Überwachung von Nutztieren und Tierwohl

Herden und Geflügelbestände sind zu groß für eine ständige Beobachtung durch Menschen, und viele Tierwohlprobleme (Lahmheit, Gewichtsverlust, Schwanzbeißen, Hitzestress, kranke Tiere) sind Tage vor dem Entstehen hoher Kosten sichtbar. Kameras und Bildmodelle machen den Stall zu einer fortlaufend bewerteten Umgebung: Tiere werden erkannt und verfolgt, Gang, Haltung, Körperform und Verhalten werden quantifiziert, und Abweichungen lösen Alarme für Landwirt oder Tierarzt aus. Ziel sind ein früheres Eingreifen und eine objektive Tierwohl-Dokumentation, nicht der Ersatz von Tierhalterkönnen.

Problem & Nutzen

• Heute: Landwirt oder Herdenmanager gehen durch den Stall, bewerten die Fortbewegung der Kühe in Abständen nach Augenmaß und verlassen sich auf Bauchgefühl, Einbrüche der Milchleistung oder Sensor-Halsbänder. Subjektive Bewertungen sind uneinheitlich und werden selten täglich vorgenommen; bei Schweinen und Geflügel werden einzelne Tiere fast nie beobachtet. Betäubung und Umgang im Schlachthof werden von Aufsichtspersonen und zunehmend von vorgeschriebener Videoüberwachung kontrolliert.
• KI-Nutzen: tägliche objektive Werte für jedes Tier (z. B. Lahmheit, Ernährungszustand), frühe Erkennung von Gesundheitsereignissen, weniger Antibiotikaeinsatz durch früheres gezieltes Behandeln, Arbeitszeitersparnis bei der Beobachtung und prüfbare Tierwohlnachweise für die Labels des Handels und für Behörden.
• Belege: Die Welfare-Quality-Protokolle definieren die etablierten tierbezogenen Tierwohl-Indikatoren, die die meisten Systeme zu automatisieren versuchen; die EFSA und die Forschungsliteratur zur Präzisionstierhaltung beschreiben sowohl das Potenzial als auch die Validierungslücke [1][2]. Veröffentlichte Leistungsangaben der Anbieter unterscheiden sich je nach Stall, Rasse und Kameraaufbau, messen Sie daher an Ihren eigenen Tieren, bevor Sie Genauigkeitsangaben aus der Werbung vertrauen.

Varianten

• Milchkühe: Gang-/Lahmheitsbewertung mit Kameras am Laufgang oder Melkstandausgang, Bewertung des Ernährungszustands mit Tiefenkameras von oben, Brunst- und Abkalbeerkennung, Wiederkau- und Liegeverhalten.
• Schweine: Aktivität auf Buchtenebene, Schwanzbeißen und Aggression, Aufreiten, Liegemuster (thermischer Komfort), Gewichtsschätzung, Überwachung der Abferkelbucht (Alarme bei Erdrücken von Ferkeln).
• Geflügel: Verteilung im Bestand, Erkennung von Verlusten und toten Tieren, Aktivität und Gang, Einstreu- und Gedränge-Indikatoren; Einzeltierverfolgung ist selten machbar.
• Aquakultur: Unterwasserkameras für Fressverhalten, Läusezählung und Biomasseschätzung.
• Tierwohl im Schlachthof: Videoanalyse von Entladung, Betäubung und Entblutung für Aufsichtspersonen und amtliche Tierärzte.

