(Daniele Favaro, DMV)
Relazione della Prof.ssa Lenny van Erp-van der Kooij all'ESPHM 2026 di Firenze
Introduzione
Durante il 17° European Symposium of Porcine Health Management (ESPHM), svoltosi a Firenze dal 13 al 15 maggio 2026, uno degli interventi che ha suscitato maggiore interesse tra veterinari, ricercatori e professionisti del settore è stato quello della Prof.ssa Lenny van Erp-van der Kooij, docente di Benessere animale e Tecnologie applicate all'allevamento presso la HAS Green Academy dei Paesi Bassi e professore associato a contratto nel campo del Precision Livestock Farming presso la Harper Adams University nel Regno Unito. Nella relazione intitolata "AI and Sensors in Swine Farming: A Biological Approach", la relatrice ha illustrato come l'integrazione tra Intelligenza Artificiale, sensoristica avanzata e allevamento di precisione stia modificando profondamente il monitoraggio della salute, del benessere e delle prestazioni produttive dei suini. Più che una semplice panoramica tecnologica, l'intervento ha offerto una riflessione sul futuro della professione veterinaria e sulla crescente necessità di interpretare correttamente i dati biologici raccolti in modo continuo e automatizzato.
Figura 1. La Prof.ssa Lenny van Erp-van der Kooij durante la relazione presentata all'ESPHM 2026 di Firenze.
L'allevamento di precisione: una rivoluzione silenziosa
Per decenni la medicina veterinaria suina si è basata sull'esperienza dell'allevatore e sull'osservazione diretta del veterinario. Il cosiddetto "occhio clinico" ha rappresentato il principale strumento diagnostico disponibile in allevamento. Tuttavia, l'evoluzione degli allevamenti moderni, caratterizzati da un numero crescente di animali e da livelli produttivi sempre più elevati, ha evidenziato i limiti di un approccio esclusivamente osservazionale. Numerose alterazioni sanitarie e comportamentali rimangono infatti subcliniche per giorni o settimane, diventando evidenti solo quando il danno produttivo è già avvenuto o addirittura al momento della macellazione. È proprio in questo contesto che si inserisce l'allevamento di precisione, un insieme di tecnologie che utilizza sensori, sistemi di acquisizione dati e algoritmi di analisi per monitorare gli animali in maniera continua e oggettiva. L'obiettivo non è sostituire il lavoro dell'uomo, ma amplificare la capacità di osservazione dell'allevatore e del veterinario, trasformando informazioni spesso invisibili all'occhio umano in indicatori utilizzabili per la gestione sanitaria e produttiva dell'allevamento.
Figura 2. Schema generale delle principali fonti di dati utilizzate nei sistemi di allevamento di precisione.
Dall'automazione all'Intelligenza Artificiale
Sebbene oggi il dibattito sia dominato dall'Intelligenza Artificiale, il percorso che ha portato allo sviluppo dell'allevamento di precisione è iniziato molti anni fa. Le prime applicazioni erano focalizzate principalmente sul controllo ambientale, sulla ventilazione automatizzata e sul monitoraggio dei parametri climatici. Successivamente sono stati introdotti sistemi RFID per l'identificazione individuale degli animali, seguiti da sensori di attività, sistemi di pesatura automatica e telecamere digitali. Negli ultimi anni si è assistito a una straordinaria accelerazione grazie allo sviluppo delle tecniche di apprendimento automatico e apprendimento profondo. Oggi i sistemi non si limitano più a raccogliere dati, ma sono in grado di interpretarli, riconoscere schemi comportamentali e generare allarmi automatici associati a specifiche condizioni sanitarie o di benessere. La differenza fondamentale rispetto al passato consiste proprio nel passaggio da una semplice registrazione di eventi a una vera e propria interpretazione automatizzata del comportamento animale.
Figura 3. Evoluzione delle tecnologie di allevamento di precisione dal 2010 al 2025.
