Automatische Nutztieridentifikation mittels bildgebender Systeme

In automatisierten Milchviehbetrieben ist eine durchgängige Datenintegrität auf Einzeltierebene eine grundlegende betriebliche Voraussetzung für die exakte Erfassung der Milchleistung, die Gesundheitsüberwachung sowie die automatisierte Futterzuteilung. DairyNet Cow Verification, ein von GEA entwickeltes Modul zur automatischen Nutztieridentifikation, kombiniert bildgebende Mehrwinkel-Kamerasysteme mit maschinellem Lernen, um Tieridentitäten direkt im Melkkarussell zu verifizieren und Datenfehler zu beheben, die durch Erfassungsprobleme bei Radiofrequenz-Identifikationssystemen (RFID) entstehen.

In milchwirtschaftlichen Betrieben eingesetzte RFID-Systeme unterliegen physikalischen Restriktionen wie Signalabschirmungen durch Tierkörper, Reflexionen an metallischen Melkstandstrukturen oder Fehllesungen, wenn mehrere Kühe gleichzeitig den Antennenbereich betreten. DairyNet Cow Verification begegnet diesen Störfaktoren durch eine optische Identifikationsebene, die direkt mit der bestehenden Transponderinfrastruktur gekoppelt wird.

Systemarchitektur und biometrische Erfassung
Die Technologie arbeitet direkt auf den Plattformen von Melkkarussellen. Sobald ein Tier den Stand betritt, erfassen mehrere synchronisierte Industriekameras hochauflösende Aufnahmen aus definierten optischen Winkeln. Die Verarbeitungseinheit analysiert die individuellen physischen Merkmale anhand biometrischer Parameter wie Körperproportionen, Knochenbaukonturen und Fellzeichnung.

Diese optischen Parameter werden in Echtzeit mit historischen Bilddaten aus dem lokalen Betriebsnetzwerk abgeglichen. Der im Hintergrund laufende Algorithmus für maschinelles Lernen prüft, ob das erfasste Erscheinungsbild mit der von der Antenne ausgelesenen Transpondernummer übereinstimmt. Fehlen die RFID-Daten oder weisen sie Fehler auf, korrigiert das System die Identifikationsnummer in Echtzeit vor Beginn der Datenerfassung des Melkvorgangs. Die Bildverarbeitung arbeitet selbstlernend und aktualisiert Referenzmuster kontinuierlich, um sich an physiologische Veränderungen im Zeitverlauf anzupassen.

Beseitigung von Engpässen im Melkablauf
Hardwareseitig erfordert das System eine betriebsbereite GEA DairyNet-Herdenmanagement-Infrastruktur sowie eine bestehende RFID-Erfassungseinheit mit Durchlaufantenne für die Registrierung und Anlernphase neuer Tiere. Das Modul ist für die Nachrüstung an allen DairyNet-kompatiblen GEA Melkkarussellen ausgelegt.

Durch den Wegfall der ausschließlichen Abhängigkeit von der Funkfrequenzerfassung verhindert die optische Verifikation Fehler in nachgelagerten Prozessen. In stark frequentierten Melkkarussellen führen Fehlidentifikationen unmittelbar zu fehlerhafter Kraftfutterzuteilung, unzutreffenden Mastitis- und Zellzahldokumentationen sowie verfälschten Leistungsaufzeichnungen.

Darüber hinaus fängt die duale Systemarchitektur Verluste von Transpondern ab. Geht eine Ohrmarke oder ein Halsbandtransponder verloren oder fällt elektronisch aus, erkennt das trainierte Kamerasystem das Tier anhand seines optischen Profils temporär weiter. Dies vermeidet Betriebsunterbrechungen und sichert lückenlose Laktationsdaten, während die Nachkennzeichnung vorbereitet werden kann. Eine zuverlässig validierte Datenerfassung gewährleistet zudem konsistente Nachweise im Rahmen gesetzlicher Dokumentations- und Rückverfolgungspflichten.

Zusätzlicher Kontext
Dieser Abschnitt enthält technische Spezifikationen und Wettbewerbs-Benchmarks, die in der ursprünglichen Produktankündigung nicht enthalten waren.

Die herkömmliche automatische Identifikation in Melkständen stützt sich überwiegend auf Niederfrequenz-Transponder (LF, typischerweise 134,2 kHz) nach den ISO-Normen 11784 und 11785, welche die Struktur und Übertragungsprotokolle für die elektronische Tierkennzeichnung festlegen. LF-Systeme durchdringen organisches Gewebe zuverlässig, besitzen jedoch ein eng begrenztes Lesefeld, das kurze Abstände und eine günstige Antennenausrichtung erfordert. Hochfrequenz- (HF) und Ultrahochfrequenz-Lösungen (UHF) bieten größere Reichweiten, reagieren jedoch empfindlich auf Signaldämpfung durch Feuchtigkeit, Reinigungswasser und metallische Baugruppen im Melkkarussell.

Der Einsatz optischer Erkennungssysteme hat durch die Weiterentwicklung von Convolutional Neural Networks (CNN) für die berührungslose biometrische Klassifizierung im Agrarbereich an Bedeutung gewonnen. Während passive RFID-Transponder aufgrund niedriger Stückkosten und gesetzlicher Vorgaben für die lebenslange Nachverfolgung der Standard bleiben, etablieren sich hybride Systeme aus optischer Bildverarbeitung und ISO-konformer RFID-Technik als industrieller Benchmark für hochfrequentierte Melkanlagen. Vergleichsstudien in automatisierten Selektionsanlagen zeigen, dass die Kombination aus optischer Validierung und Transponderlesung die Zuverlässigkeit im Vergleich zu reinen RFID-Systemen in metallreichen, feuchten Stallumgebungen deutlich verbessert.

Bearbeitet von Evgeny Churilov, Induportals Media - Angepasst durch KI.

www.gea.com