Maschinelle Lernverfahren zur Prognose von Tierwohlrisiken in der Schweinehaltung

Autor/innen

  • Tobias Zimpel
  • Martin Riekert
  • Achim Klein
  • Christa Hoffmann

DOI:

https://doi.org/10.15150/lt.2021.3261

Abstract

Tierwohl ist ein Qualitätsmerkmal moderner Schweinehaltung und zunehmend im Blickpunkt der Öffentlichkeit. Tierwohlrisiken sind multifaktoriell und müssen erkannt werden, bevor das Tierwohl gefährdet ist. Diese Arbeit nutzt Maschinelles Lernen (ML) zur frühzeitigen Prognose von Tierwohlrisiken. Der verwendete Datensatz umfasst Daten von über 57.000 Schweinen, gegliedert nach 10 Tierwohlrisiken und 14 Indikatoren für die Säugephase. Der zentrale Beitrag ist ein ML-Modell zur Prognose von Todesfällen in der Säugephase mit einer Accuracy von 80,4 %. Die Accuracy des Majority-Vote-Klassifikators für den Todesfall in der Säugephase beträgt hingegen nur 53,1 %. Somit könnte die Methode dazu beitragen, drohende Todesfälle in der Säugephase von Schweinen frühzeitig zu erkennen und Maßnahmen zu ergreifen.

Literaturhinweise

Bergstra, J.; Bengio Y. (2012): Random Search for Hyper-Parameter Optimization., Journal of Machine Learning Research 13, pp. 281-305

Bergstra, J.; Yamins, D.; & Cox, D.D. (2013): Hyperopt: A python library for optimizing the hyperparameters of machine learning algorithms. Proceedings of the 12th Python in science conference (13), pp. 13-19, https://doi.org/10.25080/Majora-8b375195-003

Botreau, R.; Veissier, I.; Butterworth, A.; Bracke M.B.M.; Keeling, L.J. (2007): Definition of criteria for overall assessment of animal welfare. Animal Welfare 16, pp. 225-228

Breiman, L. (2001): Random Forests. Machine Learning 45, pp. 5-32

Bundesministerium für Ernährung und Landwirtschaft (2018): Landwirtschaft verstehen - Fakten und Hintergründe. www.bmel.de/SharedDocs/Downloads/Broschueren/Landwirtschaft-verstehen.pdf;jsessionid=4672B911DF00C56AF288442A5EA518E0.1_cid367?__blob=publicationFile, accessed on 23 Dec 2018

Bundesverband Rind und Schwein e. V. (2020): LPA-Rassencodes. https://www.rind-schwein.de/brs-schwein/lparassencodes.html, accessed on 17 Apr 2020

Chung, Y.; Oh, S.; Lee, J.;Park, D.; Chang, H-H; Kim, S. (2013): Automatic Detection and Recognition of Pig Wasting Diseases Using Sound Data in Audio Surveillance Systems. Sensors 13(10), pp. 12929-12942

Cortes, C.; Vapnik, V. (1995): Support-Vector Networks. Machine Learning 20, pp. 273-297

Díaz, J. A. C.; Boyle, L. A.; Diana, A.; Leonard, F. C.; Moriarty, J. P.; McElroy, M. C.; McGettrick, S.; Kelliher, D.; Manzanilla, E. G. (2017): Early life indicators predict mortality, illness, reduced welfare and carcass characteristics in finisher pigs. Preventive Veterinary Medicine 146, pp. 94-102, https://doi.org/10.1016/j.prevetmed.2017.07.018

Farm Animal Welfare Council (2009): Farm Animal Welfare in Great Britain: Past, Present and Future. https://www.gov.uk/government/publications/fawc-report-on-farm-animal-welfare-in-great-britain-past-present-and-future, accessed on 17 Apr 2020

Haixiang, G.; Yijing, L.; Shang, J.; Mingyun, G.; Yuanyue, H.; Bing, G. (2017): Learning from class-imbalanced data: Review of methods and applications, Expert Systems with Applications 73, pp. 220-239, https://doi.org/10.1016/j.eswa.2016.12.035

Hsu, C.-W.; C.-C. Chang; Lin, C.-J. (2003): A Practical Guide to Support Vector Classification, Technischer Bericht, National Taiwan University

