Re-Identifikation markierter Schweine mit Computer Vision und Deep Learning
dc.contributor.author | Fruhner, Maik | |
dc.contributor.author | Tapken, Heiko | |
dc.contributor.author | Müller, Henning | |
dc.contributor.editor | Gandorfer, Markus | |
dc.contributor.editor | Hoffmann, Christa | |
dc.contributor.editor | El Benni, Nadja | |
dc.contributor.editor | Cockburn, Marianne | |
dc.contributor.editor | Anken, Thomas | |
dc.contributor.editor | Floto, Helga | |
dc.date.accessioned | 2022-02-24T13:34:37Z | |
dc.date.available | 2022-02-24T13:34:37Z | |
dc.date.issued | 2022 | |
dc.description.abstract | Das Forschungsprojekt SmartTail untersucht die frühzeitige Erkennung von Schwanzbeißen bei Mastschweinen mithilfe von künstlicher Intelligenz. Durch Video-Livestreams aus den Versuchsställen können die Tiere automatisiert erkannt und überwacht werden. Beim Auftreten aggressiven Verhaltens muss das System jedoch in der Lage sein, Aggressor und Opfer zu identifizieren. Hierzu wurden unterschiedliche Arten der Markierung untersucht, die von einem Computersystem autonom erkannt werden sollen. Der Einsatz von auf Ohrmarken gedruckten Data Matrix Codes hat gezeigt, dass die Wiedererkennung eines Tieres auch nach langer Verdeckung oder Abwesenheit gewährleistet werden kann, indem die Codes im Videomaterial lokalisiert und ausgelesen werden. In Verbindung mit einem Tracking-Verfahren ist so eine robuste Identifikation und Überwachung von Tieren möglich. Die gesammelten Daten können zudem für die Untersuchung weiterer wissenschaftlicher Fragestellungen genutzt werden. | de |
dc.identifier.isbn | 978-3-88579-711-1 | |
dc.identifier.pissn | 1617-5468 | |
dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/38378 | |
dc.language.iso | de | |
dc.publisher | Gesellschaft für Informatik e.V. | |
dc.relation.ispartof | 42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft | |
dc.relation.ispartofseries | Lecture Notes in Informatics (LNI) - Proceedings, Volume P-317 | |
dc.subject | Schwanzbeißen | |
dc.subject | Computer Vision | |
dc.subject | Object Detection | |
dc.subject | Re-Identification | |
dc.subject | Precision Livestock Farming | |
dc.title | Re-Identifikation markierter Schweine mit Computer Vision und Deep Learning | de |
dc.type | Text/Conference Paper | |
gi.citation.endPage | 104 | |
gi.citation.publisherPlace | Bonn | |
gi.citation.startPage | 99 | |
gi.conference.date | 21.-22. Februar 2022 | |
gi.conference.location | Tänikon, Online |
Dateien
Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
- Name:
- GIL2022_Fruhner_99-104.pdf
- Größe:
- 298.86 KB
- Format:
- Adobe Portable Document Format