So funktioniert es

1. Kameras (RGB / IR / Tiefe / Thermal, Edge-Box im Stall)
2. Erkennung + Mehrobjektverfolgung (Tier-IDs, optional verknüpft mit Ohrmarke / RFID)
3. Merkmale je Tier: Keypoints/Pose, Silhouette, Rückenlinienkrümmung, Aktivität, Haltung, Position
4. Modelle: Klassifikatoren für Lahmheit / Körperkondition / Verhalten, Anomalieerkennung gegenüber eigener Basislinie
5. Fusion mit Milch-, Futter-, Klima- und Sensorzeitreihen
6. Alarmbewertung + Dashboard / App-Benachrichtigung
7. Prüfung durch Menschen (Landwirt, Tierarzt, Tierschutzbeauftragte)
8. Maßnahme und Feedback-Labels

• Erkennung und Tracking: YOLO-Klasse oder RT-DETR-Detektoren mit Trackern nach Art von ByteTrack/BoT-SORT; Verdeckung und gleich aussehende Tiere machen die langfristige Identität zum schwierigsten Teil, daher verankern viele Systeme die Identität an RFID/Ohrmarken oder an Engstellen des Laufgangs.
• Pose und Gang: Keypoint-Modelle für Tiere (z. B. DeepLabCut, SLEAP oder feingetunte Pose-Köpfe) speisen Gang- klassifikatoren; Rückenhaltung und Schrittasymmetrie sind klassische Lahmheitsmerkmale. Tiefenkarten liefern Werte für Ernährungszustand und Gewichtsschätzungen.
• Basislinien statt Schwellenwerte: Da absolute Werte je Herde schwanken, definiert man Alarme am besten als Veränderung gegenüber der eigenen Historie des Tieres oder der Bucht.
• Mensch-in-der-Schleife (Human-in-the-Loop): Alarme sind Vorschläge; Landwirt oder Tierarzt bestätigen, und bestätigte/verworfene Alarme werden zu Trainingsdaten. Befunde im Schlachthof werden immer von einer verantwortlichen Person geprüft.

Datenaufbereitung

Benötigte Daten: Stallkameravideo, Sensordatenströme (Melkroboter, Aktivitäts-Halsbänder, Klima) und Herdenunterlagen mit Tier-IDs, Gesundheitsereignissen und Behandlungen. Diese liegen typischerweise in der Herdenmanagement-Software, im Melksystem, auf dem Kamerarekorder sowie in Stallbüchern aus Papier oder Tabellen.

Typische Lücken: Tier-IDs sind nicht mit Bildern verknüpft, Gesundheitsereignisse werden spät oder nur auf Papier erfasst, es fehlen Beschriftungen für Lahmheit oder Aufreiten, schlechtes Licht und verschmutzte Objektive, und verschiedene Systeme haben getrennte Anmeldungen. Mitarbeitende können beiläufig mit erfasst werden.

Aufbereitungsschritte: das Herdenregister erfassen und Behandlungsunterlagen auf Papier digitalisieren (PREP-006, PREP-008), Systemdaten exportieren (PREP-005), Beispielereignisse von Tierarzt oder Betriebsleitung beschriften lassen (PREP-018) und Beschriftungen aus Behandlungsunterlagen gewinnen (PREP-020). Werkzeuge: CVAT, Label Studio, Tabellen, Export-APIs der Anbieter. Planen Sie etwa 40-50 Prozent des Aufwands für Datenerfassung und Beschriftung ein; bei einem gekauften Produkt schrumpft das meiste davon auf Kameraplatzierung und Tierregistrierung. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (landwirtschaftliche Betriebe): Weg A, weil ausgereifte Stallkamera- und Sensorprodukte mit EU-Support zu Preisen auf Betriebsebene existieren und der Prozess Standard ist.
• Unternehmen (Großerzeuger, Integratoren): Weg B, weil Herdendaten vieler Standorte mit eigenen Betriebsmanagement- und Verarbeitersystemen kombiniert werden müssen, die kein Produkt abdeckt.
• Entwickler: Weg C, weil offene Bildmodelle und Edge-Geräte eine eigene Verhaltenserkennung ohne Lizenzbindung erlauben.
• Öffentliche Hand (Forschung, Veterinärbehörden): Weg B auf souveräner EU-Cloud, weil Tierwohl-Audits transparente Modelle und datensouveränes Hosting brauchen.

