P344 - 44. GIL-Jahrestagung 2024 - Fokus: Biodiversität fördern durch digitale Landwirtschaft
Auflistung nach:
Auflistung P344 - 44. GIL-Jahrestagung 2024 - Fokus: Biodiversität fördern durch digitale Landwirtschaft nach Erscheinungsdatum
1 - 10 von 63
Treffer pro Seite
Sortieroptionen
- KonferenzbeitragCompliance of agricultural AI systems – app-based legal verification throughout the development(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Kruse, Niklas; Wachter, Paul; Schöning, JuliusSignificant 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.
- KonferenzbeitragCherryGraph: Encoding digital twins of cherry trees into a knowledge graph based on topology(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Andreas Gilson, Mareike WeuleCherryGraph 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.
- KonferenzbeitragA crowdsensing-based smartphone app for optimal food storage and real-time best-before dates(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Senge, Julia; Mielinger, Ellen; Wendt, Marie Catherine; Weinrich, Ramona; Krupitzer, ChristianPrivate 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.
- KonferenzbeitragPredictive task scheduler and ERP system for automated vegetable cultivation in an outdoor environment(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Maike, Simon; Abbas, Farooq; Lee, Ting Sheng; Kühnast, Marvin; Weber, Bettina; Becker, Rolf; Franko, JosefAutomated spot farming is a promising approach to overcome the ecological and economical challenges in modern agriculture. This requires sophisticated robotic controls and data management. The AgriPV-Bot, as a full farming system for mixed vegetable farming, achieves this by extending a classical ERP (enterprise resource planning) system towards monitoring single plant cultivation. The task scheduler analyzes this data, determines the resulting horticultural process for each specific plant individually and monitors the process execution that is performed by robotics. This paper introduces the features of the ERP system as well as the strategy for the predictive task scheduler.
- KonferenzbeitragHaftung beim Einsatz von KI-Systemen im Agrarsektor(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Gennen, KlausDas derzeitige deutsche Haftungsrecht erweist sich als den Besonderheiten von KI-Systemen nicht vollends gewachsen. Insbesondere die Anwender von KI werden in Fragen der Beweisführung gegenüber der Herstellerseite oft relativ schlechter gestellt. Dem wirkt die EU durch die anstehende Harmonisierung der nationalen Haftungsregime im Bereich der Produkthaftung im Allgemeinen und der Haftung bei KI im Speziellen entgegen. Der Beitrag erläutert die bestehende Rechtslage im unternehmerischen Verkehr und die Bestrebungen, die Haftung für KI zu vereinheitlichen und zu vereinfachen. Hierneben werden de lege lata vertragliche Gestaltungsmöglichkeiten für eine Eindämmung von Risiken erörtert.
- KonferenzbeitragImage-based activity monitoring of pigs(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Jan-Hendrik Witte, Jorge Marx GómezIn modern pig livestock farming, animal well-being is of paramount importance. Monitoring activity is crucial for early detection of potential health or behavioral anomalies. Traditional object tracking methods such as DeepSort often falter due to the pigs' similar appearances, frequent overlaps, and close-proximity movements, making consistent long-term tracking challenging. To address this, our study presents a novel methodology that eliminates the need for conventional tracking to capture activity on pen-level. Instead, we segment video frames into predefined sectors, where pig postures are determined using YOLOv8 for pig detection and EfficientNetV2 for posture classification. Activity levels are then assessed by comparing sector counts between consecutive frames. Preliminary results indicate discernible variations in pig activity throughout the day, highlighting the efficacy of our method in capturing activity patterns. While promising, this approach remains a proof of concept, and its practical implications for real-world agricultural settings warrant further investigation.
- KonferenzbeitragHybrid-Cloud-Infrastrukturen – Edge Computing und KI-basierte Anwendungen in der Landwirtschaft für resiliente und effektive Produktions- und Biodiversitätsmaßnahmen(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Daniel Eberz-Eder, Franz KuntkeMobile Erhebung semantisch modellierter Daten und deren Auswertung im Feld durch Hybrid Cloud Computing sind Grundlage des Resilienten Smart Farmings im Projekt GeoBox. Eine skalierbare Architektur und semantische Datenmodellierung ermöglichen das Management betrieblicher Software-Container, die flexible Anpassung an neue Aufgaben und die Realisierung einfach nutzbarer externer Services, vorgestellt am Beispiel eines Resistenz-Beratungs-Chatbots und von Blühstreifen als Biodiversitätsmaßnahme.
