Stud.IP Uni Oldenburg
University of Oldenburg
01.10.2022 07:54:08
ThesisTopics

Personal details

Title Tierindividuelles Tracking in der Ferkelaufzucht und Mast auf Basis von Deep Learning zur Ableitung tierspezifischer Aktivitätsindizes
Description
Im Rahmen des Projekts DigiSchwein werden eine Vielzahl unterschiedlicher Indikatoren mittels KI auf Basis von Bilddaten extrahiert und analysiert. Ein wichtiger Bestandteil ist die Aktivität. Die Aktivität der Tiere ist einer der zentralen Indikatoren zur frühzeitigen Erkennung von Krankheiten oder aggressivem Verhalten innerhalb der Gruppe und spielt aus diesem Grund elementarer Bestandteil bei der Konzipierung und Entwicklung automatisierter Monitoring- und Frühwarnsystemen in der Schweinehaltung.

Beim Aktivitätsmonitoring existieren im Kern zwei unterschiedliche Ansätze, die jeweils auch mit unterschiedlichen Arbeitsaufwänden verbunden sind: Auf Buchtenbasis oder tierindividuell. Bei ersterem kann eine einfache Object Detection genutzt werden, um auf Basis der erkannten Schweine im Bild ein Regelsystem oder ein Algorithmus zu entwickeln, der die Verschiebung der Objekte innerhalb nachfolgender Bilder misst (nachfolgende Bilde, da im Rahmen von Monitoringsystemen Videostreams verarbeitet werden, die zunächst in einzelne Frames zerlegt werden, um auf Basis dessen jeweilige Predictions durchzuführen) und einen Index daraus ableitet, der zur Bestimmung der allgemeinen Aktivität innerhalb der betrachteten Bucht genutzt werden kann. Problem dabei ist, dass Tiere bzw. erkannte Objekte dabei nicht individuell betrachtet und getrackt werden können. Das liegt daran, dass bei der Verarbeitung der aus dem jeweiligen Videostream extrahierten Bildern durch eine einfache Object Detection Methode jeder Frame unabhängig voneinander betrachtet wird. Der Algorithmus hat dadurch keine Möglichkeit, Bezug auf vorliegende oder nachfolgende Frames innerhalb des Videostreams zu nehmen, weshalb ein tierindividuelles Tracking ohne eine nachgelagerte Methode nicht möglich ist.
Aus diesem Grund wurden Methoden und Algorithmen entwickelt, die genau dieses Problem lösen sollen: Jedem erkannten Objekt eine einzigartige ID zuweisen und diese dem jeweiligen Objekt in nachfolgenden Frames erneut zuordnen - zusammengefasst in dem Begriff Object Tracking bzw. Multi-Object Tracking.

Und genau hier setzt die Arbeit an. Es sollen die in der Literatur angewendeten Methoden zum (Multiple) Object Tracking identifiziert und anschließend auf die betrachte Domäne im Rahmen des Projekts DigiSchwein übertragen werden. Dazu soll ein Datensatz erstellt werden, der zur Evaluation der identifizierten Verfahren zum tierindividuellen Tracking herangezogen werden soll. Die Ergebnisse sollen anschließend dazu genutzt werden, um auf Basis der tierindividuellen Tracks individuelle Aktivitätsindizes abzuleiten. 
Um den Einstieg in die Arbeit zu erleichtern, kann auf eine Vielzahl bereits vorhandener Ressourcen innerhalb des DigiSchwein Projekts zurückgegriffen werden:
-Es liegt ein umfassender Object Detection Datensatz sowie Modelle zur Erkennung von Schweinen vor, die bei der Erstellung der Object Tracking Datensätze unterstützen.
-Es liegt ein Modell zur Erkennung der Haltung (liegen / stehen) vor, welches genutzt werden kann, um abgeleitete Aktivitätsindizes weiter zu verfeinern
-Es kann auf Abschlussarbeiten aufgebaut werde, die ein vergleichbares Themengebiet abgedeckt haben.
-Falls keine eigenen Ressourcen vorhanden, kann auf den im Projekt vorhandenen KI-Server zurückgegriffen werden, um Modelle zu trainieren oder andere rechenintensive Prozesse auszulagern

Bei Fragen meldet euch einfach bei mir. Ich freue mich auf eure Bewerbung! 
Home institution Department of Computing Science
Type of work practical / application-focused
Type of thesis Master's degree
Author Jan-Hendrik Witte
Status available
Problem statement
Requirement
Created 12/08/22

Study data

Departments
  • Very Large Business Applications
Degree programmes
  • Master's Programme Business Informatics
Assigned courses No courses assigned
Contact person