Obwohl bereits bekannt ist, dass das nächtliche Aktivitätsbudget ein guter Indikator für das Animal Welfare darstellt, ist genau dieses Verhalten bislang nur wenig untersucht. Allerdings unterscheiden sich die Verhaltensmuster zwischen Tag und Nacht bei großen Herbivoren stark und daher ist es von großer Bedeutung auf das nächtliche Verhalten der Tiere einen größeren Fokus zu legen.
Um dieser Fragestellung genauer auf den Grund zu gehen, haben wir ein Software-Paket, namens BOVIDS (Behavioral Observations by Videos and Images using a Deep-Learning Software), entwickelt, welches anhand von Bildern das Verhalten von Tieren vorhersagen kann. Dieses System nutz dazu das sogenannte Deep-Learning und besteht aus drei Teilschritten. Der erste Schritt, das sogenannte Object Detection, erkennt ob ein Tier auf dem Bild ist und kann damit die Kategorie Out bestimmen. Zudem werden hierbei die Individuen unterschieden und die Position des Tieres wird bestimmt. Anschließen folgt der sogenannte Action Classification Schritt, bei welchem das Verhalten des Tieres vorhergesagt wird. Dabei werden die drei Verhaltensweisen Stehen, Liegen und Schlafen von BOVIDS unterschieden. Zum Schluss werden Fehler durch die Prognose noch durch das sogenannte Post-Processing behoben.
Durch diese Automatisierung können mit viel weniger Arbeitsaufwand große Datenmengen untersucht werden, sodass sowohl viele Nächte einzelner Individuen als auch viele Individuen einer Art oder sogar viele verschiedene Arten untersucht werden können.