
Computer vision voor dierenwelzijn: wat het kan betekenen – en wat niet
4 juni 2025
Dierwetenschapper en onderzoeker big data Claudia Kamphuis studeerde in 2004 af aan Wageningen Universiteit en promoveerde vervolgens op haar onderzoek naar het gebruik van sensordata en machine learning voor automatische detectie van mastitis (uierontsteking) bij melkkoeien. Hoe kijkt zij na 20 jaar naar het gebruik van computer vision, big data en AI bij het houden en fokken van landbouwhuisdieren? Is er vooruitgang geboekt? Wat kan vision technologie voor dierwelzijn betekenen en wat juist niet?
3 Belangrijke toepassingen van vision-technologie in de moderne veehouderij
Wat mij betreft zijn het gebruik en de potentie van vision technologieën bij het houden en vooral managen van landbouwhuisdieren in drie hoofdthema’s te verdelen. Allereerst kun je met vision – camera’s en sensoren – dieren detecteren, identificeren en volgen. Zowel individuele dieren als groepen dieren, binnen en buiten, op het land en in het water, en daar managementacties op zetten. Als je bijvoorbeeld detecteert dat pluimvee op een kluitje zit, dan hebben die dieren het koud. Ik denk dat vision heel veel potentie heeft om dieren individueel te volgen door de tijd en de ruimte. De heilige graal voor vision is echter het identificeren van de dieren (niet het detecteren). Hebben we dát voor elkaar, dan zal vision echt van start gaan.
Het tweede aspect is het bepalen van gedragingen. Enerzijds gedragingen die je met vision beter kunt bepalen dan met bestaande technieken, zoals loopgedrag en sociale interactie. Denk hierbij aan een melkkoe die (te) lang aan het voerhek staat of te lang in een box ligt. Vision voegt een component toe die met radiofrequentie identificatie (RFID) en stappentellers niet mogelijk is. Een bijkomend voordeel van vision is dat de techniek non-invasief is en onafhankelijk van batterijduur. Een ander voorbeeld is dat van mijn collega Jan Erik Doornweerd die vision gebruikt voor het beoordelen van de beweging van vleeskuikens.

Het derde thema is wat mij betreft vision inzitten om processen efficiënter te laten verlopen of te automatiseren. Zo gaat het inschatten van het gewicht van vissen met vision inmiddels sneller, nauwkeuriger en diervriendelijker dan het traditioneel wegen van (individuele) vissen. Ook kan vision helpen bepalen of dieren een chromosoom te weinig of te veel hebben. Die bepaling is cruciaal voor fokkerijdoeleinden omdat dieren met chromosomale afwijkingen onvruchtbaar kunnen zijn, of ziek. Die wil je niet in je fokkerijpopulatie hebben.
24/7 Dierenwelzijn: de kracht van always-on vision-technologie
De belangrijkste pre van vision technologie is dat het in de meeste gevallen continu kan detecteren en meten en zo kan bijdragen aan het continu monitoren van gedragingen die als belangrijk worden beschouwd voor een dierwaardige veehouderij. Menselijke observaties leveren vaak momentopnames op en andere sensoren leveren afgeleide informatie op basis waarvan een veehouder of een onderzoeker niet altijd een juiste conclusie kan trekken.
Het grote verschil zit hem in het feit dat ik denk, verwacht, dat we met beeldverwerking veel nauwkeuriger kunnen meten, veel dichterbij kunnen komen dan met de huidige sensoren. We kunnen de dingen beter doen. Tocht niet herkennen door een toename in activiteit, maar doordat we zien welke koe springt en welke koe blijft staan. Kreupelheid bij een koe niet herkennen door een daling in activiteit. Maar doordat we kunnen zien dat de rug kromt, dat de kop op en neer gaat, dat haar patroon van het opstaan anders wordt. Dat we hittestress bij pluimvee niet meten door een enkele THI waarde, maar ook dat we zien dat kippen languit gaan liggen. Dáár ligt denk ik de meerwaarde van vision. Detectie met vision technologie is denk ik veel betrouwbaarder mogelijk dan met andere sensoren maar dat moet nog wel bewezen worden.
Uitdagingen van vision-systemen in de veehouderij: wat houdt ons (nog) tegen?
Als ik terugkijk op de afgelopen 20 jaar, dan moet ik eerlijk zeggen dat ik ook wel kritisch ben ten aanzien van de opmars van vision, sensordata en machine learning. In 2007 nam ik deel aan mijn eerste congres over precisieveehouderij en bepaalde aspecten zijn sindsdien niet wezenlijk veranderd of verbeterd. Zo werken sensoren voor de detectie van mastitis nog altijd niet 100 procent en zijn er nog te veel vals positieve attenties. Waarbij er uiteindelijk niets mis is met het dier. Ook het economische aspect wordt nog vaak achterwege gelaten. Dure technologie wordt ontwikkeld maar wat levert het nu echt op? Diezelfde uitdagingen zijn er ook voor computer vision waarbij we nog een grotere uitdaging hebben om die beeldverwerking te laten werken in de uitdagende praktische omstandigheden. En te maken hebben met van nature nieuwsgierige dieren – zeker varkens – die sensoren kapotmaken.
Wel ben ik van mening en ervan overtuigd dat vision mens en maatschappij gaat helpen om een dierwaardig bestaan van landbouwhuisdieren beter en objectiever in beeld te brengen en daarop te managen. Met name dankzij het continue en non-invasieve karakter van vision technologieën. Het zou toch fantastisch zijn als je als (melk) veehouder een seintje krijgt zodra bij jouw grazende dieren hittestress op de loer ligt? Of wanneer een drone jou als schapenhouder alarmeert als een wolf of ander roofdier de kudde bedreigt? Misschien kan die drone die wolf dan tegelijkertijd verjagen met een geluids- of lichtsignaal.