Sensori e algoritmi: il cuore del sistema
Secondo il modello illustrato dalla Prof.ssa van Erp-van der Kooij, ogni sistema di allevamento di precisione si basa su tre elementi fondamentali:
- acquisizione dei dati tramite sensori;
- elaborazione attraverso algoritmi;
- trasformazione dei risultati in informazioni biologicamente significative.
La qualità delle decisioni dipende direttamente dalla capacità di collegare correttamente il dato raccolto al fenomeno biologico che lo genera. Per questo motivo la relatrice ha insistito sull'importanza di mantenere un approccio biologico all'Intelligenza Artificiale: gli algoritmi devono essere costruiti sulla comprensione del comportamento e della fisiologia animale, non semplicemente sull'analisi matematica dei dati.
Le telecamere diventano gli occhi della stalla
Tra le tecnologie più diffuse e promettenti figurano i sistemi di visione artificiale basati su telecamere bidimensionali e tridimensionali. Le telecamere bidimensionali consentono il monitoraggio continuo del comportamento collettivo, della distribuzione degli animali nel box, dei tempi di riposo e dei livelli di attività. Le telecamere tridimensionali aggiungono invece informazioni sulla profondità e sul volume corporeo, permettendo stime molto accurate del peso vivo senza la necessità di movimentare gli animali. L'elemento realmente innovativo è rappresentato dall'applicazione dell'Intelligenza Artificiale alle immagini raccolte. I moderni sistemi di visione artificiale sono in grado di riconoscere automaticamente posture, movimenti, attività locomotoria, eventi aggressivi e variazioni comportamentali associate a stati patologici. Alcuni algoritmi riescono persino a identificare i singoli animali all'interno del gruppo e a monitorarne il comportamento nel tempo, costruendo una sorta di "profilo digitale" individuale. Le applicazioni pratiche sono numerose. Una riduzione dell'attività motoria, un aumento del tempo trascorso in decubito o una diversa distribuzione spaziale degli animali possono costituire segnali precoci di problemi sanitari o ambientali.
Figura 4. Sistema di visione artificiale basato su Intelligenza Artificiale in grado di classificare automaticamente differenti comportamenti all'interno del box.
Ascoltare i suini: il potenziale del monitoraggio acustico
Se le telecamere rappresentano gli occhi della stalla, i microfoni ne costituiscono le orecchie. L'analisi delle vocalizzazioni è uno dei settori più dinamici dell'allevamento di precisione e negli ultimi anni ha compiuto progressi notevoli. I primi sistemi erano progettati principalmente per identificare la tosse e altre manifestazioni associate a patologie respiratorie. Oggi, grazie alle reti neurali, è possibile classificare diversi tipi di vocalizzazioni e correlare specifici schemi sonori a particolari stati fisiologici o emotivi. Alcuni studi hanno dimostrato come le vocalizzazioni possano essere classificate in funzione del loro significato emotivo, distinguendo stati positivi e negativi sulla base della durata e delle caratteristiche acustiche del richiamo. Dal punto di vista applicativo, il monitoraggio della tosse rappresenta probabilmente la tecnologia più vicina a una diffusione su larga scala. Diversi sistemi commerciali consentono infatti di individuare l'insorgenza di problematiche respiratorie diversi giorni prima rispetto all'osservazione tradizionale effettuata dal personale di allevamento. Questo approccio permette di intervenire precocemente e in maniera più mirata, favorendo un utilizzo più responsabile degli antimicrobici e contribuendo alle strategie di contrasto dell'antimicrobico-resistenza.
Figura 5. Monitoraggio acustico per la rilevazione precoce delle patologie respiratorie attraverso l'analisi automatizzata della tosse e delle vocalizzazioni.
