Künstliche Intelligenz in der Gebäudeanalyse des Pferdes: Methoden, Möglichkeiten und Grenzen

Warum die Gebäudeanalyse objektiver werden muss

Der Körperbau bestimmt mit, wie ein Pferd sich bewegt, wie es Last aufnimmt und welche Strukturen im Training besonders beansprucht werden. Studien an Renn- und Sportpferden haben Zusammenhänge zwischen einzelnen Gebäudemerkmalen und Problemen des Bewegungsapparats beschrieben (Anderson et al. 2004; Weller et al. 2006). Für Training, Beritt und Therapie ist das Gebäude daher ein wichtiger Ausgangspunkt.

Die klassische Exterieurbeurteilung mit dem Auge, auch in Form der linearen Beschreibung auf Zuchtschauen, hat jedoch eine bekannte Schwäche: Sie ist subjektiv. Untersuchungen an 44 Lipizzanerstuten des österreichischen Bundesgestüts Piber zeigten, dass sechs erfahrene Richter in ihren Urteilen nur mäßig bis gering übereinstimmten (Druml et al. 2015 und Folgearbeiten). Die Interrater-Reliabilität der Beurteilung mit dem Auge ist begrenzt: Zwei Fachleute können dasselbe Pferd unterschiedlich einschätzen, ohne dass einer von beiden „falsch“ liegt. Die messende Gebäudeanalyse soll diese Unterschiede verringern.

Welche Methoden gibt es?

Die Vermessung des Pferdekörpers hat sich in mehreren Stufen entwickelt. Sie unterscheiden sich darin, wie die Messpunkte gefunden werden und wie viel Rechenarbeit die Maschine übernimmt.

1. Manuelle Messung am Pferd

Maßband, Messstock und Winkelmesser liefern direkte Werte am Tier (Somatometrie). Die Methode ist erprobt, aber zeitaufwendig, erfordert Kontakt mit dem Pferd und hängt stark davon ab, wie genau die Knochenpunkte ertastet werden. Wie man den Körperbau klassisch mit dem Auge und mit eingezeichneten Bezugslinien beurteilt, zeigt unser Ratgeber Exterieurbeurteilung beim Pferd.

2. Fotobasierte Morphometrie mit Landmarken

Bei der fotobasierten Morphometrie werden auf einem standardisierten Seitenfoto (lateraler Aufnahmewinkel) anatomische Landmarken wie Widerrist, Buggelenk (Articulatio humeri), Hüfthöcker (Tuber coxae), Sitzbeinhöcker (Tuber ischiadicum) oder Sprunggelenk markiert. Aus den zweidimensionalen Koordinaten dieser Punkte lassen sich Gelenkwinkel, Streckenlängen und Proportionen berechnen, etwa das Verhältnis von Rumpflänge zu Widerristhöhe.

Wie verlässlich solche Messungen sind, beschreiben zwei Kennzahlen: die Intrarater-Reliabilität (dieselbe Person misst zweimal) und die Interrater-Reliabilität (verschiedene Personen messen dasselbe Foto). Angegeben wird sie meist als Intraklassen-Korrelationskoeffizient (ICC) oder im Bland-Altman-Verfahren. Mehrere Studien zeigen, dass die fotobasierte Morphometrie auch mit Smartphone-Fotos alltagstauglich ist: Bei 48 Arabern und Vollblütern stimmten markerlos am iPhone-Foto gemessene Längen sehr gut mit Maßbandwerten überein (Übereinstimmung 0,92 bis 1,00; Ünal, Paksoy & Güngör 2025). Bei 125 Quarter Horses wurden 28 Längen und Winkel aus standardisierten Smartphone-Fotos mit frei verfügbarer Software bestimmt und mit der Leistung im Barrel Racing in Beziehung gesetzt (Freitag et al. 2025).

