Logo des Repositoriums

Auflistung nach Autor:in "Stein, Anthony"

1 - 10 von 71
  • Konferenzbeitrag
    43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme - kompletter Tagungsband
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023)
  • Konferenzbeitrag
    Active-learning-driven deep interactive segmentation for cost-effective labeling of crop-weed image data
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Sikouonmeu, Freddy; Atzmueller, Martin
    Active learning has shown its reliability in (semi-)supervised machine learning tasks to reduce the labeling cost for large datasets in various areas. However, in the agricultural field, despite past attempts to reduce the labeling cost and the burden on the labeler in acquiring image labels, the load during the acquisition of pixel-level labels for semantic image segmentation tasks remains high. Typically, the respective pixel-level masks are acquired manually by drawing polygons over irregular and complex-shaped object boundaries. In contrast, this paper proposes a method leveraging the power of a click-based deep interactive segmentation model (DISEG) in an active learning approach to harvest high-quality image segmentation labels at a low cost for training a real-time task model by only clicking on the objects’ fore- and background surfaces. Our first experimental results indicate that with an average of 3 clicks per image object and using only 3% of the unlabeled dataset, we can acquire pixel-level labels with good quality at low cost.
  • Konferenzbeitrag
    Adaptive real-time crop row detection through enhancing a traditional computer vision approach
    (44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 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.
  • Konferenzbeitrag
    AI-supported data annotation in the context of UAV-based weed detection in sugar beet fields using Deep Neural Networks
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Jonas Boysen, Jonas; Stein, Anthony
    Recent Deep Learning-based Computer Vision methods proved quite successful in various tasks, also involving the classification, detection and segmentation of crop and weed plants with Convolutional Neural Networks (CNNs). Such solutions require a vast amount of labeled data. The annotation is a tedious and time-consuming task, which often constitutes a limiting factor in the Machine Learning process. In this work, an approach for an annotation pipeline for UAV-based images of sugar beet fields of BBCH-scale 12 to 17 is presented. For the creation of pixel-wise annotated data, we utilize a threshold-based method for the creation of a binary plant mask, a row detection based on Hough Transform and a lightweight CNN for the classification of small, cropped images. Our findings demonstrate that an increased image data annotation efficiency can be reached by using an AI approach already at the crucial Machine Learning-process step of training data collection.
  • Konferenzbeitrag
    Analyse ausgewählter digitaler Lösungen zur N-Düngung
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Vinzent, Beat; Maidl, Franz-Xaver; Gandorfer, Markus
    Auf Basis dreijähriger Feldversuchsdaten wurden in Parzellenversuchen an einem niederbayerischen Hochertragsstandort verschiedene digitale Düngesysteme analysiert. Die Variation der einzelnen N-Düngegaben der getesteten Systeme war insgesamt nicht sehr ausgeprägt. In der Gesamtschau konnten durch die zusätzlichen Informationen zur N-Bemessung mit den digitalen Düngesystemen keine signifikant höheren N-kostenfreien Leistungen im Vergleich zu Referenzsystemen erzielt werden. Hinsichtlich der Kosten aber auch Serviceaspekte unterschieden sich die Lösungen deutlicher voneinander.
  • Konferenzbeitrag
    Analyse und Klassifizierung von Digitalisierungsinitiativen in der Landwirtschaft
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Clasen, Michael; Westermann, Jasmin
    In diesem Beitrag wird zunächst ein Reifegradmodell zur Messung des Digitalisierungsgrades von landwirtschaftlichen Betrieben vorgeschlagen. Es basiert auf bestehenden Reifegradmodellen, welche an die landwirtschaftlichen Besonderheiten angepasst wurden. Im zweiten Teil werden die Ergebnisse einer Befragung von 151 Landwirten in Deutschland geschildert, in der sich Landwirte mit den Stufen des Reifegradmodells identifizieren sollten. Zusätzlich wurde gefragt, warum sich Landwirte in einen bestimmten Reifegrad eingruppiert haben und was sie daran hindert, einen höheren Reifegrad zu erreichen.
