RESUMO
Production losses due to lack of precision in detecting estrus in dairy cows are well known and reported in milk production countries. Nowadays automatic estrus detection has become possible as a result of technical progress in continuously monitoring dairy cows using fuzzy pertinence functions. Dairy cow estrus is usually visually detected; however, solely use of visual detection is considered inefficient. Many studies have been carried out to develop an effective model to interpret the occurrence of estrus and detect estrus; however, most models present too many false-positive alerts and because of this they are sometimes considered unreliable. The objective of this research was to construct a system based on fuzzy inference functions evaluated with a receiver-operating characteristic curve, capable of efficiently detect estrus in dairy cows. For the input data the system combined previous estrus cases information and prostaglandin application with the data of cow activities. The system outputs were organized in three categories: 'in estrus', 'maybe in estrus" and 'not in estrus'. The system validation was carried out in a commercial dairy farm using a herd of 350 lactating cows. The performance of the test was measured by calculating its sensitivity towards the right estrus detection; and its specificity towards the precision of the detection. Within a six months period of tests, over 25 thousands cases of estrus were analyzed from a database of the commercial farm. The sensitivity found was 84.2%, indicating that the system can detect estrus efficiently and it may improve automatic estrus detection.
Perdas na produção leiteiras devido às falhas de detecção do estro são bem conhecidas e relatadas em vários paises. Atualmente a automação na detecção do estro, tem sido possível, devido aos avanços tecnológicos na contínua monitoração de vacas leiteiras e utilização de modelos fuzzy. O estro em vacas de leite é normalmente detectado visualmente, um método considerado ineficiente. Alguns estudos têm sido desenvolvidos com o intuito de se obter modelos efetivos para interpretar a ocorrência e detecção do estro, contudo, muitos modelos apresentam alertas falsos positivos, sendo muitas vezes considerados falhos. Construiu-se um sistema baseado nas funções de inferência fuzzy capaz de detectar eficientemente o estro de vacas de leite, avaliando seu desempenho com curvas ROC (Receiver-Operating Characteristic). Os dados de entrada do sistema combinaram informações de casos prévios de estro, aplicações de prostaglandina com dados das atividades das vacas. As saídas do sistema foram organizadas em três categorias: "em estro", "talvez em estro" e "sem estro". A validação do sistema foi realizada em uma granja leiteira comercial utilizando um rebanho de 350 vacas em lactação. O desempenho do teste foi avaliado calculando a sensibilidade na detecção correta de estro; e sua especificidade através da precisão da detecção. O teste teve uma duração de seis meses, sendo analisados mais de 25 mil casos de estro da base de dados da granja. A sensibilidade obtida foi de 84,2%, indicando que o sistema pode detectar eficientemente o estro melhorando a detecção automática em vacas leiteiras.
RESUMO
Production losses due to lack of precision in detecting estrus in dairy cows are well known and reported in milk production countries. Nowadays automatic estrus detection has become possible as a result of technical progress in continuously monitoring dairy cows using fuzzy pertinence functions. Dairy cow estrus is usually visually detected; however, solely use of visual detection is considered inefficient. Many studies have been carried out to develop an effective model to interpret the occurrence of estrus and detect estrus; however, most models present too many false-positive alerts and because of this they are sometimes considered unreliable. The objective of this research was to construct a system based on fuzzy inference functions evaluated with a receiver-operating characteristic curve, capable of efficiently detect estrus in dairy cows. For the input data the system combined previous estrus cases information and prostaglandin application with the data of cow activities. The system outputs were organized in three categories: 'in estrus', 'maybe in estrus" and 'not in estrus'. The system validation was carried out in a commercial dairy farm using a herd of 350 lactating cows. The performance of the test was measured by calculating its sensitivity towards the right estrus detection; and its specificity towards the precision of the detection. Within a six months period of tests, over 25 thousands cases of estrus were analyzed from a database of the commercial farm. The sensitivity found was 84.2%, indicating that the system can detect estrus efficiently and it may improve automatic estrus detection.
Perdas na produção leiteiras devido às falhas de detecção do estro são bem conhecidas e relatadas em vários paises. Atualmente a automação na detecção do estro, tem sido possível, devido aos avanços tecnológicos na contínua monitoração de vacas leiteiras e utilização de modelos fuzzy. O estro em vacas de leite é normalmente detectado visualmente, um método considerado ineficiente. Alguns estudos têm sido desenvolvidos com o intuito de se obter modelos efetivos para interpretar a ocorrência e detecção do estro, contudo, muitos modelos apresentam alertas falsos positivos, sendo muitas vezes considerados falhos. Construiu-se um sistema baseado nas funções de inferência fuzzy capaz de detectar eficientemente o estro de vacas de leite, avaliando seu desempenho com curvas ROC (Receiver-Operating Characteristic). Os dados de entrada do sistema combinaram informações de casos prévios de estro, aplicações de prostaglandina com dados das atividades das vacas. As saídas do sistema foram organizadas em três categorias: "em estro", "talvez em estro" e "sem estro". A validação do sistema foi realizada em uma granja leiteira comercial utilizando um rebanho de 350 vacas em lactação. O desempenho do teste foi avaliado calculando a sensibilidade na detecção correta de estro; e sua especificidade através da precisão da detecção. O teste teve uma duração de seis meses, sendo analisados mais de 25 mil casos de estro da base de dados da granja. A sensibilidade obtida foi de 84,2%, indicando que o sistema pode detectar eficientemente o estro melhorando a detecção automática em vacas leiteiras.
