Logo des Repositoriums

Auflistung nach Schlagwort "precision livestock farming"

1 - 4 von 4
  • Konferenzbeitrag
    Entwicklung eines Berechnungsmodells zur automatischen Lahmheitserkennung
    (40. GIL-Jahrestagung, Digitalisierung für Mensch, Umwelt und Tier, 2020) Lorenzini, Isabella; Grimm, Katharina; Haidn, Bernhard
    Die Früherkennung von Lahmheit spielt bei der Vermeidung von Leistungseinbußen und Leiden für die Tiere eine wesentliche Rolle. In der vorliegenden Studie wurden auf vier Praxisbetrieben und einem Versuchsbetrieb Verhaltens- und Leistungsdaten sowie Daten zur Klauengesundheit von 638 Tieren gesammelt. Anhand der erfassten Daten wurde das Enet-BETA Modell, das eine Genauigkeit von 0,61 AUC[1] aufwies, und das gemischte lineare Modell, das eine AUC = 0,83 aufwies, als Vorhersagemodelle für Lahmheiten bei Milchkühen überprüft.
  • Konferenzbeitrag
    Experimentierfeld DigiMilch: Digitalisierung in der Prozesskette Milcherzeugung
    (41. GIL-Jahrestagung, Informations- und Kommunikationstechnologie in kritischen Zeiten, 2021) Lorenzini, Isabella; Boppel, Manuel; Worek, Franz; Beckmann, Stefan; Poteko, Jernej; Sauter, Sophia; Lichti, Fabian; Thurner, Stefan; Schäffler, Martin; Harms, Jan; Haidn, Bernhard
    Das Projekt DigiMilch ist eines der 14 durch das Bundesministerium für Ernährung und Landwirtschaft geförderten digitalen Experimentierfelder. Experimentierfelder sind digitale Testfelder auf Praxisbetrieben, in denen untersucht werden soll, wie digitale Technologien optimal zum Schutz der Umwelt, zur Arbeitserleichterung und zur Steigerung des Tierwohls eingesetzt werden können. Im Experimentierfeld DigiMilch werden anhand von fünf Demonstrationsprojekten alle Arbeitsbereiche eines Milchviehbetriebs in Hinblick auf den Einsatz von digitalen Technologien untersucht.
  • Konferenzbeitrag
    Image-based activity monitoring of pigs
    (44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Jan-Hendrik Witte, Jorge Marx Gómez
    In modern pig livestock farming, animal well-being is of paramount importance. Monitoring activity is crucial for early detection of potential health or behavioral anomalies. Traditional object tracking methods such as DeepSort often falter due to the pigs' similar appearances, frequent overlaps, and close-proximity movements, making consistent long-term tracking challenging. To address this, our study presents a novel methodology that eliminates the need for conventional tracking to capture activity on pen-level. Instead, we segment video frames into predefined sectors, where pig postures are determined using YOLOv8 for pig detection and EfficientNetV2 for posture classification. Activity levels are then assessed by comparing sector counts between consecutive frames. Preliminary results indicate discernible variations in pig activity throughout the day, highlighting the efficacy of our method in capturing activity patterns. While promising, this approach remains a proof of concept, and its practical implications for real-world agricultural settings warrant further investigation.
  • 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.