| dc.date.accessioned | 2017-12-15T08:18:15Z | |
| dc.date.available | 2017-12-15T08:18:15Z | |
| dc.date.issued | 2017-12-15 | |
| dc.identifier.issn | 0931-6264 | |
| dc.identifier.uri | urn:nbn:de:hebis:34-2017121553993 | |
| dc.identifier.uri | http://hdl.handle.net/123456789/2017121553993 | |
| dc.language.iso | eng | |
| dc.rights | Urheberrechtlich geschützt | |
| dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | |
| dc.subject | computer vision | eng |
| dc.subject | livestock | eng |
| dc.subject | behaviours | eng |
| dc.subject | pig | eng |
| dc.subject.ddc | 630 | |
| dc.title | Development of automated computer vision systems for investigation of livestock behaviours | eng |
| dc.type | Dissertation | |
| dcterms.abstract | Der Einsatz moderner Tierüberwachungstechnologien ermöglicht es Landwirten, auch große Tierbestände mit einem hohen Tierwohl im Einklang zu bringen. Aufgrund des Potentials der Bilderkennung für praktische Betriebe wurde eine Serie wissenschaftlicher Untersuchungen auf einem Schweinemastbetrieb in Stafford, Großbritannien durchgeführt. Eine zentrale Zielsetzung dieser Dissertation war die Untersuchung der praxistauglichen Umsetzbarkeit von Bilderkennungsmethoden unter der Nutzung der Delaunay Triangulation (DT) zur Evaluierung des Liegeverhaltens von in Buchten gehaltenen Schweinen, insbesondere in Abhängigkeit von der Umgebungstemperatur. Die temperaturveränderungsbedingte Anpassung der Liegeanordnung und Positionierung der Gruppe wurde durch Einsatz der Koordinaten und des Umfangs jeder DT erfolgreich ermittelt. Weiterhin wurden Liegemuster von in Gruppen gehaltenen Schweinen bestimmt und charakterisiert. Es wurden drei thermische Kategorien in Bezug auf die Solltemperatur des Stalles (21°C) definiert: ARST (um die Solltemperatur, 19-23°C); LRST (niedriger als die Solltemperatur, 14-18°C) und HRST (höher als die Solltemperatur, 24-28°C). Basierend auf dem Umfang jedes DT -Dreiecks wurden drei Liegemuster (eng, normal und weit) der Schweinegruppen definiert und die prozentuale Verteilung jedes Musters für jede thermische Kategorie bestimmt. Zur Klassifizierung der Liegemuster in die drei Temperaturkategorien wurde ein neuronales Netzwerk mit mehrlagigem Perzeptron (MLP) entwickelt. Die DT -Merkmale (Durchschnittswert des Umfangs, maximale und minimale Länge der Seiten des DT) wurden als Eingangsgrößen für die MLP Klassifizierung berechnet und das Netzwerk damit trainiert, validiert und getestet. Die Ergebnisse zeigen, dass das MLP das gezeigte Liegeverhalten mit einer hohen Gesamtsensitivität, Spezifität und Genauigkeit (93% bis 97.4%) in die drei thermischen Kategorien klassifizieren kann. In einer weiteren Studie wurde die entwickelte Methode am Beispiel einer Untersuchung zur Auswirkung der Gabe von Wühlmaterialien auf das Liegeverhalten von Schweinegruppen untersucht. Es konnte demonstriert werden, dass das entwickelte Bilderkennungsverfahren zur schnellen und präzisen Quantifizierung des Liegeverhaltens bei Schweinen sowohl in der Wissenschaft als auch der Praxis eingesetzt werden kann. Ein weiteres Ziel dieser Dissertation war, das Aufreitverhalten in einer Tiergruppe unter Praxisbedingungen zu überwachen. Zur Lokalisierung der einzelnen Tiere wurde eine Ellipsenanpassungsmethode anhand der Konturen der im Kamerabild erfassten Schweine verwendet (s.o.). Die vorgestellte Methode war dazu in der Lage, Aufreitereignisse mit einem großen Maß an Sensitivität, Spezifität und Genauigkeit zu bestimmen (94,5%, 88,6% und 92,7%). | ger |
| dcterms.abstract | Employing modern monitoring technology has helped farm managers to improve animal production and welfare. Due to the importance of monitoring animal behaviours in commercial production, a series of research studies was carried out in a commercial pig farm in the UK. One objective of this study was to investigate the feasibility of using image processing and the Delaunay Triangulation (DT) method to detect change in group lying behaviour of pigs under commercial farm conditions and relate this to changing environmental temperature. By means of the region properties and perimeter of each DT, it was possible to automatically find the changes in lying posture and location within the pen of grouped pigs caused by temperature changes. A study for the definition and categorization of lying patterns of grouped pigs in different ambient temperatures was conducted. Three thermal categories were defined relative to room set-point temperature (21oC), i.e. ARST (around the room set temperature, from 19 to 23oC), LRST (lower than the room set temperature, from 14 to 18oC), and HRST (higher than the room set temperature, from 24 to 28oC). Different lying patterns (close, normal and far) were defined based on the perimeter of each DT triangle, and the percentages of each lying pattern were obtained for each thermal category. A method using a Multilayer Perceptron (MLP) network to automatically classify group pig lying behaviours into the three thermal categories was developed and tested for its feasibility. The results revealed that MLP could classify lying features with a high overall sensitivity, specificity and accuracy (varying from 93.0% to 97.4%) into the three thermal categories. The application of the method developed to monitor pig lying behaviour was demonstrated in a study on the effects of environmental enrichment on pig behaviour. The results demonstrate that the developed machine vision approach can be used as a precise and fast method for quantifying pig lying behaviour for research or practical applications. A further objective of this research was to develop a method for automatic detection of mounting events amongst pigs under commercial farm conditions by means of image processing. An ellipse fitting technique was applied to localize pigs in the image. The intersection points between the major and minor axis of each fitted ellipse and the ellipse shape were used for defining the head, tail and sides of each pig. The Euclidean distance (Ed) between head and tail, head and sides, the major and minor axis length of the fitted ellipse during the mounting were utilized for development of an algorithm to automatically identify a mounting event. The proposed method could detect mounting events with high level of sensitivity, specificity and accuracy, 94.5, 88.6 and 92.7%, respectively. | eng |
| dcterms.accessRights | open access | |
| dcterms.creator | Nasirahmadi, Abozar | |
| dcterms.isPartOf | Forschungsbericht Agrartechnik des Fachausschusses Forschung und Lehre der Max-Eyth-Gesellschaft Agrartechnik im VDI (VDI-MEG) ;; 590 | ger |
| dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich Ökologische Agrarwissenschaften, Fachgebiet Agrartechnik | |
| dc.contributor.referee | Hensel, Oliver (Prof. Dr.) | |
| dc.contributor.referee | Edwards, Sandra (Prof. Dr.) | |
| dc.subject.swd | Nutztierhaltung | ger |
| dc.subject.swd | Mastschwein | ger |
| dc.subject.swd | Überwachung | ger |
| dc.subject.swd | Bilderkennung | ger |
| dc.subject.swd | Tiergesundheit | ger |
| dcterms.source.series | Forschungsbericht Agrartechnik des Fachausschusses Forschung und Lehre der Max-Eyth-Gesellschaft Agrartechnik im VDI (VDI-MEG) | ger |
| dcterms.source.volume | 590 | ger |
| dc.date.examination | 2017-12-05 | |