Sensori indossabili e monitoraggio individuale
Un'altra importante categoria di strumenti è rappresentata dai sensori indossabili. Accelerometri integrati in marche auricolari, collari o altri dispositivi consentono di registrare in modo continuo il livello di attività degli animali. Dal punto di vista biologico, la riduzione dell'attività locomotoria rappresenta uno dei primi effetti della risposta immunitaria. Per questo motivo variazioni apparentemente minime nei movimenti possono costituire un indicatore estremamente precoce di malattia. I sistemi RFID installati presso mangiatoie e abbeveratoi consentono inoltre di monitorare il comportamento alimentare individuale. Una riduzione improvvisa della frequenza di visita alla mangiatoia è spesso uno dei primi segnali associati all'insorgenza di problemi sanitari. L'integrazione di queste informazioni permette di costruire modelli predittivi sempre più accurati.
Sala parto: dove la tecnologia può fare la differenza
Il periodo attorno al parto rappresenta una delle fasi più delicate dell'intero ciclo produttivo. Le moderne tecnologie consentono oggi di monitorare la scrofa e i suinetti in modo molto più dettagliato rispetto al passato. Gli accelerometri possono individuare l'aumento di attività associato al comportamento di costruzione del nido e prevedere l'inizio del parto con diverse ore di anticipo. Sistemi video e sensori acustici permettono di seguire l'evoluzione del parto e di individuare tempestivamente eventuali anomalie. Particolarmente interessanti sono le applicazioni basate sulla localizzazione dei suoni, in grado di identificare la posizione dei suinetti neonati e fornire avvisi automatici agli operatori.
Suinetti: il monitoraggio della vitalità fin dalle prime ore
La mortalità pre-svezzamento continua a rappresentare una delle principali criticità economiche e sanitarie dell'allevamento suino. Una quota significativa delle perdite avviene nei primi giorni di vita ed è associata a ridotta vitalità, ipotermia, schiacciamento o insufficiente assunzione di colostro. I sistemi di visione artificiale permettono di quantificare i movimenti dei singoli suinetti e identificare precocemente gli animali a rischio. La termografia a infrarossi consente inoltre di valutare la temperatura corporea senza contatto diretto, mentre l'analisi del comportamento di aggregazione permette di identificare situazioni di stress termico. Alcune soluzioni innovative sono state sviluppate specificamente per ridurre il rischio di schiacciamento. Questi sistemi rilevano automaticamente le vocalizzazioni di sofferenza emesse dai suinetti e attivano una vibrazione che induce la scrofa a modificare la propria posizione.
Accrescimento e ingrasso: efficienza e salute sotto controllo
Nelle fasi di accrescimento e ingrasso gli obiettivi principali sono il mantenimento dello stato sanitario e il miglioramento dell'efficienza produttiva. I sistemi di visione tridimensionale consentono oggi di stimare il peso vivo con livelli di accuratezza molto elevati, riducendo il ricorso alle tradizionali operazioni di pesatura manuale. Parallelamente, i sistemi di monitoraggio della tosse permettono di individuare precocemente l'insorgenza di problemi respiratori. Un'altra applicazione particolarmente promettente riguarda la prevenzione della morsicatura della coda. Diversi studi hanno evidenziato come questi episodi siano preceduti da variazioni comportamentali e da modificazioni della postura della coda stessa. Le telecamere tridimensionali possono rilevare questi segnali con giorni di anticipo, consentendo interventi tempestivi sui fattori di rischio ambientali.
Il veterinario del futuro: dalla gestione dei problemi alla prevenzione
Uno dei concetti più importanti emersi dalla relazione riguarda l'evoluzione del ruolo del veterinario aziendale. Tradizionalmente il veterinario è stato chiamato a intervenire quando il problema era già evidente. In altre parole, la medicina di allevamento si è sviluppata storicamente secondo un modello reattivo. L'allevamento di precisione introduce invece una logica completamente diversa. Attraverso la raccolta continua di dati, ogni animale può essere confrontato con il proprio comportamento abituale. Le deviazioni dalla normalità diventano quindi identificabili molto prima della comparsa dei segni clinici evidenti. Si passa così da una medicina basata sulla risposta al problema a una medicina basata sulla previsione e sulla prevenzione. In questo scenario il veterinario assume il ruolo di interprete dei dati biologici e di consulente strategico per l'allevatore, trasformando informazioni complesse in decisioni operative.