3. Geometrische Morphometrie

Die geometrische Morphometrie geht einen Schritt weiter. Sie erfasst nicht nur einzelne Winkel, sondern die Form des ganzen Pferdes: über anatomische Landmarken und zusätzliche Semi-Landmarken, die entlang der Körperkontur verteilt werden. Eine generalisierte Procrustes-Analyse entfernt anschließend Unterschiede in Größe, Lage und Drehung des Pferdes im Bild, sodass nur noch die reine Form übrig bleibt. Statistische Verfahren wie die Hauptkomponentenanalyse machen daraus einen „Formraum“ (Shape Space), in dem sich Pferde und Rassen vergleichen lassen. An 44 Lipizzanerstuten des Gestüts Piber wurden so 246 Landmarken ausgewertet (Druml et al. 2015).

4. Automatische Punkterkennung mit Deep Learning

In der jüngsten Stufe übernimmt ein neuronales Netz das Setzen der Punkte selbst. Man spricht von Pose Estimation oder Keypoint-Detektion. Meist kommen Convolutional Neural Networks (CNN) zum Einsatz, die auf großen Bilddatenbanken vortrainiert und per Transfer Learning mit wenigen tausend von Hand markierten Pferdebildern (der Ground Truth) auf Pferde spezialisiert werden. Danach finden sie die Körperpunkte auf neuen Fotos oder in jedem Einzelbild eines Videos. Ein Forschungsteam der LMU München nutzte ein solches Modell mit 58 Referenzpunkten zur Lahmheitserkennung (Feuser et al. 2022). Eine Arbeit aus dem Jahr 2026 beschreibt ein neuronales Netz, das morphometrische Merkmale aus seitlichen Fotos schätzt und mit 1.000 standardisierten Bildern trainiert wurde.

Die Schweizer Referenzstudie: Horse Shape Space mit über 1.200 Pferden

Die derzeit umfangreichste offene Datengrundlage zur fotobasierten Gebäudeanalyse stammt aus der Schweiz. Forschende von Agroscope und der Universität Zürich haben das Modell „Horse Shape Space“ entwickelt. Es beschreibt die Form eines seitlich fotografierten Pferdes über 253 Landmarken und Semi-Landmarken.

Ursprünglich wurde das Verfahren an 403 Fotos von 243 Freiberger Hengsten erarbeitet (Gmel et al. 2018). 2024 veröffentlichte das Team einen erweiterten, frei zugänglichen Datensatz: 1.241 Pferde aus sieben europäischen Rassen mit 2.489 ausgewerteten Fotos (Gmel et al. 2024). Enthalten sind Freiberger, Europäisches Warmblut, Lipizzaner, Shagya-Araber, Lusitano, Vollblutaraber und Pura Raza Española. Ein Teil der Warmblut- und Freiberger-Fotos stammt aus den Archiven des Schweizer Nationalgestüts und reicht bis in die 1940er-Jahre zurück.

Für die Praxis sind vor allem zwei Befunde wichtig:

• Auf ein und demselben Foto sind die Messungen gut wiederholbar. Wer die Punkte zweimal setzt, kommt zu sehr ähnlichen Ergebnissen.
• Zwischen zwei Fotos desselben Pferdes schwanken die Werte deutlich stärker. Die Aufstellung des Pferdes beeinflusst das Ergebnis also erheblich. Am unzuverlässigsten war der Punkt an der Schulter, am zuverlässigsten Genick und Hals.

Das deckt sich mit einer älteren britischen Untersuchung an Rennpferden: Das Auffinden der Landmarke ist die größte Fehlerquelle, Längen hängen weniger von der Aufstellung ab als Winkel, und Huf- sowie Fesselwinkel reagieren am empfindlichsten (Weller et al. 2006). Die Schweizer Daten liefern damit nicht nur Referenzwerte für sieben Rassen, sondern auch eine klare Anleitung, worauf eine seriöse Fotoanalyse achten muss.

Was ist SomaTraxx?

SomaTraxx ist ein Verfahren zur fotobasierten Gebäudeanalyse, das bei Pferde gesund bewegen entwickelt wurde. Es verbindet die landmarkenbasierte fotobasierte Morphometrie mit regelbasierter Auswertung und KI-gestützter Textformulierung. Wichtig ist das Betriebsmodell: SomaTraxx ist ein Human-in-the-Loop-System und damit ein Entscheidungsunterstützungssystem, kein Automatismus. Die Analyse wird nicht von einer Maschine allein erstellt, sondern von einem Fachmann durchgeführt, geprüft und freigegeben. Die Software misst und schlägt vor, der Mensch bewertet und entscheidet.