- KonferenzbeitragEntwicklung eines digitalen Zertifikatsystems zur Dokumentation landwirtschaftlicher Klima- und Umweltschutzmaßnahmen am Beispiel der Kartoffel-Wertschöpfungskette(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Peters, Marie Sophie; Rahn, Torben; Fock, Steffi; Reckleben, Yves; Schulze, HolgerDie Herausforderungen in der Landwirtschaft sind zahlreich und fordernd. Neben dem Klimawandel und den damit einhergehenden Extremwetterereignissen steigen die Anforderungen an die Landwirte, Prozessqualitäten nachzuweisen, stetig (z. B. die Einhaltung von Umweltschutzmaßnahmen). Dabei steigt die Komplexität und Vielschichtigkeit mit jeder Stufe der Wertschöpfungskette. Digitale bzw. automatisierte Zertifikatsysteme haben das Potenzial, die Transparenz entlang der Wertschöpfungskette zu erhöhen und gleichzeitig den administrativen Dokumentationsaufwand der Stakeholder in der Wertschöpfungskette zu verringern. Im Rahmen der Studie wurden Experteninterviews entlang einer ausgewählten Wertschöpfungskette (Kartoffel) durchgeführt, um Herausforderungen der Digitalisierung sowohl im Bereich des Anbaus und der Produktion als auch in der Vermarktung zu analysieren. Darüber hinaus wurden die Potenziale einer automatisierten Erfassung einer Klima- und Umweltschutzmaßnahme am Beispiel des CO2-Fußabdruckes analysiert. Dazu wurden systematisch CO2-Berechnungs-Tools miteinander verglichen und automatisierte Erfassungsmöglichkeiten im landwirtschaftlichen Bereich aufgezeigt und durchleuchtet, um eine mögliche Grundlage für ein neues Zertifizierungssystem zu schaffen.
- Konferenzbeitrag„LeguDash“ – ein Prototyp eines Dashboards für mehr Transparenz am Leguminosenmarkt(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Köpp, Dennis; Bertram, Hendrik; Kezeya, Bruno; Zerhusen-Blecher, Petra; Schäfer, Tanja; Gültas, Mehmet; Mergenthaler, MarcusIn Deutschland verzeichnet man einen wachsenden Trend in der Nachfrage nach heimisch produzierten Körnerleguminosen. Allerdings ist der Markt für Körnerleguminosen intransparent, was erhebliche Unsicherheit für Landwirt:innen bei der Planung ihrer Anbauflächen verursacht. Um dieser mangelnden Transparenz des Marktes zu begegnen und neuen Marktteilnehmenden den Eintritt zu erleichtern, wurde das Leguminosen-Netzwerk ins Leben gerufen. Im Rahmen dieses Projekts wurde das Dashboard „LeguDash“ entwickelt, das zukünftig wichtige Marktdaten und Preisinformationen für Körnerleguminosen bereitstellen soll. Das Hauptziel von LeguDash besteht darin, nicht nur die Preistransparenz zu erhöhen, sondern auch den Wert und die Bedeutung von Körnerleguminosen in der Agrarwirtschaft zu verdeutlichen. Dieses Instrument bietet Landwirt:innen, Händler:innen und anderen Akteur:innen entlang der Wertschöpfungskette die Möglichkeit, auf umfassende Informationen zuzugreifen, die für die Preisabschätzung und die Marktorientierung für Körnerleguminosen unerlässlich sind. Die Implementierung von LeguDash soll zur Verbesserung der Marktsituation für Körnerleguminosen in Deutschland beitragen, indem es den Akteur:innen im Agrarsektor ermöglicht, fundierte Entscheidungen zu treffen und ihre Geschäftsstrategien zu optimieren. Zukünftig ist geplant, die Befragung von Akteur:innen in die Weiterentwicklung von LeguDash einzubeziehen und das Werkzeug in die Praxis einzuführen.
- KonferenzbeitragImplementierung eines Noisy-Student-Ansatzes zur Verbesserung der automatischen Detektionsleistung bei Ferkeln(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Wutke, Martin; Holzhauer, Anne; Hartmann, Ulrich; Lieboldt, Marc-Alexander; Traulsen, ImkeDie Verwendung überwachter Lernalgorithmen aus dem Bereich der künstlichen Intelligenz hält vermehrt Einzug im wissenschaftlichen Alltag. Vor allem die Nutzung von Kameratechnologie und Objekterkennung zeigt großes Potenzial im ethologischen Kontext. Da der Prozess der Datenannotation einen Großteil der zeitlichen und kostenbezogenen Ressourcen vereinnahmt, werden langfristig innovative Trainingsansätze notwendig. Die vorliegende Studie beschreibt diesbezüglich einen semi-überwachten Noisy-Student-Ansatz zur automatischen Datengenerierung und Verbesserung der Objektdetektion am Beispiel neugeborener Ferkel. Im Rahmen eines zweistufen Modellansatzes wird ein auf händisch annotierten Daten trainiertes Lehrermodell zur Erzeugung von Pseudo-Annotationen und zum Training eines Schülermodells verwendet. Im Ergebnis kann auf diese Weise eine Verbesserung der Detektionsleistung mit einem Recall-Wert von 0,453 auf 0,707 und einem mAP0.5-Wert von 0,773 auf 0,839 erzielt werden. Die Ergebnisse dieser Studie werden im weiteren Projektverlauf zur Untersuchung des Abferkelprozesses und der Bestimmung kritischer Informationen zum Geburtsverlauf beitragen.