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 Titel
1 - 10 von 63
Treffer pro Seite
Sortieroptionen
- Konferenzbeitrag44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft - Komplettband(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024)
- KonferenzbeitragAdaptive Mesh-Netzwerke zur Steigerung der Konnektivität von Landmaschinen(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Julian Hagert, Benjamin StrillerDie 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.
- KonferenzbeitragAdaptive 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, AnthonyCrop 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.
- KonferenzbeitragAkzeptanzprognose zur Einführung eines Energiemanagementsystems in automatisierten Milchviehställen in Bayern – „CowEnergySystem“(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Christoph Bader, Jörn StumpenhausenAngesichts 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.
- KonferenzbeitragAnalyse des Product Carbon Footprints im Produktions- und Verarbeitungsprozess von Topinambur (Helianthus tuberosus L.)(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Guerler, Hakan; Risius, Hilke; Albrecht, Richard; Rosenbaum, Julian; Röpert, Christin; Lienig, Frank; Kramer, EckartDer 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.
- KonferenzbeitragAssessing the contribution of digital technologies to agroecological principles in the European context(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Alma Moroder, Sonoko Bellingrath-KimuraThe 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.
- KonferenzbeitragAssessment of ground conditions in grassland on a mower with artificial intelligence(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Manss, Christoph; Martel, Viktor; Weisgerber, RomanProcess-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.
- KonferenzbeitragAssimilation von satellitenbasierten Reflexionsmessungen in einem Informationssystem für einen modernen Hopfenbaubetrieb(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Linseisen, Hubert; Manakos, Ioannis; Katsikis, Eleftherios; Delopoulos, AnastasiosZiel 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.
- KonferenzbeitragAusbildungsorganisatorische Perspektiven auf die Wissensvermittlung zur Digitalisierung im dualen System(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Michael Paulus, Clara KörnerNeben 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.
- KonferenzbeitragAutomatisierte Frucht- und Pflanzenerkennung in Apfelplantagen durch künstliche Intelligenz(44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 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, SebastianZwei 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.