FenceGuard: Wie ein schwedischer Bauernhof mit KI und Sensoren vor Räubern schützt

Ein ländlicher Bauernhof in Schweden, umgeben von Wäldern und Feldern. Hier leben Hühner und Moschusenten frei im Hof herum – noch ohne sichere Umzäunung. Doch mit der Freiheit kommt auch Gefahr: Füchse, Greifvögel und sogar ein Nachbarhund haben in der Vergangenheit ganze Herden getötet. Der Entwickler hinter FenceGuard will genau das ändern – nicht mit teuren Überwachungskameras, sondern mit einem intelligenten Sensornetzwerk, das frühzeitig warnt. Doch der Weg dorthin beginnt mit einer einfachen Frage: Wie erkennt man überhaupt zuverlässig echte Bewegungen in der Natur?

Vom Problem zur Lösung: Warum FenceGuard entstand

Vor vier Jahren kehrte ein Nachbarhund nach einem Einkauf zurück und tötete die gesamte Geflügelherde. Solche Verluste sind für Landwirte nicht nur finanziell schmerzhaft, sondern auch emotional belastend. Der Gründer von FenceGuard, der selbst in der schwedischen Provinz lebt, suchte nach einer automatisierten Lösung – einer, die nicht ständig manuell überprüft werden muss. Sein Ziel: ein System, das nicht nur vor Raubtieren warnt, sondern auch Fehlalarme durch Wind oder Regen minimiert.

Die Vision ist ambitioniert: Ein LoRa-Mesh-Netzwerk aus Sensoren, das mit Edge-KI (TensorFlow Lite) lokale Analysen durchführt. дополнительно soll eine Integration mit dem schwedischen Wetterdienst SMHI helfen, falsche Alarme zu reduzieren. Langfristig sind zwei Produktvarianten geplant – eine für kleinere Raubtiere wie Füchse oder Habichte, eine für größere wie Wölfe oder Bären. Doch bevor solche High-Tech-Lösungen umgesetzt werden, steht ein grundlegender Schritt: die Validierung der Rohdaten. Deshalb beginnt das Projekt bewusst klein.

Der erste Schritt: Ein einziger Sensor für klare Daten

Anstatt sofort in komplexe Hardware zu investieren, setzt der Entwickler auf einen PIR-Bewegungssensor – jenes klassische Bauelement, das auch in Alarmanlagen oder automatischen Lichtschaltern verbaut wird. Der erste Prototyp nutzt ein bereits vorhandenes LoPy4-Entwicklungsboard, das ursprünglich für ein Wetterstationsprojekt genutzt wurde. Die Kombination aus Sensor und Board soll zunächst grundlegende Bewegungsmuster erfassen, bevor weitere Komponenten hinzukommen.

• Warum kein neuer ESP32? Der Entwickler spart Kosten und Ressourcen, indem er vorhandene Hardware nutzt. Ein ESP32 wäre zwar leistungsfähiger, aber für die ersten Tests überdimensioniert.
• Warum erst ein Sensor? Die zentrale Herausforderung liegt nicht in der Hardware, sondern in der Datenqualität. Ein PIR-Sensor erkennt Bewegungen – aber unterscheidet er auch zwischen einem Fuchs, einem Ast im Wind oder einem vorbeilaufenden Menschen?

Die größte Hürde: Signal oder Rauschen?

Die größte technische Hürde bei FenceGuard ist nicht die KI oder das Mesh-Netzwerk, sondern die Grundlagenforschung. Bevor Algorithmen oder Filter eingesetzt werden können, muss verstanden werden, welche Daten überhaupt erfasst werden. Ein PIR-Sensor reagiert auf Infrarotstrahlung – doch seine Empfindlichkeit hängt von der Temperatur ab. Wie sieht also ein echtes Raubtierereignis in den Messdaten aus? Wie unterscheidet es sich von einem Ast, der sich im Wind bewegt? Und wie unterscheiden sich die Bewegungsmuster von Huhn, Ente, Mensch oder Hund?

Der Entwickler formuliert die Kernfrage so:

„Kann ich mit nur einem PIR-Sensor und einem Zeitstempel zuverlässig zwischen echten Bewegungen und Umgebungsrauschen unterscheiden?“

Genau das soll in den kommenden Wochen geklärt werden. Keine KI, keine komplexen Architekturen – nur ein Sensor, ein Board und eine einfache Protokollierung. Erst wenn diese Basis steht, wird über Filterlogik, Schwellenwerte oder zusätzliche Sensoren wie Wind- oder Temperatursensoren nachgedacht.

Was kommt als Nächstes?

Sobald der PIR-Sensor geliefert wird, folgt der nächste Schritt: die Hardware-Integration und erste Datenerfassung. Die gesammelten Rohdaten werden dann analysiert, um Muster zu erkennen. Mögliche Ansätze für die Filterung könnten sein:

• Zeitfenster-Analyse: Nicht jede kurzfristige Bewegung ist ein Raubtier – vielleicht hilft ein Zeitfenster, um zufällige Störungen auszuschließen.
• Schwellwert-Vergleiche: Ein Fuchs erzeugt eine andere Infrarotsignatur als ein vorbeiziehender Vogel.
• Kombination mit Wetterdaten: Windböen oder Temperaturänderungen könnten später als Kontextfaktoren einbezogen werden.

Der Entwickler lädt andere IoT-Enthusiasten ein, ihre Erfahrungen mit ähnlichen Projekten zu teilen – sei es in der Nutztierüberwachung, Geländeabsicherung oder generell im Bereich Outdoor-IoT. FenceGuard ist ein offenes Entwicklungsprojekt, bei dem Hardware-Entscheidungen, Firmware und Datenanalyse transparent dokumentiert werden. Wer den Fortschritt verfolgen möchte, kann die Updates mitverfolgen und eigene Ideen einbringen.

FenceGuard zeigt: Große Visionen beginnen oft mit kleinen, aber präzisen Schritten. Bevor Algorithmen und Netzwerke komplex werden, muss erst verstanden werden, welche Daten überhaupt relevant sind. Erst dann kann die Technologie ihre volle Stärke entfalten – und eines Tages vielleicht nicht nur schwedische Bauernhöfe, sondern Nutztierhalter weltweit vor Verlusten schützen.