  • Konferenzbeitrag
    Antecedents of organizational resilience and how these can be transferred to agriculture
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Hohagen, Saskia; Obermann, Niklas; Wilkens; Uta
    The agricultural sector is increasingly characterized by national competition and a dynamic environment. The resilience concept, which is used in connection with farms, is based on the social-ecological perspective and primarily gives emphasis to a system. To this end, there is a research gap in the consideration of resilience from a management perspective in agriculture. Drawing on the literature on organizational resilience from a managerial perspective, this article examines resilience-enabling factors that can be used by operations managers to prepare for future challenges in agriculture. A systematic literature review was conducted from which four main categories of antecedents (leadership, individual factors, digitalization and strategic alignment) could be derived, consistent with a socio-technical perspective on organizations. Considering these factors can help farm managers to build resilient farms not only from a social-ecological, but also from an organizational (management) perspective.
  • Konferenzbeitrag
    An approach to the automation of blueberry harvesting using soft robotics
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Navas, Eduardo; Dworak, Volker; Weltzien, Cornelia; Fernández, Roemi; Shokrian Zeini, Mostafa; Käthner, Jana; Shamshiri, Redmond
    Soft grippers are used to produce a significant advance in the manipulation of delicate objects. A field of application that is presented in this paper is the automation of the selective harvesting of high-value crops. This study addresses a first approach to the design of a soft gripper and its adaptation to a robotic system for blueberry harvesting. The experimental results are carried out to demonstrate the feasibility and effectiveness of the proposed prototype.
  • Konferenzbeitrag
    Automatisierte Erkennung von Gruppenaktivitätsverhalten von Schweinen in der Aufzucht mithilfe von KI-Kamerasystemen
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Kühnemund, Alexander; Recke, Guido
    Kameras zur Überwachung von Tieren und Tierverhalten sind schon häufig Thema bisheriger Untersuchungen gewesen und werden in Zukunft stetig wachsende Bedeutung haben. Ein Nachteil von Liegeverhaltensbeobachtungen war die Notwendigkeit menschlicher Arbeit bei der Identifikation liegender Tiere. Diese Untersuchung zeigt, dass eine automatische Erkennung von Bewegungen durch ein System künstlicher Intelligenz eine Lösung für dieses Problem sein kann. Mit einer Erfolgsrate von über 90 % konnten liegende und aktive Tiere als solche identifiziert werden. Im Rahmen des Projektes „5G-Agrar – Nachhaltige Landwirtschaft“ wurde dieser Fall untersucht und liefert für zukünftige Automatisierungen wichtige Erkenntnisse.
  • Konferenzbeitrag
    Automatisierte Verarbeitung von heterogen aufgelösten Datenquellen zur Berechnung einer teilflächenspezifischen Flüssigmistapplikationskarte
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Hinck, Stefan; Kümper, Daniel
    Bei der Ermittlung des Stickstoffdüngebedarfes (N-Düngebedarf) ist die Düngever­ordnung maßgeblich zu befolgen. Die Berechnung des N-Düngebedarfes erfolgt pro Feld und ist zu dokumentieren. Weiter ist zu beachten, dass die Berechnung vor der Ausbringung zu erfolgen hat. Verschiedene Daten sind bei der Ermittlung zu berücksichtigen. Insbesondere bei der teilflä­chenspezifischen N-Düngebedarfsermittlung können die notwendigen Daten mit einem unter­schiedlichen räumlichen Bezug vorliegen. Beispielweise liegen die Ertragsdaten vom Mähdrescher in der Regel als Punktdaten vor und sind zur Nutzung bei der teilflächenspezifischen Düngebe­darfsermittlung auf einen flächenbasierten räumlichen Bezug zu interpolieren. Ebenfalls können zwei oder mehrere Polygondatensätze flächenbasierte Daten beinhalten aber einen unterschied­lichen räumlichen Bezug haben, z. B. Ertragspotenzialkarten auf Teilflächenbasis und die letztjährige Ausbringmenge organischen Stickstoffs aus Gülle für den gesamten Ackerschlag. In diesem Fall sind die Ebenen mit unterschiedlichen räumlichen Bezügen durch Verschneidung auf denselben räumlichen Bezug zu bringen. Für diese Zwecke ist das OPeRAte-NPK-Düngemodul entwickelt und umgesetzt worden. Die Arbeiten erfolgten im OPeRAtePlus-Forschungsprojekt am Beispiel der kooperativen Flüssigmistausbringung.