P358 - 45. GIL-Jahrestagung 2025 - Fokus: Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft
Autor*innen mit den meisten Dokumenten
Auflistung nach:
Neueste Veröffentlichungen
- KonferenzbeitragDrinking event detection of dairy cows using deep learning(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Mukunda, Vishal Sharbidar; Jagadale, Anish Bipin; Girmay, Mengisti Berihu; Möhrle, Felix; Burkhardt, Franziska Katharina; Hayer, Jason Jeremia; Doerr, Joerg; Steinhoff-Wagner, JuliaWater is crucial for dairy cows, making up 55-70% of their body weight and 85% of milk [Be12]. Restricted access to water affects health, welfare, milk quality and quantity, so adequate water intake is essential. Dairy cows’ drinking behavior is influenced by trough design and cleanliness, making monitoring important but tedious [Bu22]. This study introduces a deep-learning approach to detect the drinking event and monitor the total duration of drinking. The approach is divided into cow detection, identification, drinking event detection and tracking the total duration of the cow’s drinking. Various You Only Look Once (YOLO) models were used for cow detection, ResNet-18 and ResNet-50 for identification, and Deep SORT with OCR for detecting and tracking the drinking event. Various YOLO versions and ResNet models were compared for performance. The approach achieved 98% precision in cow detection, 98% accuracy in identification, and 95% accuracy in detecting the duration of drinking, with a 97% F1 Score, ensuring reliable monitoring of dairy cows’ health through their drinking behavior.
- KonferenzbeitragControlled vocabularies in metadata(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Martini, Daniel; Turbati, Andrea; Subirats, ImmaInnovation in research and development relies on findability of information on prior work. For that purpose, FAO maintains AGRIS, an aggregator system making publication and dataset metadata distributed all across the globe searchable. Keyword metadata are a crucial factor for navigation and information retrieval in such systems. Thesauri like AGROVOC provide a means for standardized keyword assignment following best practices of subject indexing. A metadata analysis has been conducted with the objective of identifying common usage patterns and determining whether concept coverage in AGROVOC is adequate for annotation and indexing in AGRIS.
- KonferenzbeitragThe impact of expected data transparency, misuse, and ownership on the perceived ease of use of AI-camera systems in animal husbandry(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Kühnemund, Alexander; Recke, GuidoThis study investigates factors influencing the perceived ease of use (PEOU) of AI-camera systems among German pig farmers. AI-based surveillance systems support tasks such as animal detection, tracking, behavior analysis, and disease diagnosis, but their adoption is hindered by concerns over data privacy and usability. Using the Technology Acceptance Model (TAM) as a foundation, the study explores three factors: perceived risk of data abuse (RI), perceived property rights of data (PR), and perceived transparency (TR). Survey data from 185 pig farmers were analyzed using partial least squares structural equation modeling (PLS-SEM). Results indicate that TR significantly enhances PEOU, while RI negatively impacts it, aligning with prior studies linking trust and usability. Higher PR also boosts PEOU, suggesting that clearer data ownership rights could improve AI adoption. These findings highlight the importance of transparent systems and defined data ownership to foster AI integration in agriculture.
- KonferenzbeitragRecognition of phenological development stages of apple blossoms using computer vision(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Nguyen, Xuan Khanh; Braun, Bastian; Heider, Nico; Schieck, MartinDeep learning-based computer vision is increasingly supporting precision agriculture in orchards, reducing reliance on manual monitoring by trained specialists. This work presents an approach for automated monitoring of apple blossom growth stages, an important task for optimizing yield and quality in orchard management. We (1) construct an annotated dataset of hourly images capturing apple blossoms across BBCH stages 53 to 71, (2) develop convolutional neural networks (CNNs) for growth stage classification, and (3) validate model performance using explainable AI (XAI) to ensure interpretability. Our best-performing model achieves a classification accuracy of 93.1%, demonstrating strong potential for integration into Farm Management Information Systems for data-driven orchard management. Model interpretability analysis further reveals that, with adequate training data, the network predominantly relies on features within the blossom itself to inform predictions, suggesting robustness in real-world application scenarios.
- Konferenzbeitrag45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft - Komplettband(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025)
- KonferenzbeitragEntwicklung eines automatisierten Systems zur FAIR-Bewertung von Datensätzen in der Land-, Forst- und Ernährungswirtschaft(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Jung, Jascha Daniló; Martini, DanielDie Sicherstellung der FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable) ist ein zentrales Anliegen für die Optimierung digitaler Infrastrukturen. Manuelle Methoden zur Bewertung der FAIR-Konformität sind jedoch oft inkonsistent und schwer nachvollziehbar. Diese Arbeit stellt ein automatisiertes System zur FAIR-Bewertung von Datensätzen vor, welches bereits existierende Dienste nutzt und neue Funktionalitäten ergänzt. Die Ergebnisse werden mithilfe des Data Quality Vocabulary (DQV) in RDF überführt, um eine einheitliche und maschinenlesbare Darstellung der Datenqualität zu gewährleisten. Das System ermöglicht es Datenerzeugern und -nutzern, die FAIR-Konformität von Datensätzen konsistent zu bewerten, und bietet damit eine wertvolle Grundlage zur kontinuierlichen Optimierung der FAIRness.
- KonferenzbeitragInKalkTier – enabling livestock farming experts to model and manage their data(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Schneider, Kristoffer Janis; Urvoy, Carole; Müller, Claudia; Brucker, Lisa; Christ, Franziska; Kimmich, Sarah; Rauen, Anna; Harmsen, BastiaanTo enable livestock farming experts to model and manage their data independently of the availability of software developers, InKalkTier was created using a different approach than the one used until now at the KTBL. By utilizing off-the-shelf software in combination with customized data formats and creating a small domain-specific language, we reached the goal of reducing the dependence on software developers to develop, release and maintain the agricultural-specific content of a modern web application.
- KonferenzbeitragHyperspectral band selection using segmented autoencoders for visual quality assessment of food products(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Schwarze, Jan-Philipp; Herrmann, Lena; Igelbrink, Felix; Hertzberg, JoachimIn the food industry, natural products that fail to meet quality standards must be removed during processing. To automate this resource-intensive and error-prone process, this work presents a system for AI-supported quality detection of natural products based on hyperspectral images. The implemented system consists of three components: background filter, dimension reduction using autoencoders, and CNN classifier for quality assessment. By training multiple autoencoders for different spectral segments, the proposed architecture can extract the essential spectral information from a given input image, selecting the most informative spectral bands. The system was evaluated on datasets containing chicken legs and potatoes, recorded by a hyperspectral sensor with 224 spectral bands. The results show that the system enables efficient processing of relatively large hyperspectral datasets. Furthermore, the dimension reduction carried out is suitable for the robust classification of defective natural products.
- KonferenzbeitragMöglichkeiten und Voraussetzungen zum Einsatz digital-technischer Systeme in der Pferdehaltung(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Speidel, Linda Thurid; Winter, DirkDie fortschreitende Digitalisierung und Mechanisierung lassen weitreichende Veränderungen in der Tierhaltung erwarten. Dennoch werden die meisten Arbeitsprozesse in der Pferdehaltung