Logo des Repositoriums

Auflistung nach Autor:in "Lieboldt, Marc-Alexander"

1 - 4 von 4
  • Konferenzbeitrag
    Entwicklung eines automatischen Monitoringsystems für die Geburtsüberwachung bei Sauen
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Wutke, Martin; Lensches, Clara; Witte, Jan-Hendrik; Gerberding, Johann; Lieboldt, Marc-Alexander; Traulsen, Imke
    Die Überwachung des Abferkelungsverlaufs ist in der Schweinehaltung von großer Bedeutung, um auftretende Geburtsstörungen frühzeitig erkennen und geeignete Maßnahmen ergreifen zu können. Da eine zeitnahe Geburtserkennung und -betreuung aufgrund intensivierter Haltungsbedingungen oftmals nur schwer zu erzielen ist, war das Ziel der vorliegenden Studie, die Eignung neuronaler Netzwerke zur automatischen Identifikation des Geburtsmomentes zu untersuchen. Anhand einer YoloV5-Netzwerkarchitektur bestimmten wir auf Basis der Detektion unterschiedlicher Körperteile der Muttersau den potentiellen Geburtsbereich innerhalb der Abferkelbucht und identifizierten den Moment der Geburt des ersten Ferkels anhand der Objektdetektion des Ferkels innerhalb des Zielbereichs. Wir validierten unser Analysemodell durch zweistufigen Ansatz und erreichten einen Precision-, Recall- und MAP-Wert von 0.982, 0.989 und 0.993 im Rahmen der Objektdetektion sowie einen Accuracy-, Recall- und Precision-Wert von 0.9, 0.8 und 1 bei der Bestimmung des Geburtszeitpunktes.
  • Konferenzbeitrag
    Experimentierfeld DigiSchwein
    (41. GIL-Jahrestagung, Informations- und Kommunikationstechnologie in kritischen Zeiten, 2021) Lieboldt, Marc-Alexander; Sagkob, Stefan; Reinkensmeier, Jan; Gómez, Jorge Marx; Hölscher, Philipp; Kemper, Nicole; Traulsen, Imke; Drücker, Harm; Diekmann, Ludwig
    Das Experimentierfeld DigiSchwein hat die Entwicklung eines sensorbasierten Frühwarn- und Entscheidungshilfesystems für schweinehaltende Praxisbetriebe zum Ziel. Als digitales Farmmanagementsystem arbeitet es nach dem Grundprinzip: Dateninput (Sensoren), Datenverarbeitung (Software) und Datenoutput (Insight-Cockpit). Im Projekt werden marktübliche Sensoren unterschiedlichen Messprinzips in einer landwirtschaftlichen Versuchstierhaltung bei Sauen, Absetzferkeln und Mastschweinen erprobt. Diese Sensoren erfassen kontinuierlich und in Echtzeit ein breites Spektrum an Anlagen-, Stallklima-, Umwelt- und Tierdaten, die über ein Datenmanagementsystem miteinander verknüpft, gespeichert und verwaltet werden. Mittels Big Data-Analysemethoden des Machine Learnings werden Algorithmen entwickelt, welche erfasste Sensordatenmuster (Istwert) durch Abgleich mit Referenzdatenmustern (Sollwert) in Echtzeit bewerten und Prognosen erstellen. Das Ergebnis der komplexen Datenanalyse wird dem Systemnutzer in optisch aufbereiteter Form zur schnellen Erfassung über ein Dashboard visualisiert. Bei relevanten Abweichungen vom Sollwert werden Warnmeldungen mit Handlungsempfehlungen ausgegeben. Der Einsatz des Managementsystems soll dazu beitragen, Tiergesundheit, Betriebsmittel- und Nährstoffeffizienz sowie Umweltverträglichkeit schweinehaltender Praxisbetriebe nachhaltig zu verbessern.
  • Konferenzbeitrag
    Implementierung eines Noisy-Student-Ansatzes zur Verbesserung der automatischen Detektionsleistung bei Ferkeln
    (44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Wutke, Martin; Holzhauer, Anne; Hartmann, Ulrich; Lieboldt, Marc-Alexander; Traulsen, Imke
    Die Verwendung überwachter Lernalgorithmen aus dem Bereich der künstlichen Intelligenz hält vermehrt Einzug im wissenschaftlichen Alltag. Vor allem die Nutzung von Kameratechnologie und Objekterkennung zeigt großes Potenzial im ethologischen Kontext. Da der Prozess der Datenannotation einen Großteil der zeitlichen und kostenbezogenen Ressourcen vereinnahmt, werden langfristig innovative Trainingsansätze notwendig. Die vorliegende Studie beschreibt diesbezüglich einen semi-überwachten Noisy-Student-Ansatz zur automatischen Datengenerierung und Verbesserung der Objektdetektion am Beispiel neugeborener Ferkel. Im Rahmen eines zweistufen Modellansatzes wird ein auf händisch annotierten Daten trainiertes Lehrermodell zur Erzeugung von Pseudo-Annotationen und zum Training eines Schülermodells verwendet. Im Ergebnis kann auf diese Weise eine Verbesserung der Detektionsleistung mit einem Recall-Wert von 0,453 auf 0,707 und einem mAP0.5-Wert von 0,773 auf 0,839 erzielt werden. Die Ergebnisse dieser Studie werden im weiteren Projektverlauf zur Untersuchung des Abferkelprozesses und der Bestimmung kritischer Informationen zum Geburtsverlauf beitragen.
  • Konferenzbeitrag
    Wissenstransfer im Experimentierfeld DigiSchwein
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Lieboldt, Marc-Alexander; Münzebrock, Lena; Sagkob, Stefan; Diekmann, Ludwig
    Gemäß dem Prinzip Theorie trifft Praxis verfolgt das Experimentierfeld DigiSchwein mit Hilfe seines Wissenstransferkonzepts das Ziel, die Erkenntnisse und Erfahrungen seiner F&E-Arbeit zum Einsatz digitaler Lösungen in der Schweinehaltung wirksam und Open Source in der Praxis und Lehre entlang der gesamten landwirtschaftlichen Wertschöpfungskette Schwein zu vermitteln. Hauptzielgruppen des Wissenstransfers sind derzeitige und zukünftige Landwirte als Anwender digitaler Lösungen, der ihnen vor- und nachgelagerte Bereich als Bereitsteller und Vernetzer dieser Lösungen sowie die Politik als rechtlicher Rahmengeber der Digitalisierung. In diesem Kurzbeitrag wird das Wissenstransferkonzept im Experimentierfeld DigiSchwein mit seiner Zielsetzung, seinen Zielgruppen sowie den auf sie abgestimmten Vernetzungs- und Transfermethoden vorgestellt. Der Leitsatz des Wissenstransfers im Projekt lautet DigiSchwein – beraten, qualifizieren, fördern.