Erkennung lahmender Rinder mithilfe von Tiefenbildern und Deep Learning

Warum schmerzende Hufe bei Kühen uns alle betreffen

Kühe, die beim Gehen Schmerzen haben, mögen wie ein spezielles Problem auf dem Bauernhof klingen, doch Lahmheit in Milchviehbeständen treibt heimlich die Kosten für Milch in die Höhe, verkürzt die Lebensdauer der Tiere und wirft ernste Tierschutzfragen auf. Bisher beruhte das Erkennen lahmender Kühe auf einem geübten menschlichen Blick und viel Zeit im Stall – etwas, das viele stark belastete Betriebe nicht täglich leisten können. In diesem Beitrag wird ein kamera­basiertes System beschrieben, das automatisch Kühe beobachtet, während sie den Melkstand verlassen, und mithilfe von Tiefenbildern und künstlicher Intelligenz rund um die Uhr frühe Warnzeichen erkennt.

Von überfüllten Ställen zu kontinuierlicher, sanfter Beobachtung

Lahmheit betrifft weltweit etwa jede fünfte Milchkuh und kann in manchen Beständen deutlich häufiger vorkommen. Sie reduziert die Milchleistung, schädigt die Fruchtbarkeit und kann Landwirte zwingen, Tiere frühzeitig auszusondern, was Kosten von Hunderten Dollar pro Kuh und Jahr verursachen kann. Die Forschung zur Lahmheit ist jedoch oft weiter als das, was auf den meisten Betrieben tatsächlich umgesetzt wird: Landwirte unterschätzen häufig, wie viele Tiere Schmerzen haben, und fachliche Bewertungen sind zeitaufwendig und subjektiv. Frühere technische Ansätze setzten auf Kraftmessplatten in Laufwegen oder an den Tieren befestigte Bewegungssensoren, doch diese Lösungen sind teuer, störend und schwer skalierbar. Die Autorinnen und Autoren setzen stattdessen auf „Precision Livestock Farming“ mit einer kontaktlosen, oberhalb angebrachten Tiefenkamera, die die dreidimensionale Form jeder Kuh erfasst, während sie natürlich durch einen Gang läuft.

Wie ein an der Decke montiertes Auge den Rücken einer Kuh liest

An zwei kommerziellen Milchviehbetrieben in Japan wurde eine einzelne Time‑of‑Flight‑Tiefenkamera über dem schmalen Durchgang montiert, den die Kühe auf dem Rückweg vom Melken verwenden. Wenn ein Tier darunter entlanggeht, nimmt die Kamera ein von oben aufgenommenes Tiefenbild auf: im Grunde eine Höhenkarte, die die Kontur des Kuhrückens zeigt. Das System isoliert zunächst jede Kuh vom Hintergrund mit einem fortschrittlichen „Instance Segmentation“-Modell. Nach Tests verschiedener Modelle fanden die Forschenden, dass ein modernes YOLO‑basiertes Modell sowohl extrem hohe Genauigkeit als auch schnelle Verarbeitung bietet, Kühe in mehr als 99 % der Frames korrekt erkennt und umrandet und dabei Dutzende Bilder pro Sekunde verarbeitet – schnell genug für den Echtzeitbetrieb in einem belebten Stall.

Jeder Kuh folgen und Haltung in ein Schmerzsignal verwandeln

Das Erkennen von Kühen ist nur der Anfang; das System muss auch nachverfolgen, welches Tier welches ist, wenn mehrere Tiere durch den Gang strömen. Dafür entwickelten die Autorinnen und Autoren eine Reihe maßgeschneiderter Multi‑Object‑Tracking‑Algorithmen, die schrittweise die Fähigkeit verbesserten, die Identität jeder Kuh über die Zeit zu erhalten. Die Endversion nutzt nicht nur die Überlappung zwischen Bounding‑Boxes, sondern auch, wie lange eine Kuh bereits verfolgt wird und ob sie sich von links nach rechts oder rechts nach links bewegt. Diese einfache, aber clevere Einbeziehung der Bewegungsrichtung beseitigte nahezu Identitätsverwechslungen und erreichte etwa 99,9 % Tracking‑Genauigkeit an ungesehenen Tagen und auf beiden Betrieben.

Dem Computer beibringen, wie „steif und schmerzhaft“ aussieht

Der Kern der Lahmheitserkennung liegt in Form und Bewegung des Kuhrückens. Schmerzen an Füßen oder Beinen führen oft zu einem stärker gewölbten oder ungleichmäßigen Rücken, weil das Tier versucht, Druck zu entlasten. Statt einige geometrische Messwerte manuell auszuwählen, wandelt das Team das Tiefenbild jeder Kuh in eine normalisierte Höhenkarte des Rückens um und füttert kurze Sequenzen dieser Karten in ein Deep‑Learning‑Modell. Ein modernes Bildnetzwerk (EfficientNet) lernt räumliche Muster in einzelnen Frames, während ein Long Short‑Term Memory (LSTM) Netzwerk erfasst, wie sich die Haltung über mehrere Schritte entwickelt. Mit Experten‑Labels auf einer Vierpunkt‑Skala – von gesund bis stark lahm – klassifizierte die beste Konfiguration, EfficientNet‑B7 plus LSTM auf Fünf‑Frame‑Sequenzen, Lahmheitsgrade bei ungesehenen Kühen mit etwa 96 % Genauigkeit und F1‑Score, trotz Herausforderungen wie Klassenungleichgewicht und variierenden Gehgeschwindigkeiten.

Was das für Kühe, Landwirte und Ihr Glas Milch bedeutet

Zusammen bilden Tiefenkamera, Erkennung, Tracking und Gang‑Bewertungsmodell ein End‑to‑End‑Überwachungssystem, das rund um die Uhr jede Kuh beobachten kann, die darunter durchläuft, ganz ohne Halfter, Tags oder spezielle Bodenbeläge. Die Autorinnen und Autoren argumentieren, dass ein solches objektives und kontinuierliches Werkzeug die Lücke zwischen dem, was die Forschung über Lahmheit weiß, und dem, was auf Betrieben routinemäßig umgesetzt wird, schließen kann. Indem es gefährdete Kühe früher und beständiger als das menschliche Auge markiert, könnte diese Technologie Schmerzen reduzieren, Behandlungs‑ und Aussonderungskosten senken und eine humanere, nachhaltigere Milchproduktion unterstützen. Zwar sind breitere Tests auf weiteren Betrieben noch erforderlich, doch die Studie zeigt, dass eine einzelne, oberhalb angebrachte Tiefenkamera kombiniert mit sorgfältig gestaltetem Deep Learning eine mühsame manuelle Aufgabe in eine automatisierte Schutzmaßnahme für das Tierwohl verwandeln kann.

Zitation: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

Schlüsselwörter: Rinderlahmheit, Tiefenbildgebung, Precision Livestock Farming, Computer Vision, Überwachung des Tierwohls