„AkuMonit“ entwickelt ein intelligentes, audiobasiertes Monitoringsystem für Tierzuchtanlagen, das Tierwohl und Betriebssicherheit durch KI-gestützte Analyse von Geräuschen optimiert.
AkuMonit
AkuMonit nutzt Mikrofone und künstliche Intelligenz, um Tierverhalten sowie den Zustand von Anlagentechnik in Aquakulturen und Schweinezuchtbetrieben zu überwachen. Durch die Analyse akustischer Daten können Stresssignale von Tieren frühzeitig erkannt und Wartungsbedarfe an technischen Komponenten prognostiziert werden. Das System kombiniert Echtzeit-Datenverarbeitung vor Ort mit Cloud-gestützter Analyse, um Anomalien automatisch zu identifizieren. Ziel ist es, die Ressourceneffizienz zu steigern, den Betriebsausfall zu minimieren und optimale Haltungsbedingungen sicherzustellen.
Leistungen des August-Wilhelm Scheer Instituts
Das August-Wilhelm Scheer Institut unterstützt das Forschungsprojekt AkuMonit durch die Entwicklung KI-gestützter Modelle für das System- und Farmmonitoring, die Optimierung der IT-Architektur sowie die Integration der Monitoringplattform. Unsere Arbeit umfasst die Erhebung und Aufbereitung akustischer Daten, das Training leistungsfähiger Deep-Learning-Modelle für Tierverhaltens- und Systemüberwachung sowie die Entwicklung eines bidirektionalen Datenaustauschs zwischen Anlagensteuerung und Monitoringplattform. Zudem begleiten wir das Projektmanagement und die Dissemination, um die Forschungsergebnisse wirtschaftlich, technisch und wissenschaftlich nutzbar zu machen.
Ziel: Anforderungsanalyse und Definition des Gesamtsystems
Aufgaben des Instituts:
- Festlegung projektrelevanter Parameter für den Datenaustausch zwischen Tierzucht und Datenbank (unterstützend)
- Definition eines Datenstandards für den Austausch zwischen Tierzucht und Datenbank (unterstützend)
- Bestimmung der Hardwareanforderungen (Mikrofone) zur Erfassung relevanter Daten
- Planung der IT-Architektur und IT-Infrastruktur für Edge Computing und Cloud (unterstützend)
- Entwicklung der IT-Infrastruktur innerhalb der Anlagen und Sicherstellung einer sicheren Schnittstelle zur Cloud (unterstützend)
Gesamtergebnis:
Lösungskonzept, Mock-Up zur Darstellung des avisierten Systems, Schnittstellendefinition, Konzept zur IT-Architektur, Datenmanagementkonzept für das Projekt und für die zu entwickelnde Lösung
Ziel: Datenbeschaffung und -aufbereitung
Aufgaben des Instituts:
- Entwicklung der für das Training und die objektive Bewertung der KI basierten Kernkomponenten notwendigen Versuchspläne und -routinen (unterstützend)
Gesamtergebnis:
Versuchsaufbauten, -pläne und -routinen, Datensatz für die Entwicklung der KI-Komponenten FarmAudio & SystemAudio
Ziel: Entwicklung der KI-Modelle zum System- und Farmmonitoring
Aufgaben des Instituts:
FarmAudio – KI-Modell für Fütterungs- und Verhaltensmonitoring
- Recherche von Deep Learning Algorithmen im Bereich Audio Event Detektion als Basis
- Annotation und Aufbereitung der in AP2 erfassten Daten (unterstützend)
- Iterative Entwicklung des KI-Modells: Training, Validierung, Test bis zum funktionsfähigen „FarmAudio“ Prototypen
SystemAudio – KI-Modell zur prädiktiven Wartung der Systemkomponenten
- Recherche von Deep Learning Algorithmen im Bereich Audio Event Detektion als Basis
- Annotation und Aufbereitung der in AP2 erfassten Daten (unterstützend)
- Iterative Entwicklung des KI-Modells: Training, Validierung, Test bis zum funktionsfähigen „SystemAudio“ Prototypen
Gesamtergebnis:
KI-Pipelines zur Bestimmung der Futteraufnahme, der Anomalieerkennung von Anlagen und der Verhaltensanalyse in der Tierhaltung
Ziel: Entwicklung der Monitoringplattform
Aufgaben des Instituts:
- Anbindung und Integration der Komponenten (Datenbank, FarmAudio, SystemAudio) in ein gemeinsames System.
- Entwicklung der Benutzeroberfläche des Systems mit Berücksichtigung der formulierten Anforderungen (unterstützend)
- Entwicklung eines Bidirektionalen Datenaustausches zwischen der Anlagensteuerung und Monitoringplattform.