Figura 6. Evoluzione della pratica veterinaria: dalla gestione reattiva delle problematiche alla prevenzione supportata dai dati provenienti dai sistemi di allevamento di precisione.
Le sfide ancora aperte
Nonostante le enormi potenzialità, la diffusione dell'allevamento di precisione incontra ancora alcune criticità. La prima riguarda la sostenibilità economica degli investimenti. Sensori, infrastrutture informatiche e manutenzione possono rappresentare costi significativi per molte aziende. Una seconda problematica riguarda la proprietà e la gestione dei dati. Gli allevatori manifestano spesso dubbi su chi detenga realmente il controllo delle informazioni raccolte dai sistemi digitali. Un ulteriore aspetto riguarda la robustezza delle apparecchiature. Polvere, ammoniaca, umidità e condizioni ambientali difficili richiedono dispositivi particolarmente affidabili e resistenti. Infine, esiste una questione culturale. Alcuni allevatori e consumatori temono che l'automazione possa sostituire il rapporto diretto tra uomo e animale. Le esperienze raccolte nei progetti europei mostrano invece come la tecnologia venga percepita dagli allevatori come un supporto alla gestione quotidiana e non come un sostituto dell'osservazione umana.
Conclusioni
L'intervento della Prof.ssa Lenny van Erp-van der Kooij ha mostrato come Intelligenza Artificiale, sensoristica e allevamento di precisione stiano aprendo nuove prospettive per la medicina veterinaria suina. Telecamere intelligenti, sensori acustici, accelerometri, sistemi RFID e algoritmi avanzati consentono oggi di monitorare gli animali in maniera continua e oggettiva, individuando precocemente problemi sanitari, alterazioni comportamentali e criticità di benessere. La vera sfida non consiste però nella tecnologia in sé, bensì nella capacità di trasformare i dati raccolti in decisioni efficaci. In questo processo il veterinario continua a svolgere un ruolo centrale, fungendo da collegamento tra innovazione tecnologica, gestione aziendale e benessere animale. Più che sostituire l'esperienza professionale, l'Intelligenza Artificiale si propone quindi come uno strumento capace di amplificarla, offrendo nuove opportunità per una suinicoltura sempre più sostenibile, efficiente e attenta alle esigenze degli animali.
Bibliografia
• M. Benjamin and S. Yik, “Precision Livestock Farming in Swine Welfare: A Review for Swine Practitioners,” Animals, vol. 9, no. 4, pp. 1–21, Mar. 2019, doi: 10.3390/ani9040133.
• S. Wang, H. Jiang, Y. Qiao, S. Jiang, H. Lin, and Q. Sun, “The Research Progress of Vision-Based Artificial Intelligence in Smart Pig Farming,” Sensors, vol. 22, no. 17, pp. 1–23, 2022, doi: 10.3390/ s22176541.
• J. Hartung, T. Banhazi, E. Vranken, and M. Guarino, “European farmers’ experiences with precision livestock farming systems,” Animal Frontiers, vol. 7, no. 1, pp. 38–44, 2017, doi: 10.2527/af.2017.0107.
• S. Pandey et al., “Behavioral monitoring tool for pig farmers: Ear tag sensors, machine intelligence, and technology adoption roadmap,” Animals, vol. 11, no. 9, Sep. 2021, doi: 10.3390/ani11092665.
• M. L. V Larsen, M. Wang, and T. Norton, “Information Technologies for Welfare Monitoring in Pigs and Their Relation to Welfare Quality ®,” Sustainability, vol. 13, no. 692, pp. 1–23, 2021.
