Methodik zur praxisnahen Klassifikation von akustischen Signalen auf Basis von überwachten maschinellen Lernverfahren am Beispiel eines Schweinemastbetriebs

In der Produktion steigt der Bedarf an Assistenzsystemen aufgrund der sinkenden Anzahl an Facharbeitern, der hohen technischen Anforderungen an die Produkte und des gleichzeitig hohen wirtschaftlichen Drucks. In der Fleischproduktion stehen Landwirte ebenso vor der Herausforderung, wirtschaftlich rentabel zu produzieren und gleichzeitig für das Wohl ihrer Tiere zu sorgen. Im BMEL geförderten Projekt SmartPigHome soll ein Assistenzsystem entwickelt werden, das sowohl mittels optischen als auch akustischen Aufnahmen in der Lage ist, kritische, tierwohlgefährdende Situationen zu erkennen. Zur Unterscheidung von akustischen Signalen eines Schweinestalls wurde in dieser Masterarbeit eine Methodik entwickelt, die bedenkliche Schweinelaute von allen anderen Geräuschen im Stall trennt. Der Zufallswald-Klassifikator sowie der naive Bayes-Klassifikator in Kombination mit der linearen Diskriminanzanalyse erzielten von den getesteten überwachten Lernverfahren die besten Werte für Präzision sowie Sensitivität der Vorhersage. Diese beiden Methodiken wurden mittels statistischer Absicherung optimiert, sodass für Präzision und Sensitivität Werte von über 90 % erreicht wurden. Eine Überführung der entwickelten Methodik in ein Assistenzsystem wird im Rahmen des Projekts fortgeführt.