RESUMO
Brazil is the sixth worlds larger milk producer, increasing its production at an annual rate of 4% above other producer countries. Part of this raise in milk production was due to the use of several technologies that have being developed for the sector, mainly those related to genetics and herd management. Accurate estrus detection in dairy cows is a limiting factor in the reproduction efficiency of dairy cattle, and it has been considered the most important deficiency in the field of reproduction. Failing to detect estrus efficiently may cause losses for the producer. Quantitative predictive methods based on historical data and specialist knowledge may allow, from an organized data base, the prediction of estrus pattern with lower error. This research compared the precision of the estrus prediction techniques for freestall confined Holstein dairy cows using quantitative predictive methods, through the interpolation of intermediate points of historical herd data set. A base of rules was formulated and the values of weight for each statement is within the interval of 0 to 1; and these limits were used to generate a function of pertinence fuzzy that had as output the estrus prediction. In the following stage Data mining technique was applied using the parameters of movement rate, milk production, days of lactation and mounting behavior, and a decision tree was built for analyzing the most significant parameters for predicting estrus in dairy cows. The results indicate that the prediction of estrus incidence may be achieved either using the association of cows movement (87%, with estimated error of 4%) or the observation of mounting behavior (78%, with estimated error of 11%).
O Brasil é o sexto maior produtor de leite do mundo, sendo que essa produção cresce a uma taxa anual 4% superior aos demais países produtores. Parte desse aumento na produção de leite deve-se ao uso de diversas tecnologias desenvolvidas para o setor, principalmente, aquelas relacionadas à genética e ao manejo do rebanho. A detecção acurada do cio em vacas é um fator limitante na eficiência reprodutiva do rebanho leiteiro, sendo considerada uma das principais deficiências na reprodução bovina. Falha na identificação do estro com eficiência ocasiona perdas para o produtor. Métodos quantitativos preditivos, baseados em dados históricos e conhecimento especialista, permitem, a partir de uma base de dados organizada, a predição de padrões com baixa percentagem de erro. Este trabalho comparou a precisão das técnicas de estimativa de estro para vacas da raça Holandesa alojadas em galpão freestall, utilizando métodos quantitativos preditivos, por meio da interposição dos pontos intermediários provenientes de série histórica do rebanho. Uma base de regras foi formulada sendo que os valores dos pesos de cada afirmação pertencem a um intervalo de zero a um, e esses limites foram utilizados para gerar a função de pertinência Fuzzy, cuja saída era a predição de estro. Na etapa seguinte, foi aplicada a técnica de Data mining utilizando os parâmetros de movimentação, produção de leite, dias de lactação e comportamento de monta, sendo gerada uma árvore de decisão para analisar os parâmetros mais significativos na previsão de estro em vacas leiteiras. Os resultados indicaram que a presença de estro pode ser detectada com maior precisão usando a observação de movimentação das vacas (87%, erro estimado 4%) ou o comportamento de monta (78%, erro estimado 11%).
RESUMO
Brazil is the sixth worlds larger milk producer, increasing its production at an annual rate of 4% above other producer countries. Part of this raise in milk production was due to the use of several technologies that have being developed for the sector, mainly those related to genetics and herd management. Accurate estrus detection in dairy cows is a limiting factor in the reproduction efficiency of dairy cattle, and it has been considered the most important deficiency in the field of reproduction. Failing to detect estrus efficiently may cause losses for the producer. Quantitative predictive methods based on historical data and specialist knowledge may allow, from an organized data base, the prediction of estrus pattern with lower error. This research compared the precision of the estrus prediction techniques for freestall confined Holstein dairy cows using quantitative predictive methods, through the interpolation of intermediate points of historical herd data set. A base of rules was formulated and the values of weight for each statement is within the interval of 0 to 1; and these limits were used to generate a function of pertinence fuzzy that had as output the estrus prediction. In the following stage Data mining technique was applied using the parameters of movement rate, milk production, days of lactation and mounting behavior, and a decision tree was built for analyzing the most significant parameters for predicting estrus in dairy cows. The results indicate that the prediction of estrus incidence may be achieved either using the association of cows movement (87%, with estimated error of 4%) or the observation of mounting behavior (78%, with estimated error of 11%).
O Brasil é o sexto maior produtor de leite do mundo, sendo que essa produção cresce a uma taxa anual 4% superior aos demais países produtores. Parte desse aumento na produção de leite deve-se ao uso de diversas tecnologias desenvolvidas para o setor, principalmente, aquelas relacionadas à genética e ao manejo do rebanho. A detecção acurada do cio em vacas é um fator limitante na eficiência reprodutiva do rebanho leiteiro, sendo considerada uma das principais deficiências na reprodução bovina. Falha na identificação do estro com eficiência ocasiona perdas para o produtor. Métodos quantitativos preditivos, baseados em dados históricos e conhecimento especialista, permitem, a partir de uma base de dados organizada, a predição de padrões com baixa percentagem de erro. Este trabalho comparou a precisão das técnicas de estimativa de estro para vacas da raça Holandesa alojadas em galpão freestall, utilizando métodos quantitativos preditivos, por meio da interposição dos pontos intermediários provenientes de série histórica do rebanho. Uma base de regras foi formulada sendo que os valores dos pesos de cada afirmação pertencem a um intervalo de zero a um, e esses limites foram utilizados para gerar a função de pertinência Fuzzy, cuja saída era a predição de estro. Na etapa seguinte, foi aplicada a técnica de Data mining utilizando os parâmetros de movimentação, produção de leite, dias de lactação e comportamento de monta, sendo gerada uma árvore de decisão para analisar os parâmetros mais significativos na previsão de estro em vacas leiteiras. Os resultados indicaram que a presença de estro pode ser detectada com maior precisão usando a observação de movimentação das vacas (87%, erro estimado 4%) ou o comportamento de monta (78%, erro estimado 11%).