So läuft eine Analyse ab

1. Fotos: Pferdebesitzerinnen und -besitzer laden drei Seitenfotos und die wichtigsten Daten des Pferdes (Rasse, Alter) hoch. Daraus wird die am besten geeignete Aufnahme ausgewählt. Standortdaten (GPS) werden beim Hochladen automatisch aus den Bilddateien entfernt.
2. Messpunkte: Die anatomischen Messpunkte werden von Hand auf dem Foto gesetzt, geführt durch eine Anatomie-Referenz mit Skelettausschnitt und Lupe. Grundlage ist die Methodik des Kurses „Grundlagen der Pferdeanalyse“.
3. Berechnung: Aus den Punkten berechnet die Software Achsen, Winkel, Längen und Proportionen, unter anderem Rückenlinie und Rückenform, Schulterwinkelung, Kruppe, das Verhältnis von Schulter und Hinterhand, Halsachse, Format, Stellung von Vorder- und Hinterbein sowie Merkmale der Vorhandlastigkeit.
4. Einordnung: Jedes Kriterium wird mit einer Ampel eingestuft. Eine Rassedatenbank mit über 40 Rassen ergänzt erklärende Hinweise, etwa dass ein hoch angesetzter Hals beim Araber rassetypisch ist. Rassetypische Merkmale werden dabei erklärt, aber nicht abgewertet.
5. Befundentwurf mit KI: Ein großes Sprachmodell (Large Language Model, LLM) formuliert aus den Ergebnissen einen verständlichen Befundtext. Es erhält bewusst keine Messzahlen, sondern nur die Einstufungen und geprüfte Fachtexte aus einer eigenen, kuratierten Wissensdatenbank. Automatische Prüfregeln (Guardrails) verhindern, dass im Text Diagnosen, Medikamente, Prognosen oder Aussagen zum Wert oder zur Zuchteignung auftauchen, und senken das Risiko sogenannter Halluzinationen, also erfundener Inhalte.
6. Freigabe durch den Menschen (Human-in-the-Loop): Der Entwurf wird fachlich geprüft, bei Bedarf überarbeitet und erst dann freigegeben. Ohne Freigabe trägt der Bericht sichtbar den Vermerk „Entwurf“. Kein Bericht geht automatisch an Kundinnen und Kunden.
7. Bericht: Das Ergebnis ist ein PDF-Bericht mit annotierten Bildern, Messpunkten, Erklärungen und Hinweisen, was die Befunde für Training und Bewegung bedeuten können.

Was SomaTraxx kann

• Nachvollziehbarkeit: Jede Einstufung beruht auf sichtbaren Linien und Winkeln im Foto. Wer den Bericht liest, sieht, woher eine Aussage kommt.
• Vergleichbarkeit: Gleiche Messpunkte und gleiche Rechenwege machen Analysen verschiedener Pferde und verschiedener Zeitpunkte vergleichbar.
• Zusammenhänge statt Einzelwerte: Die Wissensdatenbank beschreibt, wie Merkmale sich gegenseitig verstärken, ausgleichen oder erklären. Der Befund liest das Pferd als Ganzes.
• Verständliche Sprache: Die KI hilft, Fachbefunde in einen gut lesbaren Text für Pferdebesitzer zu übersetzen, ohne die Messung selbst zu übernehmen.
• Datenschutz und Einwilligung: Ob Fotos später für die Weiterentwicklung genutzt werden dürfen, entscheiden Besitzerinnen und Besitzer ausdrücklich und können diese Zustimmung widerrufen.

Was SomaTraxx bewusst nicht tut

SomaTraxx stellt keine Diagnosen, ersetzt keine tierärztliche Untersuchung und gibt keine Kauf- oder Zuchtempfehlung. Die Analyse beschreibt den Körperbau auf einem Foto. Sie ist ein Werkzeug für Training, Therapieplanung und das Gespräch mit Fachleuten, nicht deren Ersatz.

