Weideverhalten Kühe

© HBLFA Raumberg-Gumpenstein

P4Heat

Allgemeine Projektinformationen

Titel (deutsch)

Beurteilung von Brunsterkennungssystemen mittel Milchprogesteron-Untersuchung

Abstract (englisch)

Heat detection is carried out visually, ever since. In practice, this means the necessity to have a possibly gapless and permanent observation in the theoretical heat time for a successful insemination of the animal. More and more manufacturers try to represent this observation by means of software in combination with different sensors and – by this – to support the farmer in carrying out this task himself.
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.

Schlagwörter (deutsch)

Brunsterkennung, Tiergesundheit, Sensor, Digitalisierung, Progesteron, P4

Projektleitung

Gregor Huber

Forschungseinrichtung

LFZ Raumberg-Gumpenstein

Finanzierungspartner

Bundesministerium für Nachhaltigkeit und Tourismus
Bundesministerium für Landwirtschaft, Regionen und Tourismus

Projektnummer

101325

Projektlaufzeit

-

Projektziele

Die Brunsterkennung wird seit jeher visuell durchgeführt. Praktisch bedeutet das, dass eine möglichst lückenlose und permanente Beobachtung im theoretischen Brunstfenster notwendig ist um das Tier erfolgreich zu besamen. Diese Beobachtungsaufgabe versuchen immer mehr Hersteller durch Softwareprogramme in Kombination mit unterschiedlichen Sensoren darzustellen, und den Landwirt dadurch zu unterstützen beziehungsweise diese Aufgabe selbstständig durchzuführen.
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

Brunsterkennungssysteme helfen Brunstereignisse besser zu erkennen. Die visuelle Erkennungsrate beträgt maximal 65%. Der Zuchtfortschritt führt dazu, dass die durchschnittliche Dauer des Duldungsreflexes abnimmt und sich der Anteil der Tiere, welche in der Brunst einen Duldungsreflex zeigen, deutlich reduziert ist. Eine übersehene Brunst wird in der Literatur mit 40 – 85 € beziffert. Aktuell gibt es wenig bis keine Untersuchungen über die Sensitivität und Spezifität der Brunsterkennungssysteme am Markt. Mit den Ergebnissen aus dem Projekt können die Systeme in Hinblick auf die Brunsterkennungsrate und das richtige Erkennen der Zwischenbrunstperiode bewertet werden.

Berichte

Abschlussbericht

Moderne Brunsterkennungssysteme erzielen eine Brunsterkennungsrate von bis zu über 90 %. Auch Zwischenbrunstperioden werden vom Großteil der Systeme richtig erkannt, sodass Fehlalarme nur in Ausnahmefällen auftreten. Viele dieser Verfahren überwachen darüber hinaus auch den Gesundheitszustand der Tiere. In diesem Projekt wurden vier Brunsterkennungssystem der Hersteller SCR Allflex mit dem Produkt Heatime, Nedap mit dem Produkt Smarttag Neck, Smartbow sowie Smaxtec untersucht.

Anhänge

Dateiname

Abschlussbericht_101325.pdf

Beschreibung

Im Wesentlichen geht es am Milchviehbetrieb um das Erkennen von bedeutenden Ereignissen wie etwa der Brunst oder auch der Abkalbung sowie um das Überwachen der Tiergesundheit. Die visuelle Tierbeobachtung war in der Vergangenheit bislang die einzige Möglichkeit, um physiologische und pathologische Vorgänge zu erkennen. Im vorliegenden Abschlussbericht wurden digitale Systeme auf deren Eigenschaft in der Brunsterkennung untersucht. Wenngleich dieselben Systeme auf mehreren Betrieben eingesetzt wurden, gab es unterschiedliche Brunsterkennungsraten. Worauf diese betriebsindividuellen Erkennungsraten zurückzuführen sind sollte man in einem weiterführenden Projekt bearbeiten. Haltungsformen und Management spielen dabei eine wesentliche Rolle. Da diese Systeme auch in der Lage sind Gesundheitsparameter zu überwachen und Abklabemeldungen automatisch zu generieren ist es sinnvoll diese Parameter in einer weiteren Studie zu analysieren um das Gesamtpaket eines jeden System zu bewerten und daraus für den Anwender den besten Nutzten zu generieren.

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