Digitale Innovationen in der Nutztierhaltung – Zentrale Ansätze und Projektergebnisse

Die Ergebnisse der 13 geförderten Forschungs- und Entwicklungsprojekte verdeutlichen den rasanten Fortschritt digitaler Technologien in der Nutztierhaltung. Im Zentrum stehen dabei drei technologische Ansätze:

Die KI-gestützte Bild- und Videoanalyse kam in den Projekten in unterschiedlichen Bereichen zum Einsatz: In der Aquakultur diente sie der Erfassung von Bestands- und Stressparametern bei Garnelen, während sie in der Milchviehhaltung genutzt wurde, um mithilfe von Kamerasystemen und Bildverarbeitungsalgorithmen morphologische Merkmale, Verhaltensmuster sowie Gesundheits- und Entwicklungsparameter zu überwachen. Darüber hinaus wurde die Technologie auch zur Bewertung des Zustands von Weidezäunen eingesetzt. Ziel all dieser Anwendungen ist die quantitative Erfassung tierbezogener Daten, um Stress oder Erkrankungen frühzeitig zu erkennen, Fütterungs- und Managementprozesse zu optimieren und so das Tierwohl nachhaltig zu verbessern.

Ein weiterer zentraler Ansatz ist die multimodale Sensorik. Hier werden Ortungs-, Umwelt- und Verhaltensdaten miteinander verknüpft, um ein umfassendes Monitoring von Tierzustand und Umgebung zu ermöglichen. Durch die Integration unterschiedlicher Datenquellen können detaillierte Verhaltensanalysen, die Detektion von Stress – etwa Hitzestress – sowie ein kontinuierliches Umweltmonitoring innerhalb eines Systems realisiert werden.

Als dritter technologischer Ansatz ist die plattformbasierte Datenintegration hervorzuheben. Dabei werden sämtliche erhobenen Daten in einer zentralen Softwareplattform gebündelt, die Funktionen für Monitoring, Alerting und Reporting vereint. Diese Plattform führt Stall- und Tierdaten zusammen, wertet sie fortlaufend aus, erkennt Abweichungen frühzeitig und stellt eine fundierte Grundlage für betriebliche Entscheidungen bereit.

In den geförderten Projekten wurden diese technologischen Ansätze für eine Vielzahl unterschiedlicher Anwendungsbereiche eingesetzt. Mehrere Vorhaben zeigen dabei eindrucksvoll, wie digitale Technologien eine frühzeitige und objektive Erkennung von Gesundheitsproblemen ermöglichen. So wurde im Projekt MuKoLa ein KI-basiertes Kamerasystem zur Lahmheitserkennung entwickelt, das anhand anatomischer Rückenpunkte Bewegungsabläufe analysiert und bereits gering ausgeprägte Lahmheiten mit hoher Genauigkeit identifiziert. Ein weiterer Ansatz zur Früherkennung von Lahmheiten wurde im Projekt TreFKla verfolgt: Hier kommt eine druckempfindliche Stallmatte zum Einsatz, über die die Tiere auf dem Weg zum Melkstand laufen. Mithilfe von Nano-Sensorik und KI werden Abweichungen im Gangbild automatisch erkannt. In Kombination mit Videozuordnung und einem digitalen Zwilling eröffnet sich perspektivisch die Möglichkeit einer kontinuierlichen, individuellen Verlaufsanalyse.

Im Bereich der Verhaltens- und Stressindikatoren zeigt das Projekt DigiStable, dass individuelle Persönlichkeitsmerkmale von Milchkühen technisch erfasst werden können und eine hohe Relevanz für das Management besitzen. Durch den Einsatz von UWB-Ortung in Kombination mit Kamerasystemen und Netzwerkanalysen konnte belegt werden, dass diese Merkmale Einfluss auf Leistung, Futteraufnahme, Aktivität und soziale Interaktionen haben. Im Projekt DigiMuh gelang es, Hitzestress durch die integrierte Auswertung von Umwelt-, Tier-, Management- und genetischen Daten zuverlässig zu erkennen. Ergänzend dazu zeigte das Projekt CERES, dass auch die Gruppenaktivität ein aussagekräftiger Indikator sein kann – sowohl für Hitzestress bei Milchkühen als auch für Verhaltensauffälligkeiten wie Schwanzbeißen in der Schweinehaltung. Für die Aquakultur wurde im Projekt MonitorShrimp eine KI-gestützte Methode zur automatisierten Stressdetektion bei Garnelen entwickelt, die auf der Rotfärbung des Schwanzsaums basiert und eine hohe Klassifikationsgenauigkeit erreicht. Im Anschlussprojekt ShrimpWiz wird dieser Ansatz weiterentwickelt, insbesondere mit Blick auf eine verbesserte Erfassung der Besatzdichte.

