P344 - 44. GIL-Jahrestagung 2024 - Fokus: Biodiversität fördern durch digitale Landwirtschaft

Permanent URI for this collectionhttps://dl.gi.de/handle/20.500.12116/43863

Authors with most Documents

Ackermann, Andrea

Assmann, Denise

Aue, Alexander

Becker, Rolf

Conrad, Christopher

Browse

1 - 20 of 63

44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft - Komplettband
(Gesellschaft für Informatik e.V., 2024)
Adaptive Mesh-Netzwerke zur Steigerung der Konnektivität von Landmaschinen
(Gesellschaft für Informatik e.V., 2024) Julian Hagert, Benjamin Striller
Die Versorgung landwirtschaftlicher Regionen und Flächen mit öffentlichem Mobilfunk ist nach wie vor unzulänglich und bremst den Einsatz digitaler Werkzeuge in der landwirtschaftlichen Produktion. Private, nomadische Campusnetze bieten einen Lösungsansatz, der durch zusätzlichen Einsatz von Ad-hoc-Netzen eine vollumfängliche praktische Nutzung ermöglicht. Im Beitrag wird die Möglichkeit, die Reichweite über ein WiFi-basiertes Mesh-Netzwerk zu vergrößern und als Folge dessen die Konnektivität von Maschinen zu erweitern, vorgestellt. Basierend auf vorbereitenden Messungen zu unterschiedlichen Netzparametern wurden Feldversuche konzipiert, Hardware auf Landmaschinen integriert und Daten erhoben. Die Auswertung der aufgezeichneten Daten gibt Aufschluss über die Eignung vermaschter Netzwerke in der landwirtschaftlichen Praxis.
Adaptive real-time crop row detection through enhancing a traditional computer vision approach
(Gesellschaft für Informatik e.V., 2024) Hussaini, Mortesa; Voigt, Max; Stein, Anthony
Crop row detection is important to enable precise management of fields and optimize the use of resources such as fertilizers and water. Autonomous machines need an effective but also robust real-time row detection system to be able to adapt to different field conditions. In this paper, we present an enhanced crop row detection approach which integrates traditional computer vision methods with further techniques such as k-means clustering or probabilistic Hough transformation. The resulting hybrid method allows for efficient and robust detection of straight and curved crop rows in image and video material. We validate our approach empirically on the crop row benchmark dataset (CRBD) and compare it with other state-of-the-art approaches. Furthermore, we demonstrate that our approach is designed to be adaptive and thus becomes straightforwardly transferable to other experimental setups. To corroborate that, we report on results when our approach is validated on representative corner cases which have been collected in the scope of a research project. Observations and current limitations of our approach are discussed along with possible solutions to overcome them in future work.
Akzeptanzprognose zur Einführung eines Energiemanagementsystems in automatisierten Milchviehställen in Bayern – „CowEnergySystem“
(Gesellschaft für Informatik e.V., 2024) Christoph Bader, Jörn Stumpenhausen
Angesichts des weltweit steigenden Bedarfs entwickelt sich die Ressource Energie zu einem bedeutenden Kostenfaktor in der Agrarwirtschaft. Von dieser Entwicklung sind besonders tierhaltende Betriebe betroffen und vor zusätzliche Herausforderungen gestellt. Durch den gesellschaftlich gewünschten Ausstieg aus der Nutzung fossiler Energieträger treten regenerative Energien verstärkt in den Mittelpunkt. Gerade für landwirtschaftliche Betriebe ergeben sich dadurch bisher ungenutzte Potenziale. Durch Photovoltaikanlagen auf Dächern von Betriebsgebäuden oder die Verwertung von Gülle in Biogasanlagen kann zusätzliche Energie erzeugt werden. Dadurch eröffnet sich die Möglichkeit, preiswerte Energie im Betrieb selbst zu nutzen oder in das öffentliche Stromnetz zu liefern. Im Rahmen des Forschungsprojektes „CowEnergySystem“ soll neben einer betriebsindividuellen Stromerzeugung untersucht werden, welche Möglichkeiten einer effizienten Nutzung dazu beitragen können, die Stromkosten nachhaltig zu senken. Kernelement eines solchen Nutzungskonzeptes stellt ein entsprechendes Energiemanagementsystem (EMS) dar. Erste Erfahrungen aus einem bayerischen Milchvieh-Betrieb lassen auch für andere Betriebszweige und Regionen ähnliche Nutzenpotenziale erwarten. Die erfolgreiche Verbreitung eines derartigen Konzepts wird entscheidend von der Akzeptanz der Nutzer bestimmt. Erste Ergebnisse zur möglichen Akzeptanz dieses EMS sowie wichtige Einflussfaktoren sollen für Bayern vorgestellt werden.
