DaNuMa: Datenkompetenzen in der Nutztierhaltung - Maschinelles Lernen zur automatischen, robusten Verhaltensklassifikation bei Schweinen
Überblick
Im Projekt DaNuMa (Datenkompetenzen in der Nutztierhaltung -Maschinelles Lernen zur automatischen, robusten Verhaltensklassifikation bei Schweinen) sollen am Beispiel von Schweinen mit Hilfe von Computer Vision und Machine Learning-Modellen Verhaltensmuster von Nutztieren automatisiert erkannt und protokolliert werden. Die identifizierten Verhaltensmuster können dann für wissenschaftliche Forschungsfragen, sowie für Assistenzsysteme in der praktischen Landwirtschaft verwendet werden. DaNuMa zielt auf die Stärkung der datenwissenschaftlichen Schlüsselkompetenzen von Nachwuchswissenschaftlern der Nutztierwissenschaften zur Verhaltensklassifikation ab. Dafür wird im Rahmen des Projekts eine Summer School angeboten.
Projektinhalte
Basierend auf Videobildaufnahmen aus vorherigen Forschungsprojekten zu Haltungssystemen beim Schwein mit Fokus auf Tierwohl und Schwanzbeißen soll ein Methodenkanon identifiziert werden, der die Annotation von Videobildern und die Implementierung innovativer Machine-Learning-Modelle für das Detektieren und Tracking individueller Schweine umfasst. Mit diesem werden spezifische Verhaltensweisen automatisch klassifiziert und daraus Verhaltensprofile abgeleitet, die u.a. für ethologische Forschungsfragen, zur automatischen Phänotypisierung, sowie in Assistenzsystemen zur Tierbeobachtung genutzt werden können.
Methodisch erscheinen Ansätze des maschinellen Lernens, wie z.B. Bildklassifikation, Objekterkennung, Segmentierung, Bestimmung der Lage/Haltung („Pose Estimation“) und Tracking als vielversprechend und stehen deshalb im Fokus der Arbeiten. Eine kritische Evaluierung und Ableitung von Potentialen und Limitationen für die Anwendungsfälle sind ebenso Bestandteil des Projektes.
Fachliche Ziele sind das möglichst lückenlose Tracking einzelner Schweine über längere Zeiträume und gleichzeitig eine Klassifikation einzelner Verhaltensweisen wie Laufen, Liegen/Schlafen, Fressen/Trinken und soziale Interaktion. Insbesondere für das Tracking über längere Zeiträume (mehrere Stunden) sind derzeit nach unserer Kenntnis keine Methoden vorhanden. Das zu verwendende Datenmaterial erlaubt es, im Vergleich zu anderen Studien, eine Wiedererkennung der Einzeltiere durch durchgehende tierindividuelle Markierungen.
Daneben umfasst das Projekt die Bereitstellung von Forschungsdatensätzen und Guidelines zur Methodenanwendung, sowie die Organisation und Durchführung einer Summer School. Der Innovationscharakter des Projektes besteht in der nachhaltigen Implementierung datenwissenschaftlicher Methoden und der Förderung der Kompetenzprofile zukünftiger Agrarwissenschaftler. Damit wird nicht nur die zukünftige nutztierwissenschaftliche Forschung, sondern auch die Digitalisierung der Nutztierhaltung maßgeblich gefördert.
Partner
Im Kern des Projektes vereinen die beteiligten Einrichtungen ihre digitalen und datenbezogenen Kompetenzen zur robusten und echtzeitfähigen automatischen Verhaltensklassifikation beim Schwein auf Basis innovativer Auswertungsmethoden, nutzen ihre IT-Infrastruktureinheiten des Göttingen Campus und sind über bestehende Netzwerke und Kooperationen ausgeprägt in der Fachcommunity der Nutztierwissenschaften vernetzt.
Behavioural Informatics in Livestock Husbandry
Institut für Tierzucht und Tierhaltung, Christian-Abrechts-Universität zu Kiel
Das Team Behavioural Informatics in Livestock Husbandry des Institus für Tierzucht und Tierhaltung der Christian-Albrechts-Universität zu Kiel unter Leitung von Frau Prof. Dr. Imke Traulsen ist auf Fragestellungen aus den Themenbereichen Nutztierhaltung, Tierwohl und Digitalisierung spezialisiert.
Department für Volkswirtschaftslehre, Professur für Statistik
Georg-August-Universität Göttingen
Die Abteilung Statistik des Departments für Volkswirtschaftslehre der Universität Göttingen unter Leitung von Prof. Dr. Thomas Kneib arbeitet im Bereich flexibler Regressionsmodelle an der Schnittstelle von Statistik und maschinellem Lernen. Er ist Teil des Campus Institue Data Science (CIDAS).
Gesellschaft für wissenschaftliche Datenverarbeitung mbH, Göttingen
Die Gesellschaft für wissenschaftliche Datenverarbeitung mbh Göttingen (GWDG) hat langjährige Erfahrung in der Integration und Verarbeitung verschiedener Forschungsdatentypen. Ein Schwerpunkt ist dabei die Verarbeitung von großen Datenmengen (Big Data) mittels dedizierter Arbeitsabläufe unter der Verwendung von HPC Systemen zu ermöglichen.
Veröffentlichungen
Henrich, J.; Post, C.; Kneib, T.; Yahyapour, R.; Traulsen, I. (2023): Systematische Evaluation der Detektion von Schweinen in Abhängigkeit von Strategien zur Auswahl der Trainingsdaten. DGfZ-Jahrestagung in Halle, 13.-14-09.2023.Henrich, J.; Post, C.; Kneib, T.; Yahyapour, R.; Bingert, S.;Traulsen, I. (2024): Entwicklung eines vielfältigen und anspruchsvollen Benchmark-Datensatzes für die Detektion von Schweinen in Bildern. GIL-Jahrestagung in Hohenheim, 27.-28.02.2024.
Henrich, J.; Post, C.; Kneib, T.; Yahyapour, R.; Traulsen, I. (2024): PigDetect: a diverse and challenging benchmark dataset for the detection of pigs in images. 11th European Conference on Precision Livestock Farming, 09.-12.09.2024.