Logo des Repositoriums

Auflistung nach Autor:in "Traulsen, Imke"

1 - 8 von 8
  • Konferenzbeitrag
    Automatische Unterscheidung von Verhaltensmustern bei Schweinen auf der Basis von Anomalieerkennung durch ein neuronales Konvolutionsnetzwerk
    (40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier, 2020) Wutke, Martin; Gültas, Mehmet; Traulsen, Imke; Schmitt, Armin O.
    Die automatisierte Erfassung und Klassifizierung spezifischer Verhaltensmuster von Hausschweinen ermöglicht die Untersuchung unterschiedlicher Einflussfaktoren in den Haltungsbedingungen. Vor allem die Analyse von Videoaufnahmen von Tieren stellt bestehende Ansätze vor Herausforderungen, da die beobachtbaren Verhaltensmuster keiner bestimmbaren Verteilung zu folgen scheinen. Die präsentierte Methode verwendet einen Machine-Learning-Algorithmus, um das Aktivitätsniveau verschiedener Schweinegruppen auf Basis von Videoaufnahmen zu bestimmen. In einem ersten Schritt wird ein neuronales Netzwerk darauf trainiert, Anomalien in Form von unerwarteten Aktivitäten in den Videodateien zu detektieren. Anhand der erzielten Ergebnisse wird in einem zweiten Schritt ein Klassifizierungsalgorithmus entwickelt, wodurch ein standardisierter Vergleich unterschiedlicher Videosequenzen ermöglicht wird.
  • Konferenzbeitrag
    Digitale Simulation von Konzepten und Handlungsoptionen zur Verminderung von Stickstoffemissionen in der Schweinehaltung: das Serious Game pigNplay
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Post, Christian; Elsholz, Sabrina; Reith, Alexandra; Rieckmann, Marco; Corzilius, Gero; Grabkowsky, Barbara; Christ, Stefan; Hertzberg, Joachim; Reddig, Sarah; Greven, Annika; von Geibler, Justus; Traulsen, Imke
    Das Serious Game pigNplay ermöglicht als ein digitales Werkzeug für (angehende) Landwirt/-innen das Kennenlernen, Bewerten und virtuelle Ausprobieren von Optionen zur Stickstoffreduktion in der Schweinehaltung. Dazu gehören z.B. bauliche oder technische Möglichkeiten sowie Managementmaßnahmen inkl. ihrer ökonomischen und ökologischen Wirkungen. Grundlage ist eine digitale Simulation einer Betriebsumwelt für verschiedene Haltungssysteme, die anhand von integrierten Schätzgleichungen und etablierten Kennzahlen modelliert werden. Somit kann das Serious Game komplexe Zusammenhänge von Stickstoffkreisläufen vermitteln und die Übertragung der erworbenen Kenntnisse auf die landwirtschaftliche Praxis fördern.
  • 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
    Entwicklung eines vielfältigen und anspruchsvollen Benchmark-Datensatzes für die Detektion von Schweinen in Bildern
    (44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Henrich, Jonathan; Post, Christian; Kneib, Thomas; Yahyapour, Ramin; Bingert, Sven; Traulsen, Imke
    Die Lokalisation von Schweinen in Videobildern mittels Objektdetektion spielt eine Schlüsselrolle bei der Gestaltung digitaler Überwachungssysteme in der Schweinehaltung. Um leistungsstarke Schweinedetektionsmodelle zu trainieren und systematisch miteinander zu vergleichen, bedarf es diverser und für Detektionsmodelle anspruchsvoller annotierter Datensätze. Aktuell sind solche Ressourcen nur begrenzt verfügbar. Dem soll im Rahmen dieser Arbeit nachgegangen werden, indem die Grundlage für einen anspruchsvollen Benchmark-Datensatz für die Schweinedetektion geschaffen wird. Anspruchsvolle Bilder, d. h. anfällig für fehlerhafte Detektionen, wurden mithilfe eines interaktiven prädiktionsbasierten Ansatzes identifiziert. Die experimentellen Ergebnisse legen nahe, dass sich diese gezielte Auswahl von anspruchsvollen Bildern positiv auf die Leistung von trainierten Schweinedetektionsmodellen auswirkt.
  • 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
    Präventive Keulung und Notimpfung zur Bekämpfung der Maul- und Klauenseuche anhand eines räumlichen und zeitlichen Monte-Carlo Simulationsmodells
    (Anforderungen an die Agrarinformatik durch Globalisierung und Klimaveränderung, 2009) Traulsen, Imke; Teuffert, Jürgen; Rave, Gerhard; Krieter, Joachim
    Nach den jüngsten Ausbrüchen der Mau- lund Klauenseuche (MKS) in Europa wird die Notimpfung als eine alternative Bekämpfungsmaßnahme zur präventiven Keulung diskutiert. Mit Hilfe eines räumlichen und zeitlichen Monte-Carlo Simulationsmodells für die Übertragung des MKS-Virus zwischen Tierbeständen wurden diese beiden Kontrollmaßnahmen miteinander verglichen und auch Interaktionen mit weiteren Einflussfaktoren (Luftausbreitung, Betriebsdichte, Art des Indexbetriebes und Verzögerung bis zum Start der Bekämpfungsmaßnahme) berücksichtigt. Die Notimpfung stellt insbesondere bei einer unverzögerten (max. 1 Tag) und weiträumigen (5 bzw. 10 km Umkreis) Anwendung sowie in Gebieten mit einer hohen Betriebsdichte eine alternative zur präventiven Keulung dar, da weniger Tierbestände von dem Virus betroffen sind.
  • Konferenzbeitrag
    Using Deep Learning for automated birth detection during farrowing
    (EnviroInfo 2022, 2022) Witte, Jan-Hendrik; Gerberding, Johann; Lensches, Clara; Traulsen, Imke
    Pig livestock farming has been undergoing major structural change for years. The number of animals per farm is constantly increasing, while competition is becoming more intense due to volatile slaughter prices. Sustainable, welfare-oriented livestock farming becomes increasingly difficult under these conditions. Studies have shown that animal-specific birth monitoring of sows can significantly reduce piglet losses. However, continuous monitoring by human staff is inconceivable, which is why systems need to be created that assist farmers in these tasks. For this reason, this paper aims to introduce the first step towards an automated birth monitoring system. The goal is to use deep learning methods from the field of computer vision to enable the detection of individual piglet births based on image data. This information can be used to develop systems that detect the beginning of a birth process, measure the duration of piglet births, and determine the time intervals between piglet births.