Analyse des Product Carbon Footprints im Produktions- und Verarbeitungsprozess von Topinambur (Helianthus tuberosus L.)
(Gesellschaft für Informatik e.V., 2024) Guerler, Hakan; Risius, Hilke; Albrecht, Richard; Rosenbaum, Julian; Röpert, Christin; Lienig, Frank; Kramer, Eckart
Der PCF bezieht sich auf die Bilanzierung der Treibhausgas (THG) - Emissionen und des THG-Abbaus entlang des gesamten Lebenszyklus eines Produkts. Ziel dieser Studie ist es, den Product Carbon Footprint (PCF) in der Wertschöpfungskette von Topinambur zu analysieren. Eine repräsentative Menge von 100 kg Topinambur wurde als Grundlage für die PCF-Berechnung im Anbau und in der Verarbeitung gewählt. Für die gesamte Verarbeitung wurden der Strom- und Wasserverbrauch sowie die menschliche Arbeitszeit gemessen. Die Ergebnisse zeigen die signifikante Rolle des Wasserverbrauchs bei den Treibhausgasemissionen, gefolgt vom Stromverbrauch und der menschlichen Arbeitszeit. Diese Ergebnisse unterstreichen die Dringlichkeit der Identifizierung von Emissionsminderungspotenzialen in der Topinambur-Verarbeitung und unterstreichen gleichzeitig die Bedeutung einer genauen Datenerfassung und realistischer Emissionsfaktoren für zukünftige Untersuchungen.
Assessing the contribution of digital technologies to agroecological principles in the European context
(Gesellschaft für Informatik e.V., 2024) Alma Moroder, Sonoko Bellingrath-Kimura
The aim of our research is to find out how the alignment/misalignment of digital technologies with agroecological principles can be assessed, in order to allow for a holistic evaluation of digital technologies in the future. To address this research question, we looked at agroecology as the “10 elements of agroecology” defined by the FAO, which encompass environmental, socio-economic, cultural and political principles. We developed a set of indicators representing these elements of agroecology. The indicator development was based on an exploratory and a systematic literature review, as well as a short survey, followed by a series of qualitative interviews with both agroecology and digitalisation experts. First results indicate that our indicator-based approach, although non-exhaustive, allows for a wide number of digital technologies to be assessed under the lens of their contribution to agroecology.
Assessment of ground conditions in grassland on a mower with artificial intelligence
(Gesellschaft für Informatik e.V., 2024) Manss, Christoph; Martel, Viktor; Weisgerber, Roman
Process-monitoring for autonomous mowers in agriculture is crucial to establish an online quality assessment. Here, neural networks (NNs) are employed to classify ground conditions, distinguishing between dry, mowed, unplanted, and grass. The data comprises RGB images that are captured by a camera mounted on a mower. These images are then used to train various NNs, with EfficientNet_V2_s emerging as the most accurate network and with ResNet18 to be the most efficient network in terms of training duration and accuracy. The study also reveals for this use-case that employing transfer learning enhances the overall network performance. The developed NNs is intended for deployment on mowers, enabling them to adjust their mowing blades, conserve energy, and enhance the quality of mowed grass. Beyond mowing, the NN can be applied in process control and the identification of other plant species or weeds in the agricultural field, contributing to biodiversity assessments and more sustainable farming practices.
