KI-Einsatz zum Tierwohl

Der Begriff Tierwohl umfasst weit mehr als die Abwesenheit von Krankheit. Nach den etablierten Bewertungsrahmen gehören dazu unter anderem Gesundheit, artgerechtes Verhalten, Komfort sowie das Vermeiden von Schmerzen, Angst und Stress (efsa.europa.eu,welfarequalitynetwork.net, ktbl.de). 

Moderne KI-Systeme beobachten Tiere nicht punktuell, sondern kontinuierlich. Kameras, Mikrofone und Aktivitätssensoren erzeugen rund um die Uhr große Mengen an Daten. Erst Verfahren des Machine Learnings machen diese Daten nutzbar: Sie erkennen Muster, identifizieren Auffälligkeiten und liefern Hinweise auf Krankheiten oder Belastungen häufig bereits Stunden oder Tage, bevor diese einem Menschen auffallen würden (frontiersin.org, frontiersin.org). 

Die wissenschaftliche Literatur zeigt inzwischen deutlich, dass KI insbesondere in drei Bereichen einen echten Mehrwert für das Tierwohl leisten kann: Erstens ermöglicht sie eine frühere Erkennung von Krankheiten und Stresssituationen. Zweitens schafft sie eine objektivere und kontinuierliche Beobachtung einzelner Tiere anstelle sporadischer Stichproben. Drittens unterstützt sie Tierhalterinnen, Tierärzte und Behörden bei Entscheidungen, ohne deren Verantwortung zu ersetzen (frontiersin.org, frontiersin.org). 

Dieser Beitrag gibt anhand ausgewählter Beispiele einen Einblick in drei zentrale Anwendungsfelder der Künstlichen Intelligenz für das Tierwohl: kamerabasierte Bildanalyse, akustische Verfahren sowie sensorbasierte Gesundheitsüberwachung. Abschließend werden zwei Forschungsprojekte der Hochschule für Wirtschaft und Umwelt Nürtingen-Geislingen vorgestellt.

Der Beitrag versteht sich als Einführung in die technischen Möglichkeiten moderner KI-Systeme. Eine vertiefte Auseinandersetzung mit ethischen Fragestellungen, Datenschutz oder regulatorischen Aspekten erfolgt bewusst nicht und bleibt weiterführenden Beiträgen vorbehalten. 

Computer Vision – Ein stetiger Blick auf die Tiere. Die wohl sichtbarste Entwicklung ist der Einsatz von Computer Vision in der Nutztierhaltung. Kameras überwachen Ställe rund um die Uhr und liefern Videodaten, die anschließend automatisch ausgewertet werden. Moderne neuronale Netze erkennen einzelne Tiere, verfolgen ihre Bewegungen und analysieren Veränderungen ihres Verhaltens.

Besonders weit entwickelt ist dieser Ansatz bei Milchkühen. Lahmheiten gehören weltweit zu den häufigsten Gesundheitsproblemen in der Milchviehhaltung und verursachen erhebliche Schmerzen sowie wirtschaftliche Schäden. Gleichzeitig entwickeln sie sich oft schleichend und werden erst spät erkannt. Kamerabasierte Systeme analysieren deshalb kontinuierlich das Gangbild einzelner Tiere und berechnen automatisch den sogenannten Locomotion Score (Lahmheit). Ergänzend bestimmen dieselben Systeme den Body Condition Score (BCS), also den Ernährungszustand einer Kuh. Validierungsstudien zeigen, dass solche Verfahren Lahmheiten frühzeitig erkennen und damit eine schnellere Behandlung ermöglichen können (cattleeye.com).

Auch das Fress-, Liege- und Bewegungsverhalten lässt sich heute automatisch erfassen. KI erkennt beispielsweise, wenn ein Tier plötzlich weniger Zeit am Futtertisch verbringt, ungewöhnlich lange liegt oder deutlich weniger aktiv ist. Solche Veränderungen können erste Hinweise auf Stoffwechselstörungen, Schmerzen oder beginnende Erkrankungen sein. Während einzelne Beobachtungen im Stallalltag leicht übersehen werden, analysieren KI-Systeme das Verhalten jedes Tieres kontinuierlich und vergleichen es mit dessen individuellem Normalverhalten. 

Neue Entwicklungen kombinieren klassische RGB-Kameras mit Tiefenkameras oder Wärmebildsensoren. Dadurch lassen sich nicht nur Bewegungen, sondern auch Temperaturverteilungen erfassen. Entzündungen oder lokale Hitzeherde können so unter Umständen erkannt werden, bevor klinische Symptome auftreten. 

Akustische KI – Wenn Algorithmen Husten hören. Nicht alle Gesundheitsprobleme lassen sich über Bilder erkennen. Besonders in der Schweinehaltung spielen Atemwegserkrankungen eine zentrale Rolle. Hier kommen zunehmend akustische KI-Systeme zum Einsatz.

Akustische Systeme überwachen den Stall rund um die Uhr mit Mikrofonen und analysieren sämtliche Geräusche. Das Ziel besteht darin, Husten von normalen Stallgeräuschen zu unterscheiden und Veränderungen im Atemwegsverhalten frühzeitig zu erkennen. Neuere wissenschaftliche Untersuchungen zeigen, dass dieses Verfahren zuverlässige Informationen über die respiratorische Gesundheit eines Bestandes liefern kann – insbesondere dann, wenn die Audiodaten zusätzlich mit Klima- und Produktionsdaten kombiniert werden (ncbi.nlm.nih.gov).

Das System klassifiziert nicht einzelne Geräusche isoliert, sondern erkennt komplexe Muster in zeitlich aufeinanderfolgenden Audiosignalen. Moderne Deep-Learning-Verfahren ermöglichen dadurch eine automatische Überwachung großer Tierbestände, ohne dass jedes Tier einzeln untersucht werden muss. 

Auch Forschungsprojekte wie DigiSchwein gehen inzwischen deutlich weiter. Hier werden Audioanalyse, Computer Vision, Umweltmessungen sowie Daten zu Wasseraufnahme, Fütterung und Stallklima gemeinsam ausgewertet. Ziel ist ein integriertes Frühwarnsystem, das verschiedene Hinweise kombiniert und dadurch zuverlässigere Aussagen ermöglicht als einzelne Sensoren allein (service.ble.de).

Sensorik und das Internet der Tiere. Neben Kameras und Mikrofonen gewinnen verschiedenste Sensorsysteme zunehmend an Bedeutung. Besonders in der Rinderhaltung haben sich sogenannte Bolus-Systeme etabliert. Dabei handelt es sich um kleine Sensoren, die im Netzmagen einer Kuh verbleiben und kontinuierlich Körpertemperatur, Wiederkauaktivität, Wasseraufnahme oder Bewegungsmuster erfassen.

Veränderungen der Körpertemperatur oder des Wiederkauverhaltens können auf Stoffwechselprobleme, Hitzestress oder beginnende Erkrankungen hinweisen. Dadurch erhalten Tierhalter Hinweise oft deutlich früher als bei einer rein visuellen Beobachtung. Diese Angebote werden auch schon in Lösungsplattformen angeboten (smaxtec.com).

Für den deutschen Forschungsstand besonders interessant ist das Projekt DigiMuh. Hier werden Stallklimadaten, Bolus-Sensoren, Atemsensorik sowie IoT-Technologien miteinander kombiniert. Ziel ist nicht nur die frühzeitige Erkennung von Krankheiten, sondern auch die Analyse von Hitzestress – ein Thema, das angesichts steigender Temperaturen zunehmend an Bedeutung gewinnt (service.ble.de).

Darüber hinaus kommen Wearables wie Hals- oder Ohrsensoren zum Einsatz. Diese Systeme analysieren Aktivität, Wiederkauverhalten oder Inaktivitätsphasen und liefern Hinweise auf Erkrankungen oder Veränderungen im Stoffwechsel (nedap-livestockmanagement.com). Die KI unterstützt somit die Diagnose und gibt Hinweise zur Entscheidungsfindung.

Von Einzelinformationen zu intelligenten Assistenzsystemen. Die eigentliche Stärke moderner KI liegt allerdings nicht in einzelnen Sensoren, sondern in ihrer Kombination. Während frühe Systeme meist nur Temperatur oder Aktivität erfassten, verschmelzen heutige Anwendungen unterschiedlichste Datenquellen miteinander. Kamerabilder, Audiosignale, Stallklima, Bewegungsmuster und physiologische Messwerte werden gemeinsam analysiert und liefern dadurch ein wesentlich umfassenderes Bild des Gesundheitszustands eines Tieres. 

Damit entwickelt sich die Nutztierhaltung zunehmend zu einem cyber-physischen System. Eine große Herausforderung besteht oft darin, heterogene Datenströme zusammenzuführen, widerstandsfähige Modelle zu entwickeln und verständliche Handlungsempfehlungen bereitzustellen. Die Systeme müssen robust gegenüber unterschiedlichen Stallbedingungen, Rassen oder Managementformen sein.

Genau hier zeigt sich, dass Tierwohl-KI weit mehr ist als ein klassisches Machine-Learning-Problem. Sie verbindet Data Science, Computer Vision, Signalverarbeitung, Edge Computing, Human-Computer Interaction und Domänenwissen aus Veterinärmedizin und Agrarwissenschaft. Erst das Zusammenspiel dieser Disziplinen ermöglicht Systeme, die die Tierhaltung sinnvoll unterstützen und gleichzeitig einen echten Beitrag zum Wohl der Tiere leisten können.

Zwei neue Forschungsprojekte unserer HAW: Hühner und PV-Anlagen und Erkennung von Wolfsangriffen. An dieser Stelle möchte ich zwei ausgewählte Projekte des Tierwohls mit KI an unserer Hochschule vorstellen.

Im ersten Projekt geht es um die Auswirkungen der Haltungsbedingungen bei Hühnern, und zwar um eine PV-Anlage. Konkret wurde in einer Freihaltungs- und Auslauffläche eine PV-Anlage installiert. Diese PV-Anlage steht auf Stützen, und die Hühner haben somit die Möglichkeit, die Fläche unter der PV-Anlage zu nutzen oder entsprechend zu meiden. Ziel ist es nun, herauszufinden, ob sich die Hühner durch diese neu aufgestellten Anlagen gestört fühlen und diese neuen Bereiche meiden oder ob sie angenommen werden.

Um das zu untersuchen, werden Kameras aufgestellt, die die Auslaufflächen beobachten. Gleichzeitig werden Polygone definiert, also Flächen, die für die Häufungen der Hühner interessant sind. Nun kommt KI ins Spiel, denn KI wurde erst einmal auf einem historischen Datensatz mit vielen Bildern trainiert und ausgewertet und dabei eine Objekterkennung durchgeführt. Hierbei werden bestehende Objekterkennungsalgorithmen erweitert. So haben wir zum Beispiel den YOLO-Algorithmus, der ursprünglich die Klasse „Hühner“ erkennt, erweitert, um ihn an den konkreten Anwendungsfall anzupassen. 

Das Ergebnis ist, dass die Hühner automatisiert gezählt werden können. Das Vorgehen hat eine natürliche Schranke, weil ein großer Pool an verschiedenen Hühnern sowohl für den Menschen bei der Zählung als auch für die KI eine große Herausforderung darstellt. Zusätzlich sind auch die Wetterbedingungen für die Kameraaufnahmen entscheidend. Wie so oft bei Computer-Vision-Modellen steht und fällt das ganze Vorgehen mit der Qualität der Eingabebilder. Letzten Endes ließen sich so die verschiedenen Hühner zählen und dem Tierhalter Hinweise zum Nutzungsverhalten geben. 

Ein zweiter Anwendungsfall ist die Erkennung von Wolfsangriffen über Geräusche. Das Problem hierbei ist, dass gerade bei großen Auslaufflächen nicht das gesamte Gelände mit Kameras überwacht werden kann. Die Tiere erhalten Mikrofone, die die Umgebung aufzeichnen. Im Fall eines Wolfsangriffs treten verschiedene Soundeindrücke auf. Einerseits reagieren die Herdenschutzhunde auffällig. Dann gibt es Unruhe. Es gibt verschiedene Lautäußerungen der Tiere, die voneinander unterschieden werden können.

Die große Herausforderung dieser Erkennung ist, dass in diesem ganzen Chaos der unterschiedlichen Lautäußerungen genau diejenigen herausgefiltert werden, die charakteristisch für einen Wolfsangriff sind. Hierbei unterscheidet sich das Verhalten der Tiere jedoch enorm. Manche Tiere verfallen in Starre oder sortieren sich zu Gruppen zusammen, andere Tiere werden laut. So ist zum Beispiel das Verhalten von Schafen und Pferden deutlich unterschiedlich darin, wie sie jeweils auf einen Wolfsangriff reagieren würden.

Zusammenfassend zeigt sich, dass der Einsatz von KI bei der Auswertung großer Datenmengen völlig neue Möglichkeiten eröffnet. Komplexe Fragestellungen können automatisiert analysiert und deutlich schneller beantwortet werden. Die gewonnenen Erkenntnisse leisten einen wichtigen Beitrag dazu, Haltungsbedingungen zu verbessern und das Tierwohl nachhaltig zu stärken.

Dieser Beitrag wurde von Burkhard Hoppenstedt (Hochschule für Wirtschaft und Umwelt Nürtingen-Geislingen) beigesteuert. Vielen Dank! Haben auch Sie ein Thema im Fokus, das Sie interessiert? Wir freuen uns auf Ihre Ideen!

Der Text erschien zuerst in unserem Newsletter GI-Radar. Alle Ausgaben gibt es hier zum Nachlesen. Sie haben auch einen Vorschlag für ein Thema? Wir freuen uns über Ihre Nachricht an redaktion@gi-radar.de.