TECHNIKA ROLNICZA OGRODNICZA LEŒNA 4/2008 dr in¿.Aleksander JÊDRUŒ, mgr in¿. Pawe³ NI¯EWSKI,
prof. dr hab. in¿. Marian LIPIÑSKI, prof. dr hab. in¿. Piotr BONIECKI Instytut In¿ynierii Rolniczej, Uniwersytet Przyrodniczy w Poznaniu
Streszczenie
Sztuczne sieci neuronowe s¹ narzêdziem coraz czêœciej wykorzystywanym w poznawaniu z³o¿onych procesów biologicznych. Celem pracy by³o wykorzystanie zalet sztucznych sieci neuronowych do oceny wp³ywu sposobu doju oraz wybranych cech zootechnicznych krów na liczbê komórek somatycznych w mleku.
NEURONOWA ANALIZA WP£YWU SPOSOBU DOJU
I WYBRANYCH CECH ZOOTECHNICZNYCH
KRÓW NA LICZBÊ KOMÓREK SOMATYCZNYCH
W MLEKU
Wprowadzenie
Procesy biologiczne charakteryzuj¹ siê du¿¹ z³o¿onoœci¹ i nieliniowoœci¹ oraz trudnymi do okreœlenia wspó³zale¿no-œciami pomiêdzy czynnikami wp³ywaj¹cymi na ich przebieg. Ma to istotne znaczenie dla dok³adnego ich poznania. Jednym z narzêdzi pomocnych w rozwi¹zaniu omawianych problemów s¹ ( ztuczne ieci euronowe) [9]. SSN s¹ narzêdziem od dawna z powodzeniem wykorzystywanym do wspomagania modelowania oraz poznawania procesów zachodz¹cych w sze-roko pojêtej in¿ynierii rolniczej [1, 2, 7, 12]. Kr¹g ich potencjalnych zastosowañ ca³y czas poszerza siê. Jest to mo¿li-we dziêki ich podstawomo¿li-wej w³aœciwoœci, jak¹ jest wykorzysty-wanie procesu uczenia, realizowanego na podstawie posiadanych danych. Drug¹ wa¿n¹ zalet¹ SSN jest rozproszony charakter przetwarzania informacji i wynikaj¹ca z niego odpornoœæ na uszkodzone i zaszumiane dane, co czêsto zdarza siê w przypadku danych empirycznych [16].
W gospodarstwach u¿ytkuj¹cych krowy mleczne, najpo-wszechniejszym sposobem maszynowego pozyskiwania mleka jest dój z zastosowaniem pulsacji przemiennej i rzadziej równoczesnej, gdzie parametry pracy pulsatora s¹ niezmienne w czasie doju. S¹ to dzia³ania nieodpowiadaj¹ce fizjologii oddawania mleka przez poszczególne æwiartki wymienia krowy, gdy¿ ró¿ni¹ siê one miêdzy sob¹ zarówno co do iloœci produkowanego mleka, jak i szybkoœci jego wydajania [10]. Prowadzi to do powstawania w czasie doju zjawiska pustodojów gruczo³ów mlekowych, bardzo szkodliwych dla delikatnych tkanek strzyków [13]. Nie stwierdzono jednak jednoznacznie wp³ywu tego zjawiska na zwiêkszanie liczby komórek somatycznych w mleku [11, 17].
Pulsacja æwiartkowa spotykana jest w oborach bardzo rzadko, gdy¿ jedynym produkowanym seryjnie pe³nym æwiartkowym systemem udojowym jest najnowszy robot udojowy holenderskiej firmy Lely Industries NV - „Astronaut A3” [19]. Znaczne osi¹gniêcia w budowie æwiartkowego aparatu udojowego posiada równie¿ Instytut In¿ynierii Rolniczej Uniwersytetu Przyrodniczego w Poznaniu, gdzie nowe urz¹dzenie przygotowywane jest ju¿ do upowsze-chnienia w oborach mlecznych [7].
Analiza wp³ywu systemu pulsacji (sposobu doju) na liczbê komórek somatycznych w mleku jest w literaturze praktycznie nieobecna. Bezpoœrednio problem ten sygnalizuje Spencer [15], który podaje, ¿e nie stwierdzono jednoznacznie wp³ywu systemu pulsacji przemiennej (2x2) i równoczesnej (4x0) na ryzyko powstania mastitis (zapaleñ gruczo³u mlekowego).