Weg A — Kaufen (Standardsoftware)

• Integrierte Stallsysteme: Nedap (NL, EU), Lely (NL, EU), DeLaval (SE, EU), GEA (DE, EU) und Afimilk für das Milchviehmanagement mit sensor- und kamerabasierten Modulen; Cattle Eye (UK) für kamerabasierte Kuhüberwachung; Smartbow (AT; laut Berichten Teil von Zoetis) und Datamars Livestock (CH) für Ohrmarken- und Halsbandsensorik; Big Dutchman (DE, EU) und Fancom (NL, EU) für Klima-/Überwachungsplattformen in Schweine- und Geflügelställen mit Kameramodulen; Faromatics (ES, EU) für Bildanalyse bei Geflügel; Observe Technologies und Aquabyte für Aquakultur.
• Prüfen: Hosting der Daten in der EU, lokale Edge-Verarbeitung, Integration mit dem Herdenmanagementsystem, ob die Genauigkeit an Ihrer Rasse/Haltung validiert wurde und wem das Videomaterial und die beschrifteten Daten gehören.
• Wählen Sie A, wenn: Sie ein Betrieb oder eine Genossenschaft ohne ML-Team sind; die meisten Anbieter bündeln Kameras, Edge-Hardware und Support.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Video-/Bildanalyse-APIs: Google Cloud Vertex AI Vision / Video Intelligence, Azure AI Vision und AWS Rekognition Custom Labels für eigene Klassen; multimodale Spitzenmodelle (Gemini, Claude, GPT, Mistral Pixtral) für die Ad-hoc-Triage von Clips und die Berichtserstellung.
• Wählen Sie B, wenn: Sie ein Agrartechnik- oder Beratungsunternehmen sind, das einen Dienst über viele Betriebe aufbaut und schnelle Iteration braucht; halten Sie rohes Stallvideo in EU-Regionen.

Weg C — Selbst betreiben (Open Source)

• Erkennung/Tracking/Pose: Ultralytics YOLO (AGPL, Lizenz prüfen), RT-DETR, MMDetection/MMPose, DeepLabCut, SLEAP, Supervision/ByteTrack, SAM 2 für Masken-Annotation, DINOv2-Merkmale für Few-Shot- Klassifikation; offene VLMs der Qwen-VL-Klasse für die Zusammenfassung von Clips.
• Hardware: HW1 je Stall (Jetson Orin-Klasse bewältigt mehrere Streams); eine zentrale HW2-GPU für Training und flottenweites Batch-Scoring.

Weg D — Eigenes Training

Fast immer zumindest teilweise erforderlich: Rasse, Haltung, Bodenfarbe, Beleuchtung und Kamerawinkel verschieben die Domäne stark. Erforderlich sind tausende beschriftete Bilder oder Clips mit Expertenbewertungen (tierärztlich bestätigte Fortbewegungswerte, Werte zum Ernährungszustand) von vielen Tieren und Betrieben sowie zurückgehaltene Betriebe für die Validierung. Aktives Lernen aus den Bestätigungen der Landwirte senkt den Beschriftungsaufwand.

Stand der Technik (2026)