Assimilation von satellitenbasierten Reflexionsmessungen in einem Informationssystem für einen modernen Hopfenbaubetrieb
(Gesellschaft für Informatik e.V., 2024) Linseisen, Hubert; Manakos, Ioannis; Katsikis, Eleftherios; Delopoulos, Anastasios
Ziel des Artikels ist es, ortsbasierte Fernerkundungstechnologien verstärkt auch in die Praxis des Hopfenbaus zu bringen. Einleitend wird gezeigt, wie hierfür ein datenbasiertes Informationssystem mit Software und Datentransfer ausgestaltet sein muss. Der Schwerpunkt des Beitrags ist das Stickstoffmonitoring und die Ertragsschätzung im Hopfenbau durch Fernerkundungsdaten. Hierzu wurden Daten aus den letzten drei Jahren für einen Hopfenbaubetrieb aus der Hallertau ausgewertet. Gezeigt werden erste Schritte, welchen Beitrag hierbei die Fernerkundung leisten kann. Eine Diskussion mit Ausblick rundet den Beitrag ab.
Ausbildungsorganisatorische Perspektiven auf die Wissensvermittlung zur Digitalisierung im dualen System
(Gesellschaft für Informatik e.V., 2024) Michael Paulus, Clara Körner
Neben neuen technischen Möglichkeiten ergeben sich aus der Digitalisierung des Agrarsektors neue Ansprüche an Kompetenz- und Lernbedürfnisse für die landwirtschaftliche Berufsbildung. Die Wissensvermittlung kann dabei als ausbildungsorganisatorische Herausforderung für betriebliche, schulische und überbetriebliche Ausbildungsstätten im dualen System angesehen werden. Vor diesem Hintergrund wurden 20 Leitfadeninterviews mit Ausbildungsbetrieben aus dem Regierungsbezirk Stuttgart durchgeführt, um betriebliche Perspektiven auf die Wissensvermittlung im dualen System und den Bedarf an Lernkooperationen im Kontext der Digitalisierung besser zu verstehen. Es wird festgestellt, dass die Wissensvermittlung mehrheitlich als Gemeinschaftsaufgabe aller Wissensakteure wahrgenommen wird, jedoch findet bisher wenig Vernetzung zwischen Ausbildungsbetrieben und weiteren Bildungsakteuren im dualen System statt. Um die Wissensvermittlung zur Digitalisierung zu stärken, braucht es zukünftig eine stärkere ausbildungsorganisatorische Abstimmung, um einen ausreichenden Wissenszugang zur Digitalisierung zu ermöglichen.
Automatisierte Frucht- und Pflanzenerkennung in Apfelplantagen durch künstliche Intelligenz
(Gesellschaft für Informatik e.V., 2024) Gerstenberger, Michael; Kovalenko, Mykyta; Przewozny, David; Magnusson, Jannes; Gassen, Eike; Pawlak, Jakub; Hirth, Jochen; von Hirschhausen, Laura; Runde, Detlef; Hilsmann, Anna; Eisert, Peter; Bosse, Sebastian
Zwei wichtige Ziele des Precision Farming im Obstanbau sind die automatische Bonitur von Apfelplantagen und die Ernte von Äpfeln: Beide setzen voraus, dass Bäume und Früchte zuverlässig erkannt werden. Mittlerweile existieren erste öffentliche Datensätze zum Training von KI-Modellen zur Erkennung von Früchten in Obstplantagen, wie z. B. der Benchmark-Datensatz MinneApple mit über 1000 annotierten Bildern. Eine zentrale Herausforderung bleibt einerseits die begrenzte Generalisierbarkeit der Apfelerkennung, die mit diesen Datensätzen erzielt werden kann. Andererseits bestehen neben der Anzahl der Früchte weitere wichtige Kennzahlen im Obstanbau wie die Fläche der Blätter und Blüten, welche die Bäume im Frühjahr tragen und für die automatische Bonitur von Interesse sind. Die Ziele der hier vorgestellten Forschung sind daher (1) eine Erweiterung der Datenbasis, (2) die vergleichende Evaluation von state-of-the-art Objektdetektoren für die Apfelerkennung über verschiedene Datensätze hinweg und (3) eine neue Methode zur Segmentierung der Bäume. Um diese Ziele zu erreichen, wurden weitere Daten maschinengestützt erfasst und mehr als 600 Bilder mit Hilfe von interaktiven Verfahren annotiert. Diese nutzen jeweils ein vortrainiertes Modell, um dem Nutzer Vorschläge für die Position der Äpfel zu machen, die dann manuell korrigiert und ergänzt werden können. Für die Evaluierung der Apfelerkennung wurden gängige Modellarchitekturen zur Objekterkennung (YOLOv8, ResNet, SSD) für die Detektion von Äpfeln