SSN S S N
Z kolei Jêdruœ [7] rozpocz¹³ badania maj¹ce na celu okreœlenie wp³ywu pulsacji æwiartkowej na liczbê komórek somatycznych w mleku. Badania ograniczono jednak tylko do okreœlania ich poziomu rozpatrywanego na tle wartoœci dopuszczalnych przez mleczarnie [5]. W badaniach tych nie uwzglêdniano szczegó³owo cech zootechnicznych wydajanych krów.
Celem pracy by³a ocena wp³ywu sposobu doju krów oraz ich wybranych cech zootechnicznych na liczbê komórek somatycznych w mleku z zastosowaniem sztucznych sieci neuronowych. W czasie badañ krowy dojono klasycznym aparatem udojowym, dzia³aj¹cym przemiennie oraz nowym æwiartkowym aparatem udojowym, w którym pulsacja odbywa³a siê niezale¿nie w ka¿dym kubku udojowym.
W celu przeprowadzenia eksperymentu komputerowego, maj¹cego na wzglêdzie ocenê wp³ywu sposobu doju i wybra-nych parametrów zootechniczwybra-nych krów na liczbê komórek somatycznych w mleku wykorzystano symulator jednokie-runkowych sieci neuronowych zaimplementowany w pakiecie firmy StatSoft [18]. Wybór SSN do analizy posiadanych danych zdeterminowany zosta³ przez ich cechê, jak¹ jest przeprowadzana analiza wra¿liwoœci sieci na poszczególne zmienne wejœciowe. Pozwala ona na odró¿nienie wa¿nych zmiennych od takich, które niewiele wnosz¹ do wyniku dzia³ania sieci. Wykonaæ j¹ mo¿na w celu uzyskania jakichœ informacji o zale¿noœciach zawartych w posiadanym zbiorze danych [18]. Przydatnoœæ analizy wra¿liwoœci do oceny wp³ywu pulsacji æwiartkowej na przebieg doju krów oraz uzyskiwana jakoœæ pozyskiwanego surowca mlecznego potwierdzono ju¿ we wczeœniejszych badaniach [7, 8].
Analizê wra¿liwoœci przeprowadzono na podstawie danych zebranych w hali udojowej i w oborze z dojark¹ ruroci¹gow¹. £¹cznie przeprowadzono ponad 100 dojów grupy 30 krów c.b. krzy¿owanych z ras¹ holsztyñsko-fryzyjsk¹, od których pobierano mleko do testów laboratoryjnych (po dojach porannych), przeprowadzanych przez Okrêgow¹ Spó³dzielniê Mleczarsk¹ w Jarocinie.
Do interpretacji (jako zmienn¹ wyjœciow¹) przyjêto warto-œci liczby komórek somatycznych w mleku. G³ówn¹ analizo-wan¹ zmienn¹ wejœciow¹ by³ sposób doju krów: przemienny (tradycyjnie stosowany w oborach) oraz æwiartkowy. Ze wzglê-du na specyfikê realizowanych dojów, gdzie próby mleka po-bierano zarówno na pocz¹tku badañ, jak i po ich zakoñczeniu, wyodrêbniono w sumie cztery warianty zmiennej wejœciowej. Metodyka badañ
Doje przemienne przeprowadzono sprzêtem u¿ywanym w gospodarstwach. Z kolei doje æwiartkowe realizowano z u¿y-ciem nowoopracowanej dojarki [7]. Dzia³anie æwiartkowego aparatu udojowego polega³o na zwiêkszaniu czêstotliwoœci pulsacji w fazie g³ównej wyp³ywu mleka z æwiartek wymion: z 60 do 120 zmian na minutê (hala udojowa) i z 54 na 80 zmian na minutê (obora z dojark¹ ruroci¹gow¹. W pocz¹tkowej i koñcowej fazie doju stosowano mniejsze wartoœci czêstotli-woœci pulsacji, przy czym regulacja pracy pulsatora æwiartkowego odbywa³a siê indywidualnie dla ka¿dego kubka udojowego.
