
© HBLFA Raumberg-Gumpenstein
P4Heat: Beurteilung von Brunsterkennungssystemen mittel Milchprogesteron-Untersuchung
Projektleitung
Gregor Huber
Forschungseinrichtung
LFZ Raumberg-Gumpenstein
Projektnummer
101325Projektlaufzeit
-
Finanzierungspartner
Bundesministerium für Nachhaltigkeit und Tourismus| Bundesministerium für Landwirtschaft, Regionen und Tourismus
Allgemeine Projektinformationen
Schlagwörter (deutsch)
Brunsterkennung, Tiergesundheit, Sensor, Digitalisierung, Progesteron, P4
Titel, Abstract, Schlagwörter (englisch)
Abstract (englisch)
This project, therefore, is to assess the on market available and utilised heat detection systems by means of progestogen-tests in the milk in terms of their sensitivity and specificity. It should deliver a basis of decision-making for farmers to enable them to an objective buying decision.
Aim of the project is to acquire as many heat incidences or oestrus cycles, respectively, as possible, by means of progestogen-tests in the milk. The minimum number of oestrus cycles per heat detection system is 20 incidences. The routine organisation of a gapless progestogen-test facilitates the evaluation of future software improvements and new heat detection systems in a relatively quick and standardised way on farm. For manufacturers these working routines are quality assurance programs for their systems.
Projektziele
Dieses Projekt soll dazu dienen, die am Markt verfügbaren und eingesetzten Brunsterkennungssysteme mittels Progesteron-Untersuchung in der Milch auf die Sensitivität und Spezifität zu beurteilen.
Dieses Projekt soll die Entscheidungsgrundlage für Landwirte darstellen, um eine objektive Kaufentscheidung treffen zu können.
Ziel des Projektes ist es, möglichst viele Brunstereignisse respektive Brustzyklen mittels Progesteron-Untersuchung in der Milch zu erfassen. Eine Mindestanzahl von Brunstzyklen je Brunsterkennungssystem liegt bei 20 Ereignissen. Mit dem Erstellen einer Organisationsroutine in der lückenlosen Progesteron-Untersuchung, auf einem Praxisbetrieb ist es möglich, zukünftige Softwareverbesserungen beziehungsweise neue Brunsterkennungssystem relativ rasch und standardisiert zu bewerten. Hersteller sehen diese Arbeitsroutinen als Qualitätssicherungsprogramm für Ihre Systeme.
Praxisrelevanz
Berichte
Kurzfassung
Berichtsdateien
Abstract (deutsch)
Moderne Systeme machen mit einer Brunsterkennungsrate von bis zu über 90 % auf sich aufmerksam. Auch Zwischenbrunstperioden werden vom Großteil der Systeme richtig erkannt, sodass Fehlalarme nur in Ausnahmefällen auftreten. Viele überwachen gleichzeitig auch den Gesundheitszustand. In diesem Projekt wurden vier Brunsterkennungssystem der Hersteller SCR Allflex mit dem Produkt Heatime, Nedap mit dem Produkt Smarttag Neck, Smartbow und Smaxtec untersucht. Insgesamt wurde Heatime an 59 und Nedap an 40 Brunstereignissen getestet. Die Systeme erreichen eine mittlere Brunsterkennungsrate von 83 % bzw. 88 %. Der Anteil an Falschmeldungen beschränkt sich bei Heatime auf 2 % und bei Nedap auf 5 %. Bei Smartbow und Smaxtec wurde die weiterentwickelte Mustererkennung im zweiten Durchgang an 32 bzw. 31 Brunstereignissen getestet. Die Systeme erreichten dabei eine mittlere Brunsterkennungsrate von 88 % bzw. 81 %. Die Falschmeldungen beschränkten sich bei Smartbow auf 7 %. Keine Falschmeldungen hingegen gab es bei Smaxtec. Brunsterkennungssysteme besitzen das Potenzial, Brunstereignisse wesentlich besser zu erkennen als mit der visuellen Beobachtung. Den Systemmeldungen kann durchaus vertraut werden, sodass bei deutlich reduziertem Aufwand für die Tierbeobachtung sehr gute Fruchtbarkeitsleistungen erreicht werden. Soll die sensorbasierte Brunsterkennung erfolgreich eingeführt werden, muss dem Betriebsführer klar sein, dass sich die Arbeit vom Stall zunehmend ins Büro verlagert. Insbesondere für Betriebe mit knappen Arbeitszeitressourcen und für Nebenerwerbsbetriebe bilden sie eine mögliche Alternative zur visuellen Tierbeobachtung.
Abstract (englisch)
Modern systems reach a heat detection rate of more than 90 %. In addition, the intermediate heat periods are realised by the majority of the systems, so that false alarms are exceptions, only. Many systems control the state of health, simultaneously. In this project, four heat detection systems of the manufacturers SCR Allflex with the product Heatime, Nedap with the products Smarttag Neck, Smartbow and Smaxtec were examined. In total, Heatime was tested at 59 and Nedap at 40 heat incidences. The systems achieved a mean heat identification rate of 83 % and 88 %. The percentage of false notifications was limited at 2 % with Heatime and 5 % with Nedap. In the second trail, the refined pattern recognition was tested at 32 and 31 heat incidences with Smartbow and Smaxtec. The systems thereby attain a mean heat detection rate of 88 % and 81 %, respectively. At Smartbox, the false notifications found their limit at 7 %. Contrarily, there were no false alarms with Smaxtec. Heat detection systems have the potential to realise heat essentially better than visual observation. The messages of the system can be trusted, so that even with clearly reduced effort in visual observation, good fertility performances can be achieved. If a sensor-based heat detection is supposed to be introduced successfully, it should be clear to the farmer that his working place changes from animal housings to the office, increasingly. Especially for farms with scarce working time resources and for small dairy farms these systems make a possible option to visual animal observation.
Autor/innen
Gregor Huber, Isabella Zamberger, Mag. Elisabeth Finotti