trainiert und im Sinne eines Modellvergleichs getestet. YoloV8 liefert die besten Ergebnisse für die Erkennung von Äpfeln am Baum, die mit einem F1-Wert von 0.77 insgesamt auch sehr hoch ist. Die Übertragbarkeit der Ergebnisse wurde durch eine Kreuzevaluierung mit MinneApple und MS-COCO überprüft und es zeigt sich, dass die Modelle bei Anwendung auf anderen Testdatensätze erheblich schlechter abschneiden als bei der Evaluierung in Bezug auf die zum Training gehörenden Testbilder. Voraussetzung für eine semantische Segmentierung ist die Erkennung der Bäume der vordersten Baumreihe, die hier ebenfalls untersucht wird. Hierbei kommt Deep Optical Flow (RAFT) zum Einsatz, das die Bewegungsparallaxe nutzt, um Tiefeninformationen zu schätzen, und keine rechenintensive Punktwolkenrekonstruktion erfordert. Das Verfahren liefert qualitativ gute Ergebnisse für einen Großteil der Bilder. Unsere Ergebnisse unterstreichen die Bedeutsamkeit von umfangreichen Datensätzen, die es erlauben, Modelle domänenspezifisch zu trainieren und vergleichend zu evaluieren.
Automatisierte Unterscheidung von Feldarbeit und Straßenfahrt für Landmaschinen mit Hilfe von unüberwachten KI-Methoden
(Gesellschaft für Informatik e.V., 2024) Manuel Geil, Jan-Henrik Helmig
Manuel Geil, Jan-Henrik Helmig1, Julian Jour1, Bodo Mistele1, Jens Peters1, Katharina Stahl1 und Andreas Wübbeke1 Abstract: Die Dokumentation von Daten in der Agrarwirtschaft erweist sich für Landwirte als zunehmend aufwändige Tätigkeit, welche meist immer noch manuell erfolgt. Ziel unserer Forschungsarbeit ist es, Maschinendaten zu nutzen, um zwischen Feldarbeit und Straßenfahrt automatisch zu klassifizieren. Die Maschinendaten werden als kontinuierlicher Strom vom Maschinenstart bis zum Ausschalten der Maschine übermittelt und können Daten aus unterschiedlichen Tätigkeiten enthalten. Um ein manuelles Labeling als auch Erfassen der Feldgrenzen zu vermeiden, wird ein Ansatz verfolgt, mittels eines dichtebasierten Clustering-Verfahrens die Daten zu klassifizieren. Dieses Verfahren schien aufgrund der Dichte der Datenpunkte auf den Schlägen als vielversprechend. Im weiteren Verlauf konnte die Methode durch das Hinzuziehen der Fahrtgeschwindigkeit und das Bilden konvexer Hüllen weiter verbessert werden.
Bilddatenakquisition zur Entwicklung eines Machine-Learning-Detektors für Grünlandunkräuter
(Gesellschaft für Informatik e.V., 2024) Ingo-Leonard Haußmann, Lukas Petrich
Giftpflanzen wie die Herbstzeitlose (Colchicum autumnale) können sich besonders gut in extensiv bewirtschaftetem Grünland ausbreiten. Gelangen Pflanzenteile in das Erntegut, drohen bei der Aufnahme durch Nutztiere Vergiftungserscheinungen, die zum Tode führen können. Ohne Maßnahmen zur Regulierung werden betroffene Flächen zunehmend unattraktiv und es droht eine Nutzungsaufgabe, einhergehend mit einer naturschutzfachlichen Abwertung. Zur Steuerung eines innovativen Bekämpfungsgerätes gegen Grünlandunkräuter wird ein Pflanzendetektor basierend auf einem Machine-Learning-Ansatz entwickelt. Die Methode zur Bilddatensammlung dafür wird in vorliegendem Artikel beschrieben.
Brunstüberwachung nur digital? Vergleichende Bewertung von Brunsterkennungssystemen in der Milchviehhaltung
(Gesellschaft für Informatik e.V., 2024) Adriana Förschner, Lisa Aumann
Durch das Precision Livestock Farming (PLF) haben sich verschiedene Sensorsysteme zur automatischen Brunsterkennung etabliert. Allerdings gibt es nur selten die Möglichkeit, verschiedene Sensorsysteme zur Brunsterkennung auf dem Betrieb zu vergleichen und solche PLF-Systeme zu demonstrieren. Ziel dieser ersten Untersuchung war es, drei Brunsterkennungssysteme mit dem Goldstandard „Milchprogesteronmessung“ an einem AMS rein digital und ohne visuelle Kontrolle am „LAZBW Aulendorf“ zu vergleichen. Betrachtet wurden ein Brunsterkennungssystem auf Basis eines Halsbandsensors, einer Sensorohrmarke und eines Pansenbolus. Um die Güte der einzelnen Brunsterkennungssysteme zu beurteilen, wurden die Alarme der untersuchten Sensorsysteme mit dem Brunstalarm der Milchprogesteronmessung verglichen. Der Pansenbolus löste am häufigsten als erstes System nach dem Brunstalarm der Milchprogesteronmessung einen Brunstalarm aus und zeigte die höchste Sensitivität mit 62,82 %. Nähere Untersuchungen der Systeme zeigten, dass die Hälfte der Brunstereignisse tagsüber von 6.00 bis 21.00 Uhr stattfanden.