Auch im Bereich der datenbasierten Entscheidungsunterstützung konnten bedeutende Fortschritte erzielt werden. Im Projekt IQexpert wurde ein Entscheidungsbaum für das Eutergesundheitsmanagement entwickelt, der ein selektives Trockenstellen ohne Antibiotikaeinsatz ermöglicht und damit eine Reduktion des Antibiotikaverbrauchs von bis zu 71 Prozent erreicht. Die Anwendung ist bereits in die App LKV Rind des Landeskuratoriums der Erzeugerringe für tierische Veredelung in Bayern integriert, sodass die Empfehlungen unmittelbar im Bestands- und Haltungsmanagement genutzt werden können. Im Projekt CHN wurden Sensordaten mit manuell erfassten Parametern aus der Kälberaufzucht kombiniert, um fundierte Remontierungsempfehlungen abzuleiten und subjektive Fehleinschätzungen zu verringern. Perspektivisch soll dieses Entscheidungsnetzwerk in die cloudbasierte Managementplattform „CalfCloud“ eingebunden werden. Für das Reproduktionsmanagement konnte im Projekt REPRO 01 gezeigt werden, dass Aktivitätssensoren Zusammenhänge zwischen Aktivitätsmustern, Gesundheitsstatus und Fruchtbarkeit erfassen können.

Ein deutlicher Trend zeichnet sich zudem im Bereich integrierter Monitoring- und Sensorsysteme ab. Im Projekt IoL wurde beispielsweise ein System entwickelt, das Tierverhalten, Umweltparameter und Echtzeitlokalisierung miteinander verknüpft, um eine tierindividuelle und automatisierte Steuerung der Stallumgebung zu ermöglichen. Dabei zeigte sich, dass tiernahe Messungen deutlich von klassischen Stallklimadaten abweichen und somit eine präzisere Bewertung des Tierwohls erlauben. Auch in der Weidehaltung kommt der Ortung eine zentrale Bedeutung zu: Im Projekt WeideInsight wurde eine hybride Lokalisierungstechnologie entwickelt, die die Funktechnologien LPWAN (Low Power Wide Area Network) für die Ortung auf der Weide und Bluetooth Low Energy (BLE) für die Ortung im Stall kombiniert und dadurch eine schnellere Identifikation einzelner Tiere ermöglicht. Ergänzend dazu konnte im Projekt SmartSheepNet gezeigt werden, dass mithilfe einer mobilen, vernetzten Durchlaufwaage auf der Weide Gewicht und Bewegung von Schafen kontinuierlich erfasst und gesundheitliche Auffälligkeiten frühzeitig erkannt werden können. Diese Technologie wird derzeit im Projekt DiTec4Sheep weiterentwickelt.

Im Bereich Automatisierung und Robotik verdeutlicht das Projekt SmartFence, wie autonome Systeme für die Überwachung und Wartung von Weidezäunen eingesetzt werden können. Dabei kommen autonome Navigationslösungen, KI-gestützte Objekterkennung sowie selbstlernende Entscheidungsmechanismen zum Einsatz. Im Projekt RoboZaun wird dieses System aktuell in Richtung Marktreife weiterentwickelt.

Nicht zuletzt wurden auch im Bereich Datenmanagement und Datenhoheit wichtige Fortschritte erzielt. Im Projekt CERES entstand eine kooperative Datenplattform, die verschiedene Datenquellen aus der Rinder- und Schweinehaltung integriert und zugleich durch ein differenziertes Rechtemanagement sicherstellt, dass landwirtschaftliche Betriebe die Kontrolle über ihre Daten behalten. Perspektivisch ist eine genossenschaftliche Verwaltung der Plattform vorgesehen.

Ein Teil der Projektergebnisse wurde bereits wissenschaftlich veröffentlicht und können hier eingesehen werden: Publikationen