A new version of this entry is available:
Loading...
Doctoral Thesis
2024
Automatische Prozessüberwachung in der Nutztierhaltung : Gestaltung eines Verfahrens zur Extraktion von Prozessindikatoren aus Bilddaten mittels Deep Learning
Automatische Prozessüberwachung in der Nutztierhaltung : Gestaltung eines Verfahrens zur Extraktion von Prozessindikatoren aus Bilddaten mittels Deep Learning
Abstract (German)
Der Gegenstand der Arbeit sind Verfahren zur Erkennung der Prozessindikatoren zum Liegeverhaltens von Schweinen aus Videobildern. Das Liegeverhalten eines Schweines ist definiert als dessen Position im Stallbereich und ob es liegt oder nicht liegt. Hierzu zeichnen in Stallbereichen installierte Kameras kontinuierlich Videobilder auf, die hinsichtlich des Liegeverhaltens der abgebildeten Schweine analysiert werden. Die Stallposition im Tagesverlauf und die Liegehäufigkeit sind wichtige Prozessindikatoren in der Schweinehaltung.
Die Problemstellung liegt in der Korrektheit der Erkennung der Prozessindikatoren zum Liegeverhalten. Bisherige Verfahren treffen zwei Annahmen: Erstens werden nur zur Tageszeit aufgenommene Videobilder verarbeitet, sodass das Liegeverhalten im Dauerbetrieb und insbesondere der Nacht und Dämmerung unerkannt bleibt. Zweitens setzen die Verfahren Homogenität der Stallbereiche voraus, sodass alle Stallbereiche ähnliche physische Eigenschaften besitzen. Diese Annahme beschränkt die Eignung der Verfahren für unbekannte Stallbereiche. Die Problemstellung wird aus der Perspektive des Deep Learning untersucht.
Die vorliegende Arbeit trägt zur automatischen kontinuierlichen Erfassung der Position und der Körperhaltung von Schweinen unter Verwendung von handelsüblichen 2D-Kameras in realen Umgebungen unter verschiedenen Lichtbedingungen und Kameraausrichtungen rund um die Uhr bei. In der vorliegenden Arbeit wird untersucht, wie Deep-Learning-Verfahren angewendet und gestaltet werden können, um unter realen Bedingungen kontinuierlich eine hohen mean Average Precision zu erzielen und welche Einschränkungen bei der Anwendung von Deep-Learning-Verfahren bestehen. Das gestaltete und evaluierte Verfahren ermöglicht die Erkennung von Schweinen in einer großen Anzahl verschiedener Ställe, dies beinhaltet das Liegeverhaltens unter Verwendung realistischer Kamera- und Beleuchtungseinstellungen (inkl. Nachtaufnahmen mittels Nahinfrarot).
File is subject to an embargo until
This is a correction to:
A correction to this entry is available:
This is a new version of:
Notes
Publication license
Publication series
Published in
Faculty
Faculty of Business, Economics and Social Sciences
Institute
Institute of Health Care & Public Management
Examination date
2024-04-24
Supervisor
Edition / version
Citation
DOI
ISSN
ISBN
Language
German
Publisher
Publisher place
Classification (DDC)
330 Economics
Collections
Original object
Standardized keywords (GND)
Sustainable Development Goals
BibTeX
@phdthesis{Riekert2024,
url = {https://hohpublica.uni-hohenheim.de/handle/123456789/15860},
author = {Riekert, Martin},
title = {Automatische Prozessüberwachung in der Nutztierhaltung: Gestaltung eines Verfahrens zur Extraktion von Prozessindikatoren aus Bilddaten mittels Deep Learning},
year = {2024},
}