CherryGraph: Encoding digital twins of cherry trees into a knowledge graph based on topology
(Gesellschaft für Informatik e.V., 2024) Andreas Gilson, Mareike Weule
CherryGraph is a structural framework for mapping trees into an ontology-based knowledge graph that can be used as database backend for digital twins. Based on the reconstructed 3D topology of scanned trees, information is encoded in a knowledge graph that resembles the real canopy structure of trees. Thus, CherryGraph enables consistent navigation within the branching system of a tree over different time points regardless of natural fluctuations. The resulting knowledge graph can then be queried for arbitrary use cases or aggregated on different hierarchy levels. We demonstrate the potential of CherryGraph by using data of real cherry trees from the 2023 cherry season with exemplary queries that can be extended to include spatial and temporal dimensions for comparing indicators like elongation growth of shoots or tracking the development of other various tree traits over time.
Combining a crop growth model with satellite images to get better insight in wheat growth
(Gesellschaft für Informatik e.V., 2024) Emir Memic, Jonas Frößl
The overall goal of better crop management that is expected to contribute to food security relies on the idea of being able to predict end-of-season yield early in the growing season and adapt crop management strategies (e.g. fertilization) to the expected seasonality trend (weather forecasts). The goal of this study was to investigate the potential of combining crop growth models with satellite image-based information for prediction of in-season plant development. Satellite image-based leaf area index (LAI) estimates were compared to crop model simulations at two locations: Heidfeldhof and Eckartsweier, both University of Hohenheim research stations. Crop model simulated LAI was compared to vegetation index (VI) based LAI for the Heidfeldhof location resulting in RMSE 0.78 and 0.312 nRMSE based on 24 measurements. For the Eckartsweier location, VI-based LAI had 1.4 RMSE and 0.573 nRMSE based on 8 measurements.
A comparative study of RGB and multispectral imaging for weed detection in precision agriculture
(Gesellschaft für Informatik e.V., 2024) Benedikt Fischer, Pascal Gauweiler
Precision agriculture and specifically mechanical weed control systems have the potential to positively impact our environment by reducing the use of herbicides. In recent years, multispectral cameras have become more and more accessible, which raises the question whether the additional costs of such cameras are worth the potential benefits. In this study, we recorded and annotated a multispectral instance segmentation dataset for sugar beet crop and weed detection. We trained Mask-RCNN models on the RGB and multispectral data in a transfer learning approach and extensively evaluated and compared the results for different scenarios. We found that the multispectral data can improve the weed detection performance significantly in many cases.
Comparison of UAV- and mowing machine-mounted LiDAR for grassland canopy height estimation
(Gesellschaft für Informatik e.V., 2024) Bracke, Justus; Storch, Marcel; Bald, Janis; Jarmer, Thomas