Jako parametry wejœciowe przyjêto równie¿ wybrane cechy zootechniczne krów: ich wiek, wydajnoœæ mleczn¹, liczbê wycieleñ, dzieñ laktacji oraz udzia³ krwi byd³a holsztyñsko-fryzyjskiego. Dane zootechniczne uzyskano z kart dokumenta-cyjnych krów, przy czym nie zawsze by³y one kompletne. Uwzglêdnione parametry zootechniczne krów by³y bardzo zró¿nicowane, ze wzglêdu na losowy dobór grup badawczych. Przyjêty tok postêpowania przedstawia rys. 1.
W celu wygenerowania zbioru adekwatnych topologii sieci neuronowych pos³u¿ono siê efektywn¹ procedur¹, zaimplementowan¹ w aplikacji , w postaci automatycznego projektanta sieci (w wersji zaawansowanej). Jest to silne narzêdzie pozwalaj¹ce skróciæ czas ¿mudnych poszukiwañ w³aœciwych topologii sieci neuronowych, uczonych w oparciu o posiadany zbiór danych.
Losowy charakter procesu uczenia sieci powoduje, ¿e sieci neuronowe opracowane do modelowania tego samego procesu mog¹ ró¿niæ siê wartoœciami b³êdów. Dlatego konieczne jest przyjêcie kryterium wyboru najlepszego z uzyskanych modeli neuronowych. W pracy przyjêto, ¿e kryterium wyboru najlepszego modelu neuronowego bêdzie wartoœæ b³êdu
( pierwiastek œrednio kwadratowy)
dla zbioru walidacyjnego. B³¹d jest to sumaryczny b³¹d pope³niany przez sieæ na pewnym zbiorze danych, wyznaczany poprzez sumowanie kwadratów b³êdów indywidualnych, podzielenie uzyskanej sumy przez liczbê uwzglêdnionych wartoœci i wyznaczenie pierwiastka kwadratowego z uzyskanego ilorazu. B³¹d jest prostym i wygodnym obliczeniowo wskaŸnikiem, który w dogodny sposób opisuje sumaryczny b³¹d dla ca³ego zbioru ucz¹cego i ca³ego zbioru zmiennych wyjœciowych [18]. Najlepsze w³aœciwoœci (najmniejszy b³¹d rzêdu 0,15) uzyskano w przypadku sieci perceptronowej trójwarstwowej (
) (nr 6) uczonej kombinacj¹ algorytmów (ang: algorytm wstecznej propagacji b³êdów)
oraz ( - algorytm gradientów
sprzê¿onych) (tab. 1).
Rys. 1. Wielkoœci wejœciowe i wyjœciowe oraz topologia modelu sieci neuronowej
Fig. 1. Input and output quantities and neural network model topology
Statistica v. 7.0.
ang: oot ean quared
ang: ulti ayer erceptron
ack ropagation
ang: onjugate radient
Wyniki badañ RMS R M S RMS RMS RMS MLP M L P BP B P CG C G
Wygenerowana sieæ neuronowa posiada³a strukturê typu 6:17:1, tzn. Posiada³a 1 warstwê ukryt¹, zawieraj¹c¹ 17 neuronów sigmoidalnych (tzn. posiadaj¹cych funkcjê aktywacji w postaci sigmoidy). Liczba neuronów wejœciowych (6) oraz wyjœciowych (1) zdeterminowana by³a fizyczn¹ struktura badanego zagadnienia. Strukturê wygenerowanej sieci przedstawia wspomniana wczeœniej tab. 1.
Na podstawie wybranego modelu SSN przeprowadzona zosta³a analiza wra¿liwoœci zmiennych wejœciowych. Podstawow¹ jej miar¹ jest mówi¹cy o wzroœcie sumarycznego b³êdu pope³nianego przez model przy nieuwzglêdnieniu rozpatrywanej zmiennej wejœciowej. Im jest wiêkszy tym zmienna ma wiêkszy wp³yw na wynik dzia³ania sieci. Je¿eli dla danej zmiennej jest równy lub nawet mniejszy od 1, to nie ma ona wp³ywu na jakoœæ sieci [18]. W tab. 2 zestawiono uzyskane wartoœci ilorazów b³êdów.
