Open Access

Gurubaran Raveendran, Frank Stollmeier, Andrej Lasarew, Kai Homeyer

• In der Tierhaltung werden zunehmend KI-basierte Methoden zur Bilderkennung eingesetzt, z. B. zur Gesundheitsüberwachung der Tiere. Doch viele Systeme sind auf manuelles Labeln großer Datenmengen angewiesen und bleiben dadurch in ihrer Wahrnehmung starr und wenig flexibel. Es fehlt an Systemen, die schnell und einfach angepasst werden können, so dass die Anwender, z.B. Landwirte oder Tierärzte, spontan und vor Ort das System an geänderte Bedingungen oder neue Fragestellungen anpassen können. Diese Arbeit untersucht eine Methode, die neue Objekte erkennt, ohne vorher explizit auf annotierten Trainingsdaten genau dieser Objekte trainiert worden zu sein. Dabei werden die zu erkennenden Objekte durch einen textbasierten Prompt beschrieben, mit Hilfe von Grounding DINO lokalisiert und mit Segment Anything (SMA) semantisch segmentiert. Zusammen ermöglichen sie ein flexibles System, das leicht an andere Objekte angepasst werden kann. Statt das Netz mit neuen Trainingsdaten zu trainieren, muss dafür nur ein kurzer Text-Prompt geändert werden. Erste Ergebnisse zeigen eine gute Erkennung in zwei Beispielanwendungen, der Erkennung von Verletzungen in der Putenmast und von faulen Stellen bei Äpfeln.