Towards autonomous process monitoring, canopy height estimation in grassland based on data from a mowing machine-mounted LiDAR and a UAV-LiDAR system is compared to manually measured ground truth heights. In a field trial, a LiDAR mounted on the cabin roof of the mowing machine recorded data during the mowing process, while two recording flights before and after the mowing were conducted with a UAV-LiDAR. The data from both systems were processed similarly and parameters such as height estimation method, spatial resolution and percentile filters were systematically varied to investigate their influence on height estimation accuracy. Statistical evaluation showed that canopy height estimates based on the UAV-LiDAR (R² = 0.89, RMSE = 0.05 m) were more accurate and precise than those based on the mowing machine-mounted LiDAR (R² = 0.51, RMSE = 0.08 m). The influence of the different investigated parameters varied.
Compliance of agricultural AI systems – app-based legal verification throughout the development
(Gesellschaft für Informatik e.V., 2024) Kruse, Niklas; Wachter, Paul; Schöning, Julius
Significant advances in artificial intelligence (AI) have been achieved; however, practical implementation in agriculture remains limited. Compliance with emerging regulations, such as the EU AI Act and GDPR, is now vital, even for non-critical AI systems. Developers need tools to assess legal compliance, which is complex, often requiring full legal advice. To address this issue, we are developing a support app that simplifies the legal aspects of AI system development, covering the entire lifecycle, from conception to distribution. The current app, which covers the key legal area of copyright and will soon include GDPR and the AI Act, aims to bridge the gap between AI research and agriculture. An evaluation of our app by experts from both the legal and the IT domains shows that the app assists the developers so that they make legally correct statements. Consequently, it promotes legal compliance and awareness among developers, contributing to the seamless integration of AI into agriculture. The need for compliant AI systems in various industries, including agriculture, will only increase as regulations evolve.
Converting data organised for visual perception into machine-readable formats
(Gesellschaft für Informatik e.V., 2024) Aue, Alexander; Ackermann, Andrea; Röder, Norbert
Spreadsheets are used to store an extraordinary amount of important data. The fact that spreadsheets are both easy to use and allow users a great deal of flexibility in how they store their data is a significant reason why they are so popular. Users often use a variety of layout techniques to make the data easy for humans to understand. But this layout also creates problems for traditional Extract-Transform-Load (ETL) tools. We propose a program that allows users to easily extract data from Excel files by selecting the cells containing the data and metadata thereby determining the data hierarchy. We have used this program to extract data of the Agricultural Structure Survey on land use and livestock in Germany, which does not follow a nationwide standard, leading to large differences in the structuring of the data between the federal states, making it a good benchmark.
A crowdsensing-based smartphone app for optimal food storage and real-time best-before dates
(Gesellschaft für Informatik e.V., 2024) Senge, Julia; Mielinger, Ellen; Wendt, Marie Catherine; Weinrich, Ramona; Krupitzer, Christian
Private households are responsible for 59% of Germany’s 11 million tons of food waste. Consumers’ behavior significantly contributes to food waste, prompting our concept to develop a smartphone application aimed at diminishing uncertainties about food expiration and safety. Utilizing a Design Science approach, we developed a prototype for a smartphone app, integrating novel functionalities to minimize food waste at the consumer household level. We analyzed existing market applications and, as a result, introduced the Freshlimeter, a unique feature that estimates the real-time best-before date within our app using feedback from consumers. We also highlight the potential for innovative app features, such as integrating a chatbot with image recognition capabilities to enable freshness assessments, especially for unpackaged or opened food.

Load citations