Voor een snelle diagnose zijn verschillende detectiemethoden en -apparatuur onderzocht, zoals SCC-telling, de California Mastitis Test (CMT) en de pH-test voor melk. Deze methoden vereisen echter de meting van fysisch-chemische componenten in koemelkstalen met behulp van gespecialiseerde instrumenten onder strikte omgevingscondities, en het totale operationele proces is tijdrovend en kostelijk.

Infraroodthermografie (IRT) is een niet-invasieve en niet-destructieve methode om de lichaamstemperatuur te meten, die door veel onderzoekers wordt gebruikt als een fysiologisch en pathologisch diagnostisch hulpmiddel. De gemiddelde nauwkeurigheid van mastitisdetectie was echter laag in eerdere onderzoeken.

De afgelopen jaren zijn convolutionele neurale netwerken echter, met de snelle ontwikkeling van Deep Learning in artificiële visiesystemen, zeer succesvol geweest in complexe doeldetectiescenario's.

Om deze uitdagingen aan te gaan, heeft een groep Chinese onderzoekers het semantische segmentatiealgoritme CLE-UNet (Centroid Loss Ellipticization UNet) ontwikkeld, dat infraroodtechnologie en convolutionele neurale netwerken integreert.

Het experimentele onderwerp van dit artikel was een groep van 180 lacterende Holstein-koeien, waarop het onderzoek werd uitgevoerd. Vergeleken met het tellen van somatische cellen bereikte de nieuwe methode een nauwkeurigheid en gevoeligheid van respectievelijk 86,67% en 82,35% voor het detecteren van mastitis bij deze melkkoeien.

Met het oog op deze resultaten leggen de auteurs uit dat, hoewel de studie veelbelovende resultaten liet zien in het gebruik van thermische infraroodgegevens voor mastitisdetectie, “we erkennen dat verdere verbeteringen nodig zijn om het volledige potentieel van deze methode voor de detectie van mastitis te benutten".  Factoren zoals huidskleur, mestbedekking en haargroei “kunnen de nauwkeurigheid en betrouwbaarheid van thermografische resultaten beïnvloeden en daarom moet er rekening mee worden gehouden om de effectiviteit van de methode te verbeteren”.

Desalniettemin is “onze studie een belangrijke stap in de richting van een effectievere en efficiëntere detectie van mastitis bij melkkoeien, wat uiteindelijk kan leiden tot een betere diergezondheid en melkproductie”.

Concluderend kan worden gesteld dat het innovatieve gebruik van het CLE-UNet algoritme “de nauwkeurigheid aanzienlijk heeft verbeterd en een effectief hulpmiddel is gebleken voor het nauwkeurig detecteren van mastitis bij koeien”, aldus de auteurs.