DigiMilchPro – Teilprojekt 2: KI-Einsatz zur Verbesserung des Tierwohls bei Milchkühen in Praxisbetrieben mit Sensor- und Videoanalyse und automatisierter Überwachung; Frühzeitige Lahmheits- und Hitzebelastungserkennung
DigiMilchPro – Teilprojekt 2: KI-Einsatz zur Verbesserung des Tierwohls - LfL
DigiMilchPro – Teilprojekt 2: KI-Einsatz zur Verbesserung des Tierwohls Das Teilprojekt 2 von DigiMilchPro erforscht, wie Sensordaten und videobasierte KI zur automatischen Erkennung von Lahmheiten und Hitzebelastung bei Milchkühen beitragen können. Ziel ist die Entwicklung robuster KI-Modelle zur Verbesserung des Tierwohls durch eine frühzeitige, automatisierte Erkennung von Lahmheit und Hitzestress. Das Teilprojekt gliedert sich in vier Arbeitsschwerpunkte: “Indirekte Lahmheitserkennung mit Hilfe automatisch generierter Daten”, “Direkte automatische Lahmheitserkennung mit KI-Videoanalyse des Bewegungsverhaltens”, “Kombination indirekter und direkter Lahmheitserkennung zur Verbesserung der Prognosemodelle” und “Erfassung der tierindividuellen Hitzebelastung mit automatisch generierten Daten”. Ausgangslage Lahmheiten zählen zu den zentralen Tierwohlproblemen in der Milchviehhaltung. Die manuelle Erkennung von Lahmheiten durch Landwirtinnen und Landwirte ist zeitaufwendig, subjektiv und stellt eine Herausforderung dar, da die Tiere häufig erst lahm gehen, wenn die Beeinträchtigung bereits fortgeschritten ist. Gleichzeitig stehen in modernen Milchviehbetrieben zunehmend automatisch generierte Daten aus tierindividuellen Sensorsystemen und Videoüberwachung zur Verfügung. Welches Potenzial diese Daten bieten, Tierwohlprobleme wie Lahmheiten früher, objektiver und kontinuierlich zu erkennen, untersucht das Teilprojekt 2 von DigiMilchPro. Vorarbeiten aus dem Vorgängerprojekt DigiMilch haben gezeigt, dass KI-basierte Modelle zur indirekten Lahmheitserkennung grundsätzlich geeignet sind, jedoch weiterentwickelt und unter Praxisbedingungen weiter überprüft werden müssen. Eine weitere Herausforderung in Bezug auf das Tierwohl stellt die Hitzebelastung dar. Steigende Temperaturen und eine hohe Milchleistung verursachen eine Hitzebelastung bei Milchkühen – nicht nur im Hochsommer. Hier könnten automatisch erfasste Klimadaten sowie tierindividuelle Verhaltens- und Leistungsdaten helfen, Hitzebelastung bei einzelnen Tieren früh zu erkennen, um rechtzeitig Maßnahmen zur Kühlung einzuleiten. Fragestellung Im Zentrum des Teilprojekts steht die Frage, inwieweit der Einsatz von Methoden der Künstlichen Intelligenz zur automatischen Erkennung von Lahmheiten und Hitzebelastung einzelner Tiere beitragen kann. Untersucht wird insbesondere, ob indirekte Verfahren auf Basis von Sensordaten eine frühere Erkennung von Lahmheiten ermöglichen als das manuelle Locomotionscoring und ob sich durch die Kombination indirekter und direkter, videobasierter Verfahren die Prognosegüte weiter steigern lässt. Zudem wird erforscht, wie sich eine tierindividuelle Hitzebelastung valide abbilden lässt und welche Sensordaten hierfür am besten geeignet sind. Zielsetzung und Ergebniserwartung Ziel des Teilprojekts ist die Entwicklung robuster KI-Modelle zur Verbesserung des Tierwohls durch eine frühzeitige, automatisierte Erkennung von Lahmheit und Hitzestress. Erwartet wird, dass Lahmheiten früher erkannt werden können als durch die alleinige visuelle Einschätzung im Stall. Durch die Kombination indirekter Sensordaten mit direkter Videoanalyse soll die Genauigkeit der Modelle weiter erhöht werden. Darüber hinaus soll ein Ansatz zur Erfassung der tierindividuellen Hitzebelastung entwickelt werden, der individuelle Grenzwerte der Tiere berücksichtigt und als Entscheidungsgrundlage für ein gezieltes Management dient. Methode Methodisch gliedert sich das Teilprojekt in vier Arbeitsschwerpunkte. Zunächst werden bestehende Modelle zur indirekten Lahmheitserkennung weiterentwickelt und um zusätzliche Modellierungsansätze ergänzt. Grundlage sind im Rahmen des Vorgängerprojekts DigiMilch automatisch generierte Daten zu Verhalten, Leistung, Physiologie und Stallklima, die auf Praxisbetrieben erhoben und mit regelmäßigen manuellen Lahmheitsbewertungen verglichen wurden. Parallel dazu wird eine direkte automatische Lahmheitserkennung auf Basis von Videoaufnahmen des Bewegungsverhaltens der Tiere erarbeitet. Hierbei kommen Verfahren der Videoanalyse und Posenschätzung zum Einsatz, wobei Herausforderungen wie verdeckte Sichtfelder und unterschiedliche Kamerapositionen berücksichtigt werden. In einem weiteren Schritt werden beide Ansätze zu einem kombinierten Lahmheitserkennungsmodell zusammengeführt. Ergänzend erfolgt die Erstellung und Auswertung von Datensätzen zur Hitzebelastung, unter anderem unter Einbeziehung von Atemfrequenz, Temperatur-Feuchte-Index und weiteren Sensordaten, um einen tierindividuellen Hitzebelastungsindex abzuleiten. Ausgewählte Veröffentlichungen
...