP) sterk is verlaagd. Zo is voor het 99,9% betrouwbaarheidsinterval, het aantal FP attenties 123 bij toepassing van het vage logische classificeringsmodel volgens de uitvinding, tegen 384 zonder toepassing van het vage-logica-classificeringsmodel. Verder is de specificiteit zeer hoog (hoger dan 10 99%) bij een afdoende sensitiviteit.Table IX gives the classification of the attentions for rutting according to Table 58 with the vague logic system according to the invention. It is clear that the number of false positive attentions (FP) has decreased significantly. For example, for the 99.9% confidence interval, the number of FP attentions is 123 when using the fuzzy logic classification model of the invention, compared to 384 without using the fuzzy logic classification model. Furthermore, the specificity is very high (higher than 10 99%) with adequate sensitivity.
Tabel IX. Classificatie met het vage-logica-model van de statistisch gegenereerde attenties van tabel XIIITable IX. Classification with the vague logic model of the statistically generated attentions of Table XIII
Betrouwbaar classificering TP PP totaal Aantal .sensitiviteit specificiteit heidsintervai attentie attentie gevallen van bronst 95% T 159 220 379 115 71% 99.8% F 40 958 998 totaal 199 1178 1377 99% T 152 176 328 113 70% 99.1% F 16 482 498 totaal 168 658 826 99.9% T 136 123 261 107 67% 99.3% F 6 261 267Reliable classification TP PP total Number sensitivity sensitivity specificity attention attention cases of oestrus 95% T 159 220 379 115 71% 99.8% F 40 958 998 total 199 1178 1377 99% T 152 176 328 113 70% 99.1% F 16 482 498 total 168 658 826 99.9% T 136 123 261 107 67% 99.3% F 6 261 267
Totaal 144 384 528 15Total 144 384 528 15
Figuur 9 toont het logische systeem 30 volgens de uitvinding, voor het bepalen van mastitis bij koeien, eveneens ontwikkeld met fuzzy TEC 5.12. Hierin wordt in blokken 31 en 32 de lidmaatschapsfuncties aangegeven voor de invoervariabelen bestaande uit de waargenomen geleidbaarheid van de melk, d, en de afwijking, dev van 20 deze geleidbaarheid. De afwijking wordt bepaald ten opzichte van de gemiddelde geleidbaarheid van de melk voor een bepaald dier voor een aantal opeenvolgende malen melken. Vanuit de blokken 31, 32 worden de bijbehorende N .....Figure 9 shows the logic system 30 of the invention for determining mastitis in cows also developed with fuzzy TEC 5.12. Herein, blocks 31 and 32 indicate the membership functions for the input variables consisting of the observed conductivity of the milk, d, and the deviation, dev of this conductivity. The deviation is determined with respect to the average conductivity of the milk for a given animal for a number of consecutive milking. From blocks 31, 32, the corresponding N .....
21 lidmaatschapswaarden toegevoerd aan het logische IF-THEN blok 33 voor bepaling van tussenliggende vage variabelen DEVadj. Dit wordt voor iedere kwartier van de uier van het zoogdier uitgevoerd, zodat via vier invoeren 34, 35, 36, 37 de tussenliggende variabelen DEVadj voor het linker en rechter voorste kwartier en voor het linker en 5 rechter achterste kwartier van de uier worden toegevoerd aan logische schakeling 39. In de logische schakeling 38 worden de tussenliggende vage variabelen DEVadj voor de vier kwartieren geïntegreerd tot een enkele vage waarde DEVadj int. Blok 40 wordt de geïntegreerde aangepaste vage variabele omgezet in een attentie die “waar” of “niet waar” kan zijn.21 membership values applied to the logical IF-THEN block 33 for determining intermediate fuzzy variables DEVadj. This is performed for every quarter of the udder of the mammal, so that via four inputs 34, 35, 36, 37 the intermediate variables DEVadj for the left and right front quarters and for the left and right rear quarters of the udder are supplied to logic circuit 39. In logic circuit 38, the intermediate fuzzy variables DEVadj for the four quarters are integrated into a single fuzzy value DEVadj int. Block 40 converts the integrated custom fuzzy variable into an attention that may be “true” or “false”.
10 Figuur 10a en 10b tonen de lidmaatschapsfuncties voor de invoervariabelen geleidbaarheid, d, en afwijking, dev, voor een rechter achterkwartier van een koeienuier. De lidmaatschapfiincties voor de andere kwartieren zijn gelijksoortig.Figures 10a and 10b show the membership functions for the input variables conductivity, d, and deviation, dev, for a right rear quarter of a cow's udder. The membership fictions for the other quarters are similar.
