Das „SchabaTi“-Projekt beschäftigt sich mit der automatisierten Analyse des Verhaltens und der Tiergesundheit von konventionell gehaltenen Mastputen und leistet damit einen Beitrag
zur Verbesserung artgemäßer Tierhaltung, der Tiergesundheit und des Tierwohls.Mit Techniken des Maschinellen Lernens wird untersucht, inwieweit sich Lautäußerungen und andere Geräusche der Tiere als bioakustische Indikatoren eignen, die Aufschluss über deren (aktuelles) Verhalten und (allgemeines) Wohlbefinden geben. Hierfür werden zeitgleich optische und akustische Aufnahmen über den gesamten Mastdurchgang im Versuchsstall angefertigt sowie Daten zum Zustand der Tiere erfasst. Die akustischen Daten werden mit Mikrofonen aufgezeichnet und mit Mikrofonarrays örtlich kartiert (akustische Kamera), bevor sie als Input für Deep-Learning-KI-Modelle verwendet werden. Die optischen Kameradaten dienen dabei insbesondere zur Klasseneinteilung der Trainings-Daten, wobei deren Analyse teilweise automatisiert erfolgen kann.
Ziel ist es, Indikatoren für zwei unterschiedliche Praxissituationen zu untersuchen: Einerseits soll kontinuierlich der (allgemeine) Zustand der Herde beurteilt werden, um frühzeitig Abweichungen vom Erwartungswert zu detektieren (z. B. sich ausbreitende Infektionen des Respirationstraktes). Hier geht es um zeitlich eher stationäre (langsame) Veränderungen der gesamten Geräuschkulisse im Stall. Andererseits geht es darum, antagonistisches, potenziell zu Beschädigungspicken und daraus resultierenden Verletzungen der Tiere führendes Verhalten frühzeitig aufzudecken. Bioakustische Indikatoren sind dabei zeitlich eher transiente
Geräusche mit schneller örtlicher Veränderung.