Gesamtergebnis:
Prototypischer Cloud Service mit integrierten Komponenten
Ziel: Projektmanagement und Dissemination
Aufgaben des Instituts:
- Dokumentation der Arbeiten und Ergebnisse in Form von Berichten (unterstützend)
- Verwertung und Skalierung der Projektergebnisse im wirtschaftlichen, technischen und wissenschaftlichen Kontext (unterstützend)
- Entwicklung eines Dissemination-Plans mit Details zu u.a. Messeauftritten, Veröffentlichungen, Konferenzen zur Verbreitung der Projektergebnisse (unterstützend)
Gesamtergebnis:
Externe Präsentation des Projekts, Projektberichte und -ergebnisse, Koordination von regelmäßigen Projektmeetings, Dissemination
- Arbeitspaket 1
Ziel: Anforderungsanalyse und Definition des Gesamtsystems
Aufgaben des Instituts:
- Festlegung projektrelevanter Parameter für den Datenaustausch zwischen Tierzucht und Datenbank (unterstützend)
- Definition eines Datenstandards für den Austausch zwischen Tierzucht und Datenbank (unterstützend)
- Bestimmung der Hardwareanforderungen (Mikrofone) zur Erfassung relevanter Daten
- Planung der IT-Architektur und IT-Infrastruktur für Edge Computing und Cloud (unterstützend)
- Entwicklung der IT-Infrastruktur innerhalb der Anlagen und Sicherstellung einer sicheren Schnittstelle zur Cloud (unterstützend)
Gesamtergebnis:
Lösungskonzept, Mock-Up zur Darstellung des avisierten Systems, Schnittstellendefinition, Konzept zur IT-Architektur, Datenmanagementkonzept für das Projekt und für die zu entwickelnde Lösung
- Arbeitspaket 2
Ziel: Datenbeschaffung und -aufbereitung
Aufgaben des Instituts:
- Entwicklung der für das Training und die objektive Bewertung der KI basierten Kernkomponenten notwendigen Versuchspläne und -routinen (unterstützend)
Gesamtergebnis:
Versuchsaufbauten, -pläne und -routinen, Datensatz für die Entwicklung der KI-Komponenten FarmAudio & SystemAudio
- Arbeitspaket 3
Ziel: Entwicklung der KI-Modelle zum System- und Farmmonitoring
Aufgaben des Instituts:
FarmAudio – KI-Modell für Fütterungs- und Verhaltensmonitoring
- Recherche von Deep Learning Algorithmen im Bereich Audio Event Detektion als Basis
- Annotation und Aufbereitung der in AP2 erfassten Daten (unterstützend)
- Iterative Entwicklung des KI-Modells: Training, Validierung, Test bis zum funktionsfähigen „FarmAudio“ Prototypen
SystemAudio – KI-Modell zur prädiktiven Wartung der Systemkomponenten
- Recherche von Deep Learning Algorithmen im Bereich Audio Event Detektion als Basis
- Annotation und Aufbereitung der in AP2 erfassten Daten (unterstützend)
- Iterative Entwicklung des KI-Modells: Training, Validierung, Test bis zum funktionsfähigen „SystemAudio“ Prototypen
Gesamtergebnis:
KI-Pipelines zur Bestimmung der Futteraufnahme, der Anomalieerkennung von Anlagen und der Verhaltensanalyse in der Tierhaltung
- Arbeitspaket 4
Ziel: Entwicklung der Monitoringplattform
Aufgaben des Instituts:
- Anbindung und Integration der Komponenten (Datenbank, FarmAudio, SystemAudio) in ein gemeinsames System.
- Entwicklung der Benutzeroberfläche des Systems mit Berücksichtigung der formulierten Anforderungen (unterstützend)
- Entwicklung eines Bidirektionalen Datenaustausches zwischen der Anlagensteuerung und Monitoringplattform.
Gesamtergebnis:
Prototypischer Cloud Service mit integrierten Komponenten
- Arbeitspaket 6
Ziel: Projektmanagement und Dissemination
Aufgaben des Instituts:
- Dokumentation der Arbeiten und Ergebnisse in Form von Berichten (unterstützend)
- Verwertung und Skalierung der Projektergebnisse im wirtschaftlichen, technischen und wissenschaftlichen Kontext (unterstützend)
- Entwicklung eines Dissemination-Plans mit Details zu u.a. Messeauftritten, Veröffentlichungen, Konferenzen zur Verbreitung der Projektergebnisse (unterstützend)
Gesamtergebnis:
Externe Präsentation des Projekts, Projektberichte und -ergebnisse, Koordination von regelmäßigen Projektmeetings, Dissemination
Ausgangssituation
Die wachsende globale Nachfrage nach tierischen Eiweißen und das steigende Interesse an nachhaltiger Tierhaltung stellen die Landwirtschaft vor große Herausforderungen. Insbesondere bei modernen Tierzuchtanlagen, wie beispielsweise rezirkulierenden Aquakultursystemen (RAS), besteht ein hoher Bedarf an transparenten und ausfallsicheren Produktionsprozessen. Diese sollen sowohl das Tierwohl sicherstellen als auch Umweltbelastungen und Ressourcenverbrauch minimieren. Allerdings sind viele dieser Systeme bislang nicht mit ausreichenden Monitoring-Technologien ausgestattet, um das Tierwohl und die technische Funktionsfähigkeit in Echtzeit zu überwachen. Ein weiterer Faktor ist, dass landwirtschaftliche Betriebe zunehmend unter wirtschaftlichem Druck stehen und neue Einkommensquellen suchen, um langfristig wettbewerbsfähig zu bleiben. Die begrenzte Verfügbarkeit an verlässlichen Daten zu Tier- und Anlagengeräuschen erschwert jedoch die Entwicklung effizienter und intelligenter Monitoring-Systeme.