KI im Pferdebereich: Weitere Studien und Einsatzzwecke

Die Gebäudeanalyse ist nur ein Feld, in dem KI bei Pferden erforscht und eingesetzt wird. Die folgenden Beispiele zeigen die Bandbreite.

Gang- und Lahmheitsanalyse per Smartphone

Die schwedische App Sleip wertet Videos eines vorgetrabten Pferdes mit neuronalen Netzen aus. Die Netze erkennen in jedem Bild Körperpunkte und berechnen daraus die Auf- und Abbewegung von Kopf und Becken. Im Vergleich mit einem Kamerasystem mit Reflexmarkern lag die mittlere Abweichung unter 2,2 Millimetern (Lawin et al. 2023). Daneben gibt es sensorbasierte Systeme, bei denen Bewegungssensoren (IMU) am Pferd die Daten liefern und neuronale Netze Unregelmäßigkeiten früh erkennen sollen.

Schmerzerkennung am Gesichtsausdruck

Pferde zeigen Schmerz über feine Veränderungen an Ohren, Augen, Nüstern und Kaumuskulatur. Ein Modell auf Basis eines Convolutional Neural Network erkannte auf Fotos, ob Schmerz vorliegt, mit einer Trefferquote von 88,3 Prozent; bei drei Abstufungen lag sie bei 75,8 Prozent (Lencioni et al. 2021). Broomé und Kollegen zeigten bereits 2019, dass Bewegungsabläufe im Video die Erkennung verbessern. 2026 stellte ein internationales Team das System SHIC-XE vor, das Videobilder auf ein dreidimensionales Gesichtsmodell überträgt und sichtbar macht, auf welche Gesichtsregionen sich die KI stützt (Feighelstein et al. 2026). Solche Verfahren der Explainable AI (XAI) machen die Entscheidung der Maschine nachvollziehbar, etwa über Heatmaps. Die Autoren zeigen, dass sich das System auf dieselben Merkmale stützt, die auch erfahrene Tierärzte heranziehen, und betonen ausdrücklich: Die Technologie soll die tierärztliche Einschätzung unterstützen, nicht ersetzen.

Haltungserkennung und Verhalten

Mit dem Datensatz Horse-10 (30 Vollblüter, 22 markierte Körperteile, über 8.000 Einzelbilder) wurde untersucht, wie gut Modelle zur Haltungserkennung auf Pferde übertragbar sind, die sie noch nie gesehen haben (Mathis et al. 2021). Das Ergebnis: Vortrainierte Modelle schneiden bei unbekannten Pferden deutlich besser ab, bleiben aber anfällig für einen Domain Shift, also für Bilder, die sich von den Trainingsdaten unterscheiden, vor allem bei kleinen Trainingsdatensätzen. Weitere Arbeiten nutzen Deep Learning, um Verhalten im Stall automatisch zu überwachen, oder um Emotionen am Gesichtsausdruck einzuordnen.

Was die Beispiele verbindet

Ob Gang, Schmerz oder Gebäude: Die überzeugendsten Ansätze sind assistive KI nach dem Human-in-the-Loop-Prinzip. Sie liefern Fachleuten zusätzliche, objektive Informationen. Die Entscheidung, was ein Befund für das einzelne Pferd bedeutet, bleibt beim Menschen.

Wo liegen die Grenzen der KI in der Gebäudeanalyse?

Für die fotobasierte Gebäudeanalyse sind vor allem diese Grenzen wichtig:

