Logo des Repositoriums

Auflistung nach Autor:in "Riekert, Martin"

1 - 3 von 3
  • Konferenzbeitrag
    Big Data Analytics in der Tierwohldebatte
    (38. GIL-Jahrestagung, Digitale Marktplätze und Plattformen, 2018) Hoffmann, Christa; Riekert, Martin
    Big Data Analytics ermöglicht Informationen aus Daten automatisch, objektiv und kosten-günstig zu extrahieren. So können Daten zur Haltungsumgebung (z. B. Fütterungs- oder Tem-peraturdaten), aber auch Daten aus Verhaltensbeobachtungen mittels Videokameras oder RFID, analysiert und zur Verbesserung des Tierwohls eingesetzt werden. Eine besondere Be-deutung spielen Maschinelle Lernverfahren, die aus bestehenden Datenbeständen lernen und somit die Datenanalyse vereinfachen, Prognosen für Tierwohl-Risiken ermöglichen und Ein-flussfaktoren auf das Tierwohl identifizieren. Im Projekt „Landwirtschaft 4.0: Info-System“ werden neue Techniken, Methoden und Verfahren für die intelligente Auswertung entwickelt, um eine breite Zustimmung der Gesellschaft zur wettbewerbsfähigen Tierproduktion zu er-möglichen.
  • Konferenzbeitrag
    Maschinelle Lernverfahren zur frühzeitigen Prognose der Handelsklasse
    (40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier, 2020) Zimpel, Tobias; Riekert, Martin; Hoffmann, Christa; Wild, Andrea
    Landwirte in der Schweinehaltung sehen sich zunehmend einem Spannungsfeld zwischen der Wirtschaftlichkeit sowie stetig steigenden Tierwohlanforderungen ausgesetzt. In Anbetracht der Wirtschaftlichkeit spielt die Einstufung des Schlachtkörpers durch den Magerfleischanteil in die jeweilige Handelsklasse (S, E, U, R, O, P) für die Vergütung eine entscheidende Rolle. Zudem impliziert eine niedrige Handelsklasse eine Gefährdung des Tierwohls. So kann eine niedrige Handelsklasse ein Indikator für ein Untergewicht des Tieres sein. Diese Arbeit nutzt Maschinelle Lernverfahren (ML) zur Prognose der Handelsklasse. Der Datensatz umfasst über 57.000 Schweine und 14 Indikatoren der Säugephase. Der zentrale Beitrag ist ein ML-Modell zur Prognose der Handelsklasse während der Säugephase. Gegenüber dem Mehrheitsvotum wird die Genauigkeit um 12,21 % erhöht, ausgehend von einer Genauigkeit der Prognose der Handelsklasse von 68,77 %. Somit hilft der Beitrag, die Wirtschaftlichkeit von Betrieben nachhaltig zu verbessern und Abweichungen zur angestrebten Handelsklasse zu erkennen.
  • Konferenzbeitrag
    Towards animal welfare monitoring in pig farming using sensors and machine learning
    (40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier, 2020) Riekert, Martin; Zimpel, Tobias; Hoffmann, Christa; Wild, Andrea; Gallmann, Eva; Klein, Achim
    Animal welfare monitoring has the potential to improve animal welfare and provide quality-oriented differentiation for producers at the same time. However, early approaches to animal welfare monitoring use manual injury scoring and evaluation of slaughter data and other biological data. These approaches are often characterized by manual data collection, with data being evaluated infrequently. Thus, production costs would increase substantially. However, with the advent of high-tech commercial sensor technology, monitoring can be conducted automatically, objectively, and at low cost. The aim of this study is to review the suitability of environmental sensors in combination with machine learning in an intelligent animal welfare monitoring system. The system automatically analyzes data from commercially available low-cost sensors, identifies animal welfare risks and recommends actions for animal welfare.