Das Verstehen von Hühnergeräuschen für besseres Farming

Moderne Geflügelhaltung hat ein Interesse an den Geräuschen von Legehennen entwickelt. Diese Geräusche können wichtige Hinweise auf die Gesundheit und das Verhalten der Hennen geben. Durch die Analyse dieser Lautäusserungen können Bauern die Gesundheit und das Wohlbefinden ihrer Hennen effektiver überwachen und potenzielle Probleme frühzeitig erkennen.

In dieser Arbeit konzentrieren wir uns darauf, die verschiedenen Arten von Rufen zu verstehen, die Legehennen machen. Indem wir diese Rufe erkennen, wollen wir ein zuverlässiges System schaffen, das Bauern hilft, das Verhalten ihrer Hennen im Blick zu behalten. Das umfasst das Sammeln und Kennzeichnen der Geräusche, die die Hennen machen, sowie die Analyse dieser Geräusche zur Identifizierung wichtiger Merkmale.

#Die Bedeutung der Lautäusserung in der Geflügelhaltung

Tiersounds, wie die von Hennen, können unterschiedliche Wohlbefindenszustände widerspiegeln und sind nützliche Indikatoren für ihre Bedürfnisse. Das Verständnis dieser Lautäusserungen ermöglicht es den Bauern, besser für die Hennen zu sorgen, was die Eierproduktion und den Gesamterfolg des Betriebs verbessern kann.

Es gibt zwei Hauptarten der Geflügelhaltung: traditionell und modern. Traditionelle Geflügelhaltung ist weniger anspruchsvoll, während moderne Geflügelhaltung mehr Investitionen und sorgfältiges Management erfordert. Wenn es gut gemacht wird, kann moderne Geflügelhaltung sehr profitabel sein, besonders wenn die Nachfrage nach Geflügelprodukten steigt.

An Orten wie Benin, einem Land in Westafrika, sind viele Familien auf Legehennen für ihren Lebensunterhalt angewiesen. Allerdings kann das Aufziehen von Hennen zwar lohnend, aber auch herausfordernd sein. Mit moderner Technologie können Bauern jetzt Kameras, Mikrofone und Sensoren nutzen, um die Gesundheit und das Wohlbefinden ihrer Hennen effektiver zu überwachen.

#Ziel der Studie

Legehennen äussern ihre Bedürfnisse durch Lautäusserungen, von denen jede eine spezifische Bedeutung für ihre Gesundheit hat. Indem wir ein System entwickeln, das diese Rufe erkennen und interpretieren kann, wollen wir den Bauern helfen, ihre Bestände effizienter zu verwalten.

Diese Arbeit umfasst mehrere wichtige Schritte:

1. Datensammlung von Lautäusserungen: Wir haben Aufnahmen verschiedener Hennenrufe von mehreren Höfen gesammelt.
2. Analyse akustischer Merkmale: Wir haben die Klangmerkmale der Rufe untersucht, um die besten Möglichkeiten zu finden, jede Art darzustellen.
3. Aufbau eines Klassifikationsmodells: Mit fortschrittlichen maschinellen Lerntechniken haben wir ein Modell entwickelt, das diese Lautäusserungen in verschiedene Kategorien im Zusammenhang mit dem Verhalten der Hennen klassifizieren kann.

#Datensammelprozess

Um unser Datenset zu erstellen, haben wir Geräusche von Hennen in zehn verschiedenen Höfen aufgenommen. Diese Höfe betreiben moderne kommerzielle Geflügelhaltung und stellen sicher, dass die Hennen die notwendige tierärztliche Versorgung erhalten. Wir haben uns speziell auf aktive Hennen konzentriert, um klare und relevante Lautäusserungsdaten zu sammeln.

Die Aufnahmen wurden in einem bestimmten Format gemacht, um die Qualität sicherzustellen. Wir erfassten verschiedene Arten von Rufen, einschliesslich Alarmrufen, Futterrufen, Rufen während des Eierlegens und Notrufen. Nach dem Sammeln der Daten liessen wir erfahrene Bauern die Geräusche kennzeichnen, um den Typ des Rufs anzuzeigen.

Insgesamt haben wir ein umfangreiches Datenset mit über 135 Stunden Audio aufgezeichnet, das acht verschiedene Lautäusserungstypen von insgesamt 205 Legehennen umfasst.