Na podstawie wyników analizy wra¿liwoœci zawartych w tab. 1 stwierdza siê, ¿e zarówno sposób doju, jak i wszystkie uwzglêdnione cechy zootechniczne krów maj¹ wp³yw na liczbê komórek somatycznych w mleku. Wyniki obliczeñ potwier-dzaj¹ obserwacje innych autorów. Sawa i Bogucki [14] podaj¹, ¿e wzrost liczby komórek somatycznych w mleku zwi¹zany jest ze wzrostem udzia³u genów rasy hf. Z kolei Ziemiñski i in. [20] wykazali ró¿nice statystyczne w wydajnoœci mlecznej krów o niskim poziomie komórek somatycznych (do 400 tys. w 1 ml) w zale¿noœci od fazy ich laktacji. Ingalls [6] podaje, ¿e w zale¿noœci od liczby wycieleñ oraz wieku krów ulega zwiêkszeniu liczba komórek somatycznych, przek³adaj¹ca siê na obni¿enie produkcji mleka. Dorynek i in. [4] stwierdzili zwi¹zek pomiêdzy zawartoœci¹ komórek somatycznych w mle-ku a dzienn¹ wydajnoœci¹ mleczn¹ oraz liczb¹ wycieleñ krów.
Przeprowadzone doœwiadczenie wykaza³o równie¿ wp³yw sposobu doju krów na liczbê komórek somatycznych w mleku. Nale¿y jednak w tym miejscu podkreœliæ specyfikê przeprowadzania dojów æwiartkowych, gdy¿ odbywa³o siê ono w oborach po raz pierwszy. Zatem istotnym czynnikiem mo¿e byæ stres zwierz¹t, byæ mo¿e rzutuj¹cy na liczbê komórek somatycznych w mleku. Zdrowotnoœæ wymienia w du¿ym stopniu zale¿y od czynników œrodowiskowych. Badania z za-stosowaniem pulsacji przemiennej i æwiartkowej przepro-wadzano zarówno zim¹, jak i wiosn¹, a badania Ziemiñskiego i in. [20] dowodz¹, ¿e pora roku ma wp³yw na liczbê komórek somatycznych w mleku.
Tab. 1. Parametry wygenerowanych sieci neuronowych Table 1. Parameters of generated neural networks
iloraz b³êdów,
iloraz b³êdów
iloraz b³êdów
Tab. 2. Wartoœci b³êdów ilorazów okreœlaj¹cych wra¿liwoœæ sieci neuronowej
Table 2. Values of errors of quotients determining neural network sensitiveness
Wa¿n¹ informacj¹ jest to, ¿e w przeciwieñstwie do innych sk³adników wydojonego mleka zawartoœæ komórek somaty-cznych po doju ma sta³¹ wartoœæ i nie zale¿y od warunków przechowywania i sch³adzania. Zatem losowoœæ pobieranych próbek mleka nie odgrywa tu roli [3].
1. Przeprowadzona analiza wra¿liwoœci wygenerowanego modelu neuronowego wykaza³a wp³yw sposobu doju krów oraz ich niektórych cech zootechnicznych krów, objêtych badaniami na liczbê komórek somatycznych w mleku. 2. Uzyskane wyniki badañ obarczaj¹ b³êdy wynikaj¹ce ze
stochastycznego charakteru modeli neuronowych. Wnioski
Literatura
[1] Boniecki P.: Sieci neuronowe typu MLP oraz RGB jako komplementarne modele aproksymacyjne w procesie predykcji plonu pszen¿yta: Journal of Research and Applications in Agricultural Engineering, 2004, vol. 49(1), str. 28-33.
[2] Boniecki P.: Wykorzystanie technik neuronowych w praktyce rolniczej. Journal of Research and Applications in Agricultural Engineering, 2005, vol. 50(2), str. 10-14.
[3] Buds³awski J.: Zarys chemii mleka. Pañstwowe Wydawnictwo Rolnicze i Leœne. Warszawa 1971.
