Aktivitätserkennung und Process-Mining für die Verhaltensanalyse im Schweinestall

Eine große Zahl an Fragestellungen in der agrarwissenschaftlichen Forschung und praktischen Nutztierhaltung untersucht den Einfluss von externen Faktoren und Interventionen auf das Verhalten der Tiere. Eine etablierte Methode zur Verhaltensanalyse ist die Aufnahme von Videodaten, die manuell annotiert und anschließend analysiert werden, was einen hohen Arbeitsaufwand verursacht. Es existieren bereits einige Ansätze zur automatisieren Annotation von Tierverhalten an Videos. Diese sind jedoch in der Regel entweder auf die Annotation einzelner Verhaltensklassen limitiert, oder die verschiedenen Verhaltensklassen werden in der anschließenden Analyse isoliert betrachtet.

Das Process-Mining bietet eine große Auswahl an Verfahren, Prozessabläufe mithilfe von Ereignisdaten zu rekonstruieren und analysieren. Die Anwendung von Process-Mining-Verfahren bietet also die Möglichkeit, automatisiert Zusammenhänge zwischen den verschiedenen Verhaltensklassen zu untersuchen.

Ziel des Projekts ist, eine Methode zu entwickeln, die mittels KI-basierter Aktivitätserkennung Ereignisdaten aus Kamerabildern extrahiert, die dann zur Analyse des Tierverhaltens mittels Process-Mining genutzt werden. Aus der videobasierten Überwachung von Verhaltensabläufen und -mustern können potenziell automatisiert Rückschlüsse auf die Gesundheit der Tiere und auf die Auswirkungen verschiedener Einflussfaktoren (z.B. Außentemperatur, Stallarchitektur) auf das Tierverhalten gezogen werden, wodurch Landwirten ein wertvolles Werkzeug zur Automatisierung ihrer Betriebsabläufe zur Verfügung stehen würde. Zusätzlich können die zu entwickelnden Methoden eine Unterstützung für die agrarwissenschaftliche Verhaltensforschung darstellen, indem die Annotation und Analyse von verhaltensbezogenen Videodaten weiter automatisiert werden.