#Analyse akustischer Merkmale

Der nächste Schritt bestand darin, die gesammelten Geräusche zu analysieren, um wichtige Merkmale zu extrahieren, die uns helfen könnten, die Lautäusserungen zu klassifizieren. Wir verwendeten zwei Hauptarten von Merkmalen: Zeitbereichsmerkmale und Frequenzbereichsmerkmale.

#Zeitbereichsmerkmale

Zeitbereichsmerkmale beziehen sich darauf, wie sich der Klang im Laufe der Zeit verändert. Für unsere Studie haben wir uns auf Elemente wie folgende konzentriert:

• Tempo: Die Anzahl der in einer Sekunde produzierten Silben.
• Energie: Die gesamte Intensität der Lautäusserung.
• Intensität: Die Schallenergie pro Flächeneinheit.
• Leistung: Die Energie der Lautäusserung über einen Zeitbereich.
• Tonhöhe: Die wahrgenommene Frequenz des Klangs.

#Frequenzbereichsmerkmale

Frequenzbereichsmerkmale betrachten die verschiedenen Frequenzen, die im Klang vorhanden sind. Die wichtigsten Elemente, die wir berücksichtigt haben, umfassen:

• Formanten: Dies sind spezifische Frequenzbereiche, die uns etwas über die Resonanz der Lautäusserungen verraten können.
• Spektrale Energie: Dies gibt Einblicke, wie das Signal im Frequenzraum funktioniert.

Um unser Verständnis zu vertiefen, haben wir auch Techniken wie Mel Frequency Cepstral Coefficients (MFCCs) und Linear Frequency Cepstral Coefficients (LFCCs) eingesetzt. Diese Methoden helfen, Merkmale zu erfassen, die für die Klassifizierungsaufgabe wichtig sind.

#Multi-Label-Klassifizierungsansatz

Unser Hauptziel war es, ein Modell zu entwickeln, das die Rufe von Legehennen in mehrere Kategorien klassifizieren kann. Das ist oft herausfordernder als die traditionelle Einzellabel-Klassifikation, da jede Lautäusserung mehr als einen Zustand darstellen könnte.

Um dies zu bewältigen, haben wir nicht nur Zeit- und Frequenzmerkmale verwendet, sondern auch die Beziehungen zwischen verschiedenen Arten von Lautäusserungen berücksichtigt. Zum Beispiel könnte eine Henne gleichzeitig Angst ausdrücken und unglücklich sein. Daher musste unser Modell diese überlappenden Merkmale während der Klassifizierung berücksichtigen.

#Modellarchitektur

Wir haben uns für einen Deep-Learning-Ansatz mit Recurrent Neural Networks (RNNs) entschieden, der sich gut für sequenzielle Daten wie Geräusche eignet. Unser Modell umfasste:

• Eingangs-Vorverarbeitung: Dieser Schritt beinhaltete das Extrahieren der relevanten Merkmale aus den Audioaufnahmen.
• Merkmals-Einbettung: Dieses Modul bereitete die Merkmale für die Verarbeitung vor.
• Klassifizierer: Das Herzstück des Modells, das lernte, Merkmale mit spezifischen Lautäusserungsklassen zu verknüpfen.

Ein wichtiger Aspekt unseres Modells war der Einsatz eines Aufmerksamkeitsmechanismus, der es dem Modell ermöglichte, sich auf die entscheidenden Teile der Lautäusserung zu konzentrieren, um Vorhersagen zu treffen. So konnte das Modell bestimmten Silben oder Merkmalen mehr Bedeutung beimessen, wenn es das Gesamtverhalten der Henne bestimmte.

#Experimentelles Setup und Evaluation

Um die Effektivität unseres Modells zu bewerten, haben wir eine Reihe von Experimenten mit verschiedenen Merkmal-Kombinationen und Einstellungen durchgeführt. Wir haben unseren Multi-Label-Ansatz mit weit verbreiteten maschinellen Lernmethoden wie Support Vector Machines (SVM) und Entscheidungsbäumen verglichen.