[4] Dorynek Z., Rytlewski J., Antkowiak I., Kryszkiewicz Cz.: Zawartoœæ komórek somatycznych w mleku krów holsztyñsko-fryzyjskich oraz jej wp³yw na u¿ytkowoœæ mleczn¹. Acta Scientiarum Polonorum. Zootechnika, 2002, 1 (1-2): 53-62. [5] Dziennik Ustaw Nr 117 Poz. 1011 Roz. 2 § 3.1. z dnia 5 lipca 2002
r. Rozporz¹dzenie Ministra Rolnictwa i Rozwoju Wsi w sprawie szczegó³owych warunków weterynaryjnych wymaganych przy pozyskiwaniu, przetwórstwie, sk³adaniu i transporcie mleka oraz produktów mlecznych.
[6] Ingalls W.: Somatic cells: Function and Relationship to Milk Production. West.Argo Inc., Kansas City, MO, 2000.
[7] Jêdruœ A.: Przebieg doju krów z maszynow¹ stymulacj¹ æwiartek wymion krów. Rozprawa doktorska. Maszynopis Instytutu In¿ynierii RolniczejAkademii Rolniczej w Poznaniu, 2007. [8] JêdruœA., Lipiñski M., Ledin N.:
(w druku).
[9] Kosiñski R.: Sztuczne sieci neuronowe. Wydawnictwo Naukowo-Techniczne. Warszawa 2002.
[10] Lipiñski M.: Dynamika koñcowej fazy doju mechanicznego krów w aspekcie jego czêœciowej automatyzacji. Rocz. AR Poznañ. Rozprawy Naukowe, 1991, z. 213.
[11] Naumann I., Fahr R.D., Lengerken G.: Relationship between somatic cell count of milk and special parameters of milk flow curves of cows.Arch. Tierz. Dummerstorf, 1998, 41: 237-250. [12] Ni¿ewski P., Boniecki P., Dach J.: Ocena zastosowania
prognostycznej sieci neuronowej w modelowaniu emisji gazowych. Journal of Research and Applications in Agricultural Engineering, Poznañ, 2007, vol. 52(2), str. 71-74.
[13] Osteras O., Lund A.: Epidemiological analyses of the associations between bovine udder health and milking machine and milking management. Prev. Vet. Med, 1988, 6: 91-108. [14] Sawa A., Bogucki M.: Genetyczne i œrodowiskowe
uwarunko-wania wydajnoœci dobowej i jakoœci mleka. Acta Scientiarum Polonorum. Zootechnika, 2002, 1 (1-2): 129-138.
[15] Spencer S.: Recent research and developments in machine milking- a review. J. Dairy Science, 1989, 72: 1907-1917. [16] Tadeusiewicz R.. Elementarne wprowadzenie do technik sieci
neuronowych z przyk³adowymi programami. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998.
[17] Wellnitz O., Bruckmaier R.M., Blum J.W.: Milk ejection and milk removal of single quarters in high yielding dairy cows. Milchwissenschaft, 1999, 54: 303-306.
[18] Wójtowicz P.: Polska wersja Statistica Neural Networks. StatSoft Polska, Kraków 2001.
[19]
[20] Ziemiñski R., Dymarski I., Æwik³a A., Czarnik U., Braniewicz P.: Wp³yw niektórych czynników œrodowiskowych i genotypu krów na zawartoœæ komórek somatycznych w mleku. Acta Scientiarum Polonorum. Zootechnika, 2004, 3 (1): 125-132. Õàðàêòåðèñòèêà ìîëîêà êîðîâ âûäàèâàåìûõ ïîïåðåìåííî è ÷åòâåðòè÷íî Ñáîðíèê íàó÷íûõ òðóäîâ . www.lely.com
NEURON ANALYSIS OF THE INFLUENCE OF THE WAY OF MILKING AND SELECTED
CHARACTERISTSICS OF COWS ON SOMATIC CELL COUNT IN MILK
Summary
Artificial neural networks are more and more frequently used to understand some complex biological processes. The aim of the paper was to use the advantages of artificial neural networks in order to check the impact of the milking way and selected cows' features on somatic cell count in milk.
NAPÊDY HYDROSTATYCZNE W MASZYNACH ROLNICZYCH
tel. 061 87-12-200; fax 061 879-32-62;
e-mail: office@pimr.poznan.pl; Internet: http://www.pimr.poznan.pl
ISBN 83-921598-2-9
Wydawca: Przemys³owy Instytut Maszyn Rolniczych 60-963 Poznañ, ul. Staro³êcka 31
