Exploring the Potential of Deep Learning for Precision Livestock Farming of Pigs
Development of two Analysis Frameworks for Behavioral Monitoring
| dc.contributor.advisor | Schmitt, Prof. Dr. Armin | |
| dc.contributor.author | Wutke, Martin | |
| dc.date.accessioned | 2023-06-16T14:54:44Z | |
| dc.date.available | 2023-06-23T00:50:11Z | |
| dc.date.issued | 2023-06-16 | |
| dc.identifier.uri | http://resolver.sub.uni-goettingen.de/purl?ediss-11858/14720 | |
| dc.identifier.uri | http://dx.doi.org/10.53846/goediss-9926 | |
| dc.format.extent | XXX Seiten | de |
| dc.language.iso | deu | de |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject.ddc | 630 | de |
| dc.title | Exploring the Potential of Deep Learning for Precision Livestock Farming of Pigs | de |
| dc.title.alternative | Development of two Analysis Frameworks for Behavioral Monitoring | de |
| dc.type | doctoralThesis | de |
| dc.contributor.referee | Schmitt, Prof. Dr. Armin | |
| dc.date.examination | 2023-03-23 | de |
| dc.description.abstractger | Mit zunehmenden Belegungsdichten, erhöhten Gruppengrößen und intensiveren Haltungsbedingungen von Schweinen kommt der Überwachung der Tiere eine wichtige und proaktive Rolle im Betriebsmanagementsystem zu. Gleichzeitig nehmen sowohl der ethische Aspekt als auch das Tierwohl in der landwirtschaftlichen Praxis sowie in der Wissenschaft eine immer wichtigere Rolle ein. Nichtsdestotrotz nimmt das Tier-Mensch-Verhältnis in der kommerziellen Nutztierhaltung aufgrund der intensivierten Haltungsbedingungen beständig zu und auch der Nutzen von Kameratechnik ist begrenzt, da die erzeugten Videodaten in der Regel manuell ausgewertet werden müssen. In diesem Zusammenhang zeigen die jüngsten Fortschritte in den Bereichen maschinelles Lernen (ML), Deep Learning (DL) und Computer Vision (CV) das Potenzial, hilfreiche Informationen aus Videodaten zu extrahieren, die Forschern und Praktikern bei der Situationserkennung und Entscheidungsfindung in Bezug auf den Status und das Wohlbefinden ihrer Tiere helfen können. Die Kapitel dieser Arbeit befassen sich mit diesem Thema und untersuchen die Eignung moderner DL-Algorithmen zur Automatisierung des Videoanalyseprozesses, um Limitierungen zu identifizieren und Tierüberwachungssysteme zu verbessern. Hierbei habe ich zwei Analyseframeworks entwickelt, welche Techniken aus den Bereichen des unüberwachten und überwachten Lernens einbeziehen, um tiefere Einblicke in das Potenzial dieser Algorithmen zur Verbesserung von Tierüberwachungssystemen und zur Bestimmung wichtiger Verhaltensmerkmale von Schweinen zu gewinnen. In meinem ersten Analyseframework habe ich Methoden aus dem Bereich der semi-überwachten Anomaliedetektion eingesetzt, um die gruppenspezifischen Aktivitätsniveaus multipler Schweineabteile und heterogenen Gruppengrößen zu überwachen und eingehender zu untersuchen. Indem ich zunächst ein DL-Modell mit Videosequenzen auf Basis niedriger Aktivitätsniveaus trainierte, welches in diesem Kontext als Normalverhalten definiert ist, können abnormale Episoden in Form von Einzeltierbewegungen sowie intensive Gruppenaktivitäten identifiziert werden, indem für jeden Zeitschritt des Videos ein gruppenspezifischer Aktivitätswert erzeugt wird. In einem zweiten Schritt habe ich die individuellen Aktivitätswerte mit Hilfe eines schwellenwertbasierten Aktivitäts-Klassifikators skaliert, um die Vergleichbarkeit zwischen verschiedenen Schweineabteilen zu erhöhen und das Problem heterogener Kameraumgebungen und Gruppengrößen zu adressieren. Im Vergleich zur gruppenspezifischen Analyse meines ersten Frameworks fokussierte ich mich in meinem zweiten Framework auf eine tierindividuelle Perspektive. Hierbei verwende ich einen Bottom-up-Ansatz zur Objektdetektion, bei dem zunächst die Position und die Orientierung einzelner Schweine mit Hilfe einer Keypoint-Annotation bestimmt wird. Anschließend wird jede Detektion über einen spezifischen Zeitraum verfolgt, indem die räumlichen und zeitlichen Informationen durch einen Kalman-Filter-Algorithmus (KF) kombiniert werden. Auf der Grundlage dieser Detektions- und Trackinginformationen werden anschließend für jedes Videobild potenzielle Tierinteraktionen in Form von Kopf-Kopf- und Kopf-Schwanz-Kontakten bestimmt und ein soziales Netzwerk automatisiert erstellt, welches Informationen über die Intensität der einzelnen Beziehungen liefert. Insgesamt demonstrieren die Ergebnisse dieser Arbeit die Anwendbarkeit DL-basierter Analysemethoden zum automatischen Monitoring von Schweinegruppen unter landwirtschaftlichen Haltungsbedingungen. Darüber hinaus unterstützt die vorliegende Arbeit die Adressierung des Problems von Big-Data in der Nutztierhaltung und kann zur Bestimmung verhaltensbasierter Tierschutzindikatoren für weitere Analysen eingesetzt werden. | de |