• Ausgereift: Tiererkennung, Zählung, einfache Aktivitäts- und Liege-/Steh-Klassifikation, Erkennung toter Tiere bei Geflügel und laufgangbasiertes Lahmheits-Screening bei Milchvieh, 3D-Bewertung des Ernährungszustands in kontrollierten Aufbauten.
• Im Aufwind: Merkmale aus Foundation-Modellen (DINOv2, SAM 2) erlauben die Few-Shot-Anpassung an einen neuen Stall; posenbasierte Ganganalyse funktioniert mit Tiefendaten besser; VLMs ermöglichen Ereignisabfragen in natürlicher Sprache.
• Schwierig: langfristige Einzeltier-Identität in vollen Buchten, frühe Erkennung subtiler Schmerzen oder Krankheit, Vorhersage von Schwanzbeißen (vor der Verletzung), Tierwohl einzelner Tiere bei Geflügel und Übertragbarkeit auf andere Betriebe. Viele veröffentlichte Ergebnisse stammen von einem einzelnen Betrieb und werden auf einem anderen schlechter.
• Grenzen und Fehlerbilder: Fehlalarme durch Schmutz, Lichtwechsel, Kameradrift und Verdeckung; Alarmmüdigkeit; Tierwohl ist mehrdimensional (Welfare Quality) und Kameras erfassen nur einen Teil davon; ein „guter Wert“ kann schlechte Haltung verbergen. Behandeln Sie einen Modellwert nicht als Nachweis der Regelkonformität.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: Objekterkennung + Tracking + Pose mit VIS-024 (menschliche Pose), VIS-007 (PSA/Sicherheit), VIS-032 (Arten und Wildkameras) und VIS-026 (Zählen, Volumen- und Gewichtsschätzung); eine Edge-Flotte und eine Annotations-Pipeline bedienen alle.
• Mit Sensoren kombinieren: PRED-044 (Gesundheits- und Abkalbeprognose aus Halsband/Bolus/Ohrmarke) für eine fusionierte Frühwarnung; PRED-013 für die Produktionsprognose.
• Nachgelagert: VIS-031 (Suche in natürlicher Sprache in Kamerastreams), ROBO-007 (Stall- und Feldroboter).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Installation; die Kosten bestehen aus Hardware plus Abonnement je Tier oder je Kamera; der Hauptaufwand liegt in der Platzierung und den Routinen des Personals.
• Weg B: 3-6 Monate für einen Dienst über mehrere Betriebe; Kostentreiber sind Video-Datenausgang, Beschriftung und Inferenz je Clip.
• Weg C/D: 6-12+ Monate einschließlich Datenerhebung über Betriebe hinweg; laufende Neuvalidierung.
• Kennzahlen: Sensitivität/Präzision der Alarme gegenüber tierärztlich bestätigten Fällen, Tage früherer Erkennung, Fehlalarme je Tier und Woche, Anteil täglich bewerteter Tiere, Behandlungs-/Antibiotikaeinsatz, Abgangs- und Sterblichkeitsraten, Arbeitsstunden für die Beobachtung, Audit-Feststellungen.

Menschen & Veränderung

Beziehen Sie zuerst Inhaber oder Leitung ein, dann den Herdenmanager (Prozessverantwortlicher) und das Stallpersonal, das täglich mit dem System arbeitet; sein Vertrauen entscheidet, ob auf Alarme reagiert wird. IT oder der Installateur kümmert sich um Netzwerk und Kameras, Anbieter und Tierarzt sind wichtige Lieferanten und Datenverantwortliche. Planen Sie einen Pilotbetrieb in einem Stall oder einer Gruppe über einen bis zwei Produktionszyklen und vergleichen Sie die Alarme mit der eigenen Einschätzung des Tierhalters.

Betriebsrat: nur relevant, wo ein Betriebsrat besteht und die Kameras Beschäftigte erfassen können. Da die objektive Eignung zur Überwachung von Verhalten oder Leistung genügt (BAG), lösen Stallkameras, die auch Personal filmen, die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG aus; lösen Sie das mit Kamerawinkeln, Maskierung und einer Betriebsvereinbarung. §90 Abs. 1 Nr. 3 verlangt die frühzeitige Information über KI-geplante Arbeitsverfahren.

