Achtung: hohPublica wurde am 18.11.2024 aktualisiert. Falls Sie auf Darstellungsfehler stoßen, löschen Sie bitte Ihren Browser-Cache (Strg + Umschalt + Entf). *** Attention: hohPublica was last updated on November 18, 2024. If you encounter display errors, please delete your browser cache (Ctrl + Shift + Del).
 

Automatische Prozessüberwachung in der Nutztierhaltung : Gestaltung eines Verfahrens zur Extraktion von Prozessindikatoren aus Bilddaten mittels Deep Learning

dc.contributor.advisorKirn, Stefan
dc.contributor.authorRiekert, Martin
dc.date.accepted2024-04-24
dc.date.accessioned2024-07-30T10:14:59Z
dc.date.available2024-07-30T10:14:59Z
dc.date.issued2024
dc.description.abstractDer 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).de
dc.identifier.urihttps://hohpublica.uni-hohenheim.de/handle/123456789/15860
dc.identifier.urihttps://doi.org/10.60848/10815
dc.language.isoger
dc.rights.licensecc_by
dc.subjectDeep Learning
dc.subjectProzessindikatoren
dc.subjectObjekterkennung
dc.subjectNahinfrarot
dc.subjectSchweinehaltung
dc.subjectProzessüberwachung
dc.subjectDauerbetrieb
dc.subject.ddc330
dc.titleAutomatische Prozessüberwachung in der Nutztierhaltung : Gestaltung eines Verfahrens zur Extraktion von Prozessindikatoren aus Bilddaten mittels Deep Learningde
dc.type.diniDoctoralThesis
local.export.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}, }
local.export.bibtexAuthorRiekert, Martin
local.export.bibtexKeyRiekert2024
local.export.bibtexType@phdthesis
local.faculty.number3
local.institute.number530

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Diss_Martin_Riekert.pdf
Size:
47.04 MB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
7.85 KB
Format:
Item-specific license agreed to upon submission
Description: