Douglas Bomford Paper Award für Wissenschafter:innen der Vetmeduni

Der renommierte Douglas Bomford Paper Award ehrt Wissenschafter:innen, die mit ihrer Forschung einen bedeutenden Beitrag zur modernen Agrartechnik leisten. Durch die Anerkennung herausragender Veröffentlichungen trägt der Preis dazu bei, den Wissenstransfer zwischen Wissenschaft und Praxis zu fördern und die Zukunft der Landwirtschaft nachhaltig zu gestalten. Die Auszeichnung wird von der Institution of Agricultural Engineers (IAgrE) einmal pro Jahr vergeben.

Heuer erhielten Albert Martin-Cirera, PhD-Student am PLF-Hub der Vetmeduni, Maciej Oczak, leitender Koordinator des Hubs, und Ulrike Auer, Klinisches Zentrum für Kleintiere, die angesehene Auszeichnung für ihr Paper “Comparison of Transformers with LSTM for classification of the behavioural time budget in horses based on video data”*, das in Kooperation mit der KU Leuven entstand.

Mehr Tierwohl: Neue KI-Methode verbessert Verhaltensanalyse von Pferden

Pferde teilen ihre Zeit auf in Fressen, Ruhen, Liegen und Bewegen – ihr sogenanntes Verhaltenszeitbudget. Sie folgen dabei einer festen täglichen Routine. Veränderungen in diesem Zeitbudget sind ein wichtiger Indikator für das Tierwohl, da Pferde mit Schmerzen deutliche Abweichungen zeigen, etwa in Körperhaltung und Verhalten. Zur Überwachung bieten Videotechnologie, Computervision und Deep Learning eine nicht-invasive Methode. Allerdings stoßen diese Technologien bisher an Grenzen.

Die im Journal „Biosystems Engineering“ veröffentlichte Studie von Martin-Cirera, Oczak und Auer verglich nun die Leistung von modernen Transformer- mit bisher gebräuchlichen LSTM-Modellen (Long Short-Term Memory) für die Klassifizierung des Verhaltenszeitbudgets auf Grundlage von Videodaten und entwickelte daraus eine neue, verbesserte Methode zur Verhaltenserkennung von Pferden. Die Ergebnisse zeigen, dass das Multi-Input- und Multi-Output-Transformer-Modell im Vergleich zur Single-Input- und Single-Output-Strategie die beste Leistung bei der Verhaltensklassifizierung erzielt.

Die auf RNN (Recurrent Neural Networks) basierenden, älteren LSTM-Modelle leisteten einen wesentlichen Beitrag in den Bereichen „Machine Learning“ und „Neural Computing“, während die neueren Transformer-Modelle sehr erfolgreich in der Künstlichen Intelligenz (KI) sind, indem sie als Schlüsselkomponente die Selbstbeobachtung („Self-attention Architecture“) nützen. Die neu entwickelte Transformer-basierte Methodik bringt nun ein Mehr an Tierwohl: Die Methode bietet eine verbesserte Grundlage für die Erkennung von Schmerzen und Unwohlsein bei Pferden, was für die Überwachung und Behandlung von Gesundheitsproblemen bei Pferden wertvoll sein kann.

Die Vetmeduni gratuliert recht herzlich!


* “Comparison of Transformers with LSTM for classification of the behavioural time budget in horses based on video data” von Albert Martin-Cirera, Magdelena Nowak, Tomas Norton, Ulrike Auer und Maciej Oczak (Biosystems Engineering). 

Precision Livestock Farming Hub