• E. Arulmozhi, A. Bhujel, B.-E. Moon, and H.-T. Kim, “The Application of Cameras in Precision Pig Farming: An Overview for Swine-Keeping Professionals,” Animals, vol. 11, no. 2343, pp. 1–23, 2021.
• E. Van Erp-van der Kooij and S. M. Rutter, “Using precision farming to improve animal welfare.,” CAB Reviews: Perspectives in Agriculture, Veterinary Science, Nutrition and Natural Resources, vol. 15, no. 051, pp. 1–10, 2020, doi: 10.1079/pavsnnr202015051.
• L. F. C. Garrido, G. S. T. Rodrigues, L. B. Costa, D. J. Kurtz, and R. R. Daros, “Validation of a Swine Cough Monitoring System Under Field Conditions,” AgriEngineering, vol. 7, no. 5, p. 140, May 2025, doi: 10.3390/agriengineering7050140.
• E. F. Briefer et al., “Classification of pig calls produced from birth to slaughter according to their emotional valence and context of production,” Sci. Rep., vol. 12, no. 1, pp. 1–10, 2022, doi: 10.1038/ s41598-022-07174-8.
• R. J. Thompson, “The use of wearable sensors for animal behaviour assessment,” 2018.
• S. G. Matthews, A. L. Miller, J. Clapp, T. Plötz, and I. Kyriazakis, “Early detection of health and welfare compromises through automated detection of behavioural changes in pigs,” Nov. 01, 2016, Bailliere Tindall Ltd. doi: 10.1016/j.tvjl.2016.09.005.
• M. Oczak, F. Bayer, S. Vetter, K. Maschat, and J. Baumgartner, “Comparison of the automated monitoring of the sow activity in farrowing pens using video and accelerometer data,” Comput. Electron. Agric., vol. 192, Jan. 2022, doi: 10.1016/j.compag.2021.106517.
• J. Maselyne et al., “Online warning systems for individual fattening pigs based on their feeding pattern,” Biosyst. Eng., vol. 173, pp. 143–156, Sep. 2018, doi: 10.1016/j.biosystemseng.2017.08.006. Proceedings Book XXXIV ESPHM 2026
• C. Okinda, M. Lu, I. Nyalala, J. Li, and M. Shen, “Asphyxia occurrence detection in sows during the farrowing phase by inter-birth interval evaluation,” Comput. Electron. Agric., vol. 152, no. May, pp. 221–232, 2018, doi: 10.1016/j.compag.2018.07.007.
• E. van Erp-van der Kooij et al., “Using Sound Location to Monitor Farrowing in Sows,” Animals, vol. 13, no. 22, Nov. 2023, doi: 10.3390/ani13223538.
• E. Sadeghi, C. Kappers, A. Chiumento, M. Derks, and P. Havinga, “Improving piglets health and wellbeing: A review of piglets health indicators and related sensing technologies,” Oct. 01, 2023, Elsevier B.V. doi: 10.1016/j.atech.2023.100246.
• K. Y. Ho, Y. J. Tsai, and Y. F. Kuo, “Automatic monitoring of lactation frequency of sows and movement quantification of newborn piglets in farrowing houses using convolutional neural networks,” Comput. Electron. Agric., vol. 189, Oct. 2021, doi: 10.1016/j.compag.2021.106376.
• J. Mumm et al., “Behavioral Responses of Sows Exposed to Conventional Methods or Precision- Technology to Mitigate Piglet-Crushing,” Journal of Animal Sciences and Livestock Production, vol. 4, no. 3, p. 115, 2020, doi: 10.36648/2577-0594.4.3.1.
• D. B. Jensen and L. J. Pedersen, “Automatic counting and positioning of slaughter pigs within the pen using a convolutional neural network and video images,” Comput. Electron. Agric., vol. 188, pp. 1–13, Sep. 2021, doi: 10.1016/j.compag.2021.106296.