Datenschutz: Betriebe verarbeiten selten personenbezogene Daten von Tieren, doch Personal im Bild und Daten der Betriebsinhaber sind personenbezogene Daten; binden Sie die(den) Datenschutzbeauftragte(n) oder einen externen Datenschutzbeauftragten ein, schließen Sie einen AVV mit dem Anbieter und vermeiden Sie Ton. Eine DSFA ist meist nicht nötig, sofern Beschäftigte nicht systematisch überwacht werden. Zur KI-Kompetenz unterstützen Sie das Personal mit kurzen praxisnahen Schulungen dazu, was Alarme bedeuten und wo ihre Grenzen liegen (Art. 4 KI-Verordnung). Kommunizieren Sie, dass das System die Tierpflege unterstützt und weder Tierhalter noch Tierarzt ersetzt; das Personal bestätigt jeden Alarm. Leitfäden: GUIDE-008, GUIDE-006, GUIDE-004.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; keine Kategorie nach Anhang III trifft auf Tierüberwachung zu. Art. 4 (KI- Kompetenz) gilt. Beobachtung des Verbots nach Art. 5: Werden dieselben Kameras genutzt, um Emotionen abzuleiten oder die Leistung von Beschäftigten (Stallhelfer, Schlachthofmitarbeiter) zu überwachen, ist Emotionserkennung am Arbeitsplatz verboten, und die Bewertung von Beschäftigten kann hochriskant werden (Anhang III, Beschäftigung). Halten Sie das System auf Tiere begrenzt und konfigurieren Sie es so, dass Mitarbeiterverfolgung keine Funktion ist [3].
• DSGVO: In Ställen und Schlachthöfen werden Personal, Familienangehörige und Besucher gefilmt. Die Überwachung von Beschäftigten braucht eine Rechtsgrundlage, Zweckbindung, Einbindung des Betriebsrats (z. B. in Deutschland), Hinweisschilder zur Transparenz, maskierte Zonen oder einen Datenschutz-durch-Technikgestaltung-Bildausschnitt und kurze Aufbewahrung von Rohmaterial [4].
• Tierschutzrecht: Richtlinie 98/58/EG des Rates (landwirtschaftliche Nutztiere), artspezifische Richtlinien (Kälber, Schweine, Legehennen, Masthühner) und Verordnung (EG) 1099/2009 über das Töten; die geplante Überarbeitung des Tierschutzrechts durch die Kommission kann Überwachungspflichten hinzufügen. Manche Mitgliedstaaten verlangen Videoüberwachung in Schlachthöfen; KI-Auswertung kann den amtlichen Tierarzt unterstützen, aber nie ersetzen [5].
• Gegenmaßnahmen: Validierung auf Betriebsebene, menschliche Bestätigung, Klauseln zum Dateneigentum, Netzwerksegmentierung.

Erste Schritte

1. Wählen Sie ein konkretes Problem (z. B. Lahmheit bei Milchvieh, Schwanzbeißen bei Schweinen) und legen Sie die Referenzwahrheit mit Ihrem Tierarzt fest (Bewertungsprotokoll, z. B. Welfare Quality / Fortbewegungsbewertung).
2. Führen Sie einen 4-8-wöchigen Pilotbetrieb mit ein bis zwei Weg-A-Produkten in einem Stall durch und vergleichen Sie die Alarme mit den Befunden des Tierarztes.
3. Klären Sie Dateneigentum, Aufbewahrung, Information des Personals und die Zustimmung des Betriebsrats, bevor Sie Kameras installieren.
4. Montieren Sie die Kameras passend zur Aufgabe (Laufgang, Melkstandausgang, über der Bucht), halten Sie die Objektive sauber und protokollieren Sie Änderungen.
5. Wenn Sie selbst bauen, sammeln Sie einen beschrifteten Datensatz über mindestens mehrere Betriebe und halten Sie ganze Betriebe für den Test zurück.

Quellen

1. Welfare Quality Network, protocols and assessment of animal welfare — https://www.welfarequalitynetwork.net/
2. EFSA, animal welfare topic page — https://www.efsa.europa.eu/en/topics/topic/animal-welfare
3. Regulation (EU) 2024/1689 (AI Act), Art. 5 and Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
4. EDPB, Guidelines 3/2019 on processing of personal data through video devices — https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-32019-processing-personal-data-through-video_en
5. Council Directive 98/58/EC on the protection of animals kept for farming purposes — https://eur-lex.europa.eu/eli/dir/1998/58/oj
6. Regulation (EC) No 1099/2009 on the protection of animals at the time of killing — https://eur-lex.europa.eu/eli/reg/2009/1099/oj
7. DeepLabCut — https://github.com/DeepLabCut/DeepLabCut
8. Ultralytics YOLO documentation — https://docs.ultralytics.com/
9. DINOv2 (Meta) — https://github.com/facebookresearch/dinov2