John, G. H.; Langley, P. (1995): Estimating continuous distributions in Bayesian classifiers, in: Hg. Besnard, P.; Hanks, S., Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence, Montréal Qué, Morgan Kaufmann Publishers, 1. Auflage., pp. 338-345

Kohavi, R. (1995): A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. IJCAI‘95 Proceedings of the 14th international joint conference on Artificial intelligence (2), pp. 1137-1143

Lin, C.-J.; Wenig, R. C.; Keerthi, S. S. (2008): Trust Region Newton Method for Large-Scale Logistic Regression. Journal of Machine Learning Research 9, pp. 627-650

Manning, C. D.; Schütze, H.; (1999): Foundations of Statistical Natural Language Processing. Cambridge, The MIT Press

Manteuffel, G.; Schön, P.-Ch. (2002): Measuring welfare of pigs by automatic monitoring of stress sounds. Measurement Systems for Animal Data - Bornimer Agrartechnische Berichte 29, pp. 110-118

Matthews, S. G.; Miller ,A. L.; Clapp, J.; Plötz, T.; Kyriazakis, I. (2016): Early detection of health and welfare compromises through automated detection of behavioural changes in pigs. The Veterinary Journal 217, pp. 43-51, https://doi.org/10.1016/j.tvjl.2016.09.005

Mauer, J. (2014): Vergleich der Schweinemast in Stallungen der konventionellen und alternativen Bauweise. www.lszbw.de/pb/site/lel/get/documents/MLR.LEL/PB5Documents/lsz/pdf/Fachinformationen/Schweinemast%20-%20Haltung/LSZ_Vergleich%20Schweinemast%20in%20Stallungen.pdf?attachment=true, accessed on 23 Dec 2018

Mitchell, T. M. (1997): Machine Learning. New York, The McGraw-Hill Companies

Nguyen, T. T.; Armitage, G. (2008): A survey of techniques for internet traffic classification using machine learning. IEEE Communications Surveys & Tutorials 10 (4), pp. 56–76, https://doi.org/10.1109/SURV.2008.080406

Pineau, J.; Vincent-Lamarre, P.; Sinha, K.; Larivière, V.; Beygelzimer, A.; d‘Alché-Buc, F.; Fox, E.; Larochelle, H. (2020): Improving Reproducibility in Machine Learning Research (A Report from the NeurIPS 2019 Reproducibility Program). arXiv preprint, arXiv:2003.12206

Poore, K. R.; Forhead, A. J.; Gardner, D. S.; Giussani, D. A.; Fowden, A. L. (2002): The effects of birth weight on basal cardiovascular function in pigs at 3 months of age. Journal of Physiology 539(3), pp. 969-978, http://dx.doi.org/10.1013/jphysiol.2001.012926

Riekert, M.; Klein, A.; Adrion, F.; Hoffmann, C.; Gallmann, E. (2020): Automatically detecting pig position and posture by 2D camera imaging and deep learning. Computers and Electronics in Agriculture 174, p. 105391, https://doi.org/10.1016/j.compag.2020.105391

Tian, T. und Zhu, J. (2015): Max-Margin Majority Voting for Learning from Crowds. Advances in neural information processing systems, pp. 1621-1629

Witten, I. H.; Frank, E.; Hall, M. A. (2011): Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam, Morgan Kaufmann Publishers, 3. Auflage

Wolpert, D. H. (1996): The Lack of A Priori Distinctions Between Learning Algorithms. Neural Computation 8(7), pp. 1341-1390

Zapf, R.; Schultheiß, U.; Knierim, U.; Brinkmann, J.; Schrader, L. (2017): Assessing farm animal welfare – guidelines for on-farm self-assessment, Landtechnik 72(4), pp. 214-220, https://doi.org/10.15150/lt.2017.3166

Veröffentlicht

11.03.2021

Zitationsvorschlag

Zimpel, T. ., Riekert, M., Klein, A., & Hoffmann, C. (2021). Maschinelle Lernverfahren zur Prognose von Tierwohlrisiken in der Schweinehaltung. Agricultural engineering.Eu, 76(1). https://doi.org/10.15150/lt.2021.3261

Ausgabe

Rubrik

Fachartikel