- Steigende Nachfrage nach tierischen Eiweißen bei gleichzeitig wachsenden Anforderungen an Tierwohl, Umwelt- und Ressourcenschutz.
- Mangel an verlässlichen Monitoring-Systemen für moderne Tierzuchtanlagen wie Aquakulturen und Schweinezuchten, was deren Effizienz, Tierwohl und ökologische Nachhaltigkeit beeinträchtigt.
Lösungsansatz
Was?
Das Forschungsprojekt AkuMonit setzt auf ein innovatives, akustikbasiertes Monitoringsystem, um die Ausfallsicherheit und Ressourceneffizienz von Tierzuchtanlagen zu verbessern. Durch den Einsatz modernster Technologien wie künstlicher Intelligenz (KI), maschinellem Lernen, Edge Computing und Cloud-Analyse soll eine präzise Überwachung des Tierverhaltens sowie der technischen Anlagensysteme ermöglicht werden. Hierfür werden akustische Sensoren in den Produktionsanlagen installiert, die kontinuierlich Tierlaute und Betriebsgeräusche aufzeichnen. Diese Audiodaten werden in einer speziell entwickelten KI-gestützten Monitoringplattform analysiert, um Abweichungen und Unregelmäßigkeiten in der Tierhaltung oder im technischen Betrieb frühzeitig zu erkennen.
Technisch basiert AkuMonit auf zwei Hauptkomponenten:
FarmAudio – Akustisches Monitoring des Tierverhaltens
- Akustische Sensoren zeichnen Tierlaute auf und übertragen die Daten in Echtzeit an eine zentrale Cloud-Datenbank.
- Maschinelle Lernalgorithmen analysieren die Geräusche, um Verhaltensmuster, Stressanzeichen oder Anomalien zu identifizieren.
- Die Erkennung von Veränderungen im Fressverhalten erlaubt eine Optimierung der Fütterungszeiten und -zusammensetzung.
- KI-Modelle nutzen Zero-Shot Learning und synthetische Daten, um flexibel auf unerwartete Ereignisse reagieren zu können.
- Echtzeit-Warnmeldungen ermöglichen eine schnelle Reaktion auf Probleme, um das Tierwohl zu sichern.
SystemAudio – Akustische Überwachung technischer Anlagen
- Sensoren erfassen Betriebsgeräusche von Pumpen, Lüftungen und Filtern in der Anlage.
- KI-gestützte Algorithmen analysieren die Geräusche und erkennen ungewöhnliche Muster oder Funktionsstörungen, z. B. abnormale Vibrationen oder ungewöhnliche Geräusche.
- Durch Edge Computing werden die akustischen Daten vor Ort verarbeitet, um eine schnelle Fehlererkennung und automatische Anpassung von Steuer- und Regelungssystemen zu ermöglichen.
- Eine Cloud-basierte Analyseplattform speichert und verarbeitet die erfassten Daten für weiterführende Erkenntnisse, wie prädiktive Wartung oder langfristige Optimierung der Anlageneffizienz.
Diese beiden Komponenten sind vollständig in bestehende digitale Steuerungssysteme der Zuchtanlagen integriert und erlauben eine automatische Optimierung der Betriebs- und Haltungsbedingungen. Dies führt nicht nur zu einer höheren Ressourceneffizienz, sondern sichert auch eine verbesserte Ausfallsicherheit sowie die Einhaltung von Tierwohlstandards. Zudem soll das System auf weitere Tierhaltungen, wie die Schweinezucht, übertragbar sein und damit eine skalierbare Lösung für nachhaltige und technologisch fortschrittliche Zuchtanlagen bieten.
FÖRDERHINWEIS
Das Projekt AkuMonit ist gefördert durch das Bundesministerium für Bildung und Forschung.
Förderkennzeichen: 01IS25003B
Laufzeit: 01.03.2025-28.02.2028