• Das Foto ist eine Momentaufnahme. Wie das Pferd steht, verändert Winkel teils erheblich (Weller et al. 2006; Gmel et al. 2018). Fachlich gesprochen ist die Reproduzierbarkeit zwischen verschiedenen Aufnahmen deutlich geringer als die Wiederholbarkeit auf demselben Bild. Ein einzelnes Foto kann ein Pferd daher in Grenzbereichen anders erscheinen lassen, als es ist. Mehrere Aufnahmen und eine gute Fotoanleitung sind deshalb Pflicht.
• Zwei Dimensionen statt drei. Ein Seitenfoto ist eine 2D-Projektion eines dreidimensionalen Körpers. Es zeigt keine Stellung von vorn oder hinten und keine Verdrehungen. Kameraposition und Objektiv können Proportionen verzerren (Perspektiv- und Parallaxenfehler).
• Knochenpunkte liegen unter Fell, Fett und Muskulatur. Die Landmarken müssen durch die Haut hindurch „gedacht“ werden. Gerade bei gut bemuskelten oder übergewichtigen Pferden sind manche Punkte nur näherungsweise zu finden.
• Gebäude ist nicht Bewegung. Das Foto zeigt, wie ein Pferd gebaut ist, nicht, wie es sich bewegt oder ob es Schmerzen hat. Training, Muskulatur und Haltung verändern das Erscheinungsbild; manche Merkmale wie ein Senkrücken sind teilweise erworben und können sich verbessern.
• KI ist nur so gut wie ihre Daten. Modelle, die überwiegend an einer Rasse oder an Pferden mit bestimmten Problemen trainiert wurden, übertragen ihre Maßstäbe nicht zuverlässig auf andere Pferde (Stichprobenverzerrung, englisch Selection Bias). Durchschnittswerte einer Stichprobe sind nicht automatisch „normal“ oder „ideal“.
• Sprachmodelle können formulieren, aber nicht untersuchen. Ein KI-Text klingt schnell überzeugend. Deshalb braucht es klare Regeln, was ein Modell schreiben darf, und eine fachliche Freigabe vor jedem Versand.
• Keine Diagnose. Weder Gebäudeanalyse noch App ersetzen die klinische Untersuchung, Röntgenbilder oder die Beurteilung in der Bewegung.

Ausblick: Wohin entwickelt sich die KI-gestützte Gebäudeanalyse?

Folgende Entwicklungen sind absehbar:

• Automatische Punktvorschläge: Sobald genug sorgfältig markierte Fotos vorliegen (nach gängigen Erfahrungswerten mehrere hundert bis tausend), kann ein Keypoint-Modell die Messpunkte vorschlagen. Auch dann bleibt es beim Human-in-the-Loop: Der Mensch prüft und korrigiert, statt jeden Punkt selbst zu setzen. Für SomaTraxx ist dieser Schritt geplant, wenn die Datengrundlage mit Einwilligung der Besitzer groß genug ist.
• Mehr Fotos statt einem: Werden mehrere Aufnahmen eines Pferdes kombiniert, sinkt der Einfluss einer ungünstigen Aufstellung. Die Einstufung wird stabiler.
• Offene Referenzdaten: Datensätze wie der Schweizer Horse Shape Space machen es möglich, eigene Messungen mit großen Rassestichproben zu vergleichen.
• Verknüpfung von Gebäude und Bewegung: Die Kombination aus Fotoanalyse, Videoanalyse und Sensordaten könnte künftig zeigen, wie sich ein bestimmtes Gebäude tatsächlich in der Bewegung auswirkt.
• Verlauf statt Einzelbild: Wiederholte Analysen desselben Pferdes machen sichtbar, wie Training und Therapie die Oberlinie und die Bemuskelung verändern.

Auch mit diesen Entwicklungen gilt: KI liefert Messwerte, Muster und Formulierungshilfen. Die Verantwortung für die Einschätzung eines Pferdes tragen Menschen mit Fachwissen.

Fazit

Künstliche Intelligenz und fotobasierte Morphometrie machen die Gebäudeanalyse beim Pferd messbarer, vergleichbarer und nachvollziehbarer. Die Forschung, allen voran der Schweizer Horse Shape Space mit über 1.200 Pferden, zeigt aber auch, wo die Grenzen liegen: bei der Aufstellung, beim Auffinden der Landmarken und in der Aussagekraft eines einzelnen Fotos. SomaTraxx verbindet deshalb exakte Vermessung mit fachlicher Prüfung nach dem Human-in-the-Loop-Prinzip. Die KI unterstützt dabei, den Befund verständlich zu formulieren. Sie ersetzt weder den geschulten Blick noch die tierärztliche Untersuchung.

Zur Digitalen Pferdeanalyse   Zum Kurs Grundlagen der Pferdeanalyse