Tabel X toont het logische IF-THEN-blok 33 voor het vaststellen van de aangepaste lidmaatschapswaarde voor de afwijkingsfunctie DEVadj.Table X shows the IF-THEN logical block 33 for determining the adjusted membership value for the deviation function DEVadj.
1515
Tabel X IF-THEN relatie van logisch blok 33Table X IF-THEN relationship of logic block 33
IF DEV AND D Then DEVadJIF DEV AND D Then DEVadJ
1 niet verhoogd niet verhoogd niet verhoogd 2 niet verhoogd verhoogd niet verhoogd 3 niet verhoogd hoog niet verhoogd 4 verhoogd niet verhoogd niet verhoogd 5 verhoogd verhoogd niet verhoogd 6 verhoogd hoog verhoogd 7 hoog niet verhoogd niet verhoogd 8 hoog verhoogd niet verhoogd 9 hoog hoog hoog 10 zeer hoog niet verhoogd niet verhoogd 11 zeer hoog verhoogd verhoogd 12 zeer hoog hoog zeer hoog1 not increased not increased not increased 2 not increased increased not increased 3 not increased high not increased 4 increased not increased not increased 5 increased increased not increased 6 increased high increased 7 high not increased not increased 8 high increased not increased 9 high high high 10 very high not increased not increased 11 very high increased increased 12 very high high very high
In logisch blok 38 wordt geaggregeerd over de kwartieren door het maximum te 20 nemen.In logic block 38, it is aggregated over the quarters by taking the maximum.
In logisch blok 39 wordt de attentie geclassificeerd in “waar” en “niet waar” volgens het IF-THEN-schema van tabel Xl.In logisch blok 40 wordt de vage variabele omgezet in een logische variabele.In logic block 39, the attention is classified into “true” and “false” according to the IF-THEN scheme of table Xl. In logic block 40, the fuzzy variable is converted into a logic variable.
-'j' "i 5 1 Γ Π·-?/-'j '"i 5 1 Γ Π · -? /
Tabel XIEF-THEN relaties van logisch blok 39 22Table XIEF-THEN relations of logic block 39 22
# IF DEVadjint Then ATT# IF DEVadjint Then ATT
1 niet verhoogd niet waar 2 verhoogd niet waar 3 hoog waar 4 zeer hoog waar 5 Door toepassing van de classificatie volgens de onderhavige uitvinding kan voor attenties die bij het melken van koeien worden gegenereerd op basis van een statistische model, zoals bijvoorbeeld beschreven in W097/47187, het aantal fout-positieve (FP) attenties met een factor 20 worden gereduceerd, bijvoorbeeld van 1266 naar 64 bij een gelijkblijvende sensitiviteit. Hierbij bedroeg de specificiteit van het 10 vage-logica-model 99,75%.1 not increased false 2 increased false 3 high true 4 very high true 5 By applying the classification according to the present invention, attentions generated when milking cows can be based on a statistical model, such as described in W097 / 47187, the number of false positive (FP) attentions will be reduced by a factor of 20, for example from 1266 to 64 with the same sensitivity. The specificity of the vague logic model was 99.75%.
10 131? 0¾10 131? 0¾
Claims (12)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| NL1015120A NL1015120C2 (en) | 2000-05-04 | 2000-05-04 | Stasticcal analysis of cow characteristics using fuzzy logic to detect oestrum and mastitis with high sensitivity and few false positives |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| NL1015120A NL1015120C2 (en) | 2000-05-04 | 2000-05-04 | Stasticcal analysis of cow characteristics using fuzzy logic to detect oestrum and mastitis with high sensitivity and few false positives |
| NL1015120 | 2000-05-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| NL1015120C2 true NL1015120C2 (en) | 2001-11-06 |
Family
ID=19771328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| NL1015120A NL1015120C2 (en) | 2000-05-04 | 2000-05-04 | Stasticcal analysis of cow characteristics using fuzzy logic to detect oestrum and mastitis with high sensitivity and few false positives |
Country Status (1)
| Country | Link |
|---|---|
| NL (1) | NL1015120C2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200041448A1 (en) * | 2018-10-10 | 2020-02-06 | Amir Pourjafar | Controlling sub-acute ruminal acidosis in a dairy cow |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5152246A (en) * | 1990-06-30 | 1992-10-06 | Arion Machinery Co., Ltd. | Method of monitoring milking |
| US5351644A (en) * | 1993-02-25 | 1994-10-04 | Cornell Research Foundation | Method of bovine herd management |
| NL9400527A (en) * | 1994-04-05 | 1995-11-01 | Nedap Nv | Device for the automatic analysis of animal data |
| WO1997047187A1 (en) | 1996-06-14 | 1997-12-18 | Alfa Laval Agri Ab | A system and a method for monitoring the physical condition of a herd of livestock |
-
2000
- 2000-05-04 NL NL1015120A patent/NL1015120C2/en not_active IP Right Cessation