| dc.description.abstracteng | With increasing occupancy densities, larger group sizes and intense farming conditions of pigs, the monitoring process of these animals takes on an important and pro-active role in the farm management system. At the same time, the ethical aspect of livestock husbandry and animal welfare are taking on an increasingly important role in both practice and science. Nevertheless, the human-animal ratio in commercial livestock production is decreasing due to intensified farming conditions and also the use of camera technology is limited, as the generated video data usually has to be analyzed manually. In this context, recent advances in machine learning (ML), deep learning (DL), and computer vision (CV) demonstrate the potential to extract helpful information from video data that can assist researchers and practitioners in situational awareness and decision making regarding the status of their animals and animal welfare. The chapters of this thesis address this issue and investigate the suitability of state of the art DL algorithms to automate the video analysis process in order to enhance monitoring systems. In particular, I have developed two analysis frameworks that incorporate techniques from the fields of unsupervised and supervised learning to gain deeper insights into the potential of these algorithms to improve animal monitoring systems and to determine important behavioral traits of pigs. In my first analysis framework I utilized methods from the area of semi-supervised anomaly detection to investigate and monitor the group specific activity levels of different pig compartments and group sizes. By first training a DL model on video sequences with a low level of activity, defined as the normal behavior, anomalous episodes in the form of single movement activities as well as high level group activities can be identified by generating a group specific activity score for each time step of the video. In a second step, I scaled the individual activity scores by using a threshold-based activity score classifier to increase the comparability between different pig compartments and to tackle the problem of heterogeneous camera environments and group sizes. Compared to the group-specific analysis of my first framework, the second framework focuses on an animal-specific perspective. Here, I apply a bottom-up object detection approach, using a keypoint annotation to first determine the location and orientation of individual pigs, and then track each detection for a given period of time by combining the spatial and temporal information with a Kalman Filter (KF) algorithm. Based on the detection and tracking information, I consequently determine potential contacts between animals in the form of head-to-head and head-to-tail contacts for each video frame and generate a social network that provides information on the intensity of each relationship. Overall, both my frameworks demonstrate the applicability of DL-based analysis methods to automatically monitor groups of pigs in a commercial livestock setting, address the problem of big data in livestock farming and can be applied to determine behavior-based animal welfare indicators for further analysis. | de |
| dc.contributor.coReferee | Traulsen, Prof. Dr. Imke | |
| dc.contributor.thirdReferee | Gültas, Prof. Dr. Mehmet | |
| dc.subject.eng | convolutional neural networks | de |
| dc.subject.eng | precision livestock farming | de |
| dc.subject.eng | animal tracking | de |
| dc.subject.eng | deep learning | de |
| dc.subject.eng | animal detection | de |
| dc.identifier.urn | urn:nbn:de:gbv:7-ediss-14720-6 | |
| dc.affiliation.institute | Fakultät für Agrarwissenschaften | de |
| dc.subject.gokfull | Land- und Forstwirtschaft (PPN621302791) | de |
| dc.description.embargoed | 2023-06-23 | de |
| dc.identifier.ppn | 1850492212 | |
| dc.identifier.orcid | 0000-0001-7839-2751 | de |
| dc.notes.confirmationsent | Confirmation sent 2023-06-16T15:15:02 | de |