Der Evaluationsprozess umfasste:

• Datenteilung: Wir haben unser Datenset in Trainings-, Validierungs- und Testsets aufgeteilt, um sicherzustellen, dass die verschiedenen Lautäusserungstypen angemessen vertreten waren.

• Vergleich mit anderen Modellen: Durch die Bewertung der Leistung unseres Modells im Vergleich zu verschiedenen traditionellen Klassifizierern konnten wir die Stärken unseres Ansatzes hervorheben.

#Ergebnisse

Unsere Experimente zeigten vielversprechende Ergebnisse bei der Erkennung von Lautäusserungen von Legehennen. Die Leistung variierte je nach verwendeten Merkmalssätzen, aber insgesamt stellten wir fest, dass die Kombination von Zeit- und Frequenzbereichsmerkmalen die besten Ergebnisse lieferte.

#Leistung mit Zeitbereichsmerkmalen

Als wir unser Modell zunächst nur mit Zeitbereichsmerkmalen testeten, stellten wir fest, dass traditionelle Modelle wie SVMs besser abschnitten als unser RNN-basiertes Modell. Dies deutete jedoch darauf hin, dass Zeitbereichsmerkmale allein nicht die gesamte Komplexität der Lautäusserungen der Hennen erfassen.

#Leistung mit Frequenzbereichsmerkmalen

Als wir Frequenzbereichsmerkmale einbezogen, insbesondere durch die Verwendung von MFCCs und LFCCs, zeigte unser Modell signifikante Verbesserungen in der Leistung. Die Verbesserungen in diesen Merkmalen lieferten reichhaltigere Informationen über die Lautäusserungen, was zu einer besseren Klassifikationsgenauigkeit führte.

#Leistung mit kombinierten Merkmalen

Schliesslich erreichte unser Modell die höchste Genauigkeit, als wir sowohl Zeit- als auch Frequenzbereichsmerkmale kombinierten. Dieser Ansatz ermöglichte es dem Modell, verschiedene Aspekte der Rufe besser zu erfassen, was zu hervorragenden Leistungen bei allen Lautäusserungstypen führte.

#Diskussion

Durch diese Arbeit haben wir die Effektivität der Geräuschanalyse zur Überwachung von Legehennen demonstriert. Die Fähigkeit unseres Modells, Lautäusserungen zu klassifizieren, kann in bessere Managementpraktiken für die Bauern umgewandelt werden. Indem sie die Bedürfnisse ihrer Bestände durch Lautäusserungen erkennen, können Bauern sicherstellen, dass die Hennen gesund und produktiv bleiben.

Trotz der Erfolge hatte unsere Studie auch Herausforderungen. Die rechnerischen Anforderungen unseres Modells waren hoch und erforderten erhebliche Ressourcen für das Training. Zudem war das Datenset etwas unausgewogen, was bedeutete, dass einige Lautäusserungstypen mehr Proben hatten als andere, was die Modellleistung beeinflussen könnte.

#Zukünftige Arbeiten

Für die Zukunft planen wir, unser Datenset zu erweitern, um vielfältigere Beispiele für Lautäusserungen einzubeziehen. Das Sammeln zusätzlicher Daten wird uns helfen, unser Modell weiter zu verfeinern und die Genauigkeit, insbesondere für weniger häufig vertretene Rufe, zu verbessern.

Zusätzlich möchten wir erforschen, ob wir andere Datentypen, wie visuelle Informationen aus Videoaufnahmen, integrieren können, um ein multimodales System zu schaffen. Die Kombination von Audio- und Visuellen Daten könnte die Erkennungsmöglichkeiten verbessern und ein umfassenderes Verständnis des Verhaltens von Hennen ermöglichen.

#Fazit

Zusammenfassend hat unsere Studie die Bedeutung der Lautäusserungen in der modernen Geflügelhaltung hervorgehoben. Durch die Analyse der Rufe von Legehennen können wir ein wertvolles Tool für Bauern schaffen, um ihre Bestände effektiver zu überwachen.

Unser Ansatz, der fortschrittliche maschinelle Lerntechniken mit der Analyse akustischer Merkmale kombiniert, hat die Grundlage für zukünftige Forschungen in diesem Bereich gelegt. Die potenziellen Vorteile für das Tierwohl und die Produktivität der Höfe machen dies zu einem wichtigen Bereich für die weitere Erforschung.