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5152246A (en) * | 1990-06-30 | 1992-10-06 | Arion Machinery Co., Ltd. | Method of monitoring milking |
| US5351644A (en) * | 1993-02-25 | 1994-10-04 | Cornell Research Foundation | Method of bovine herd management |
| US5351644B1 (en) * | 1993-02-25 | 2000-04-18 | Cornell Res Foundation Inc | Method of bovine herd management |
| NL9400527A (en) * | 1994-04-05 | 1995-11-01 | Nedap Nv | Device for the automatic analysis of animal data |
| WO1997047187A1 (en) | 1996-06-14 | 1997-12-18 | Alfa Laval Agri Ab | A system and a method for monitoring the physical condition of a herd of livestock |
Non-Patent Citations (1)
| Title |
|---|
| DELUYKER H A ET AL: "MODELING DAILY MILK YIELD IN HOLSTEIN COWS USING TIME SERIES ANALYSIS", JOURNAL OF DAIRY SCIENCE,US,AMERICAN DAIRY SCIENCE ASSOCIATION. CHAMPAIGN, ILLINOIS, vol. 73, no. 2, 1990, pages 539 - 548, XP000577075, ISSN: 0022-0302 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200041448A1 (en) * | 2018-10-10 | 2020-02-06 | Amir Pourjafar | Controlling sub-acute ruminal acidosis in a dairy cow |
| US11723386B2 (en) * | 2018-10-10 | 2023-08-15 | Amir Pourjafar | Controlling sub-acute ruminal acidosis in a dairy cow |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Steensels et al. | A decision-tree model to detect post-calving diseases based on rumination, activity, milk yield, BW and voluntary visits to the milking robot | |
| Sørensen et al. | Monitoring individual cow udder health in automated milking systems using online somatic cell counts | |
| Mugnier et al. | Birth weight as a risk factor for neonatal mortality: Breed-specific approach to identify at-risk puppies | |
| Hovinen et al. | Invited review: Udder health of dairy cows in automatic milking | |
| Van Hertem et al. | Automatic lameness detection based on consecutive 3D-video recordings | |
| Steeneveld et al. | Discriminating between true-positive and false-positive clinical mastitis alerts from automatic milking systems | |
| Rutten et al. | Invited review: Sensors to support health management on dairy farms | |
| Cavero et al. | Mastitis detection in dairy cows by application of fuzzy logic | |
| EP0903980B1 (en) | A system and a method for monitoring the physical condition of a herd of livestock | |
| Eckelkamp et al. | On-farm use of disease alerts generated by precision dairy technology | |
| JP6630906B1 (en) | Information providing apparatus, information providing method, and information providing program | |
| Kamphuis et al. | Using sensor data patterns from an automatic milking system to develop predictive variables for classifying clinical mastitis and abnormal milk | |
| Lukas et al. | Bulk tank somatic cell counts analyzed by statistical process control tools to identify and monitor subclinical mastitis incidence | |
| Kamphuis et al. | Field validation of protocols developed to evaluate in-line mastitis detection systems | |
| Borghart et al. | Prediction of lameness using automatically recorded activity, behavior and production data in post-parturient Irish dairy cows | |
| EP2131647B1 (en) | Method for collecting milk in a milk tank, milking system and computer program products | |
| Cavero et al. | Analysing serial data for mastitis detection by means of local regression | |
| González-García et al. | Measuring liveweight changes in lactating dairy ewes with an automated walk-over-weighing system | |
| Riggio et al. | Genetic selection for reduced somatic cell counts in sheep milk: A review | |
| Inzaghi et al. | Changes in electrical conductivity, milk production rate and milk flow rate prior to clinical mastitis confirmation | |
| Dittrich et al. | Estimating risk probabilities for sickness from behavioural patterns to identify health challenges in dairy cows with multivariate cumulative sum control charts | |
| WO2005070326A1 (en) | System and process for determining whether an animal is in oestrus | |
| NL1015120C2 (en) | Stasticcal analysis of cow characteristics using fuzzy logic to detect oestrum and mastitis with high sensitivity and few false positives | |
| Balhara et al. | Data mining and decision support systems for efficient dairy production | |
| US20050217587A1 (en) | Device for and a method of detecting a disease of the udder of an animal |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PD2B | A search report has been drawn up | ||
| SD | Assignments of patents |
Owner name: ASG VEEHOUDERIJ B.V. Effective date: 20060906 |
|
| SD | Assignments of patents |
Owner name: STICHTING DIENST LANDBOUWKUNDIG ONDERZOEK Effective date: 20091228 |
|
| V1 | Lapsed because of non-payment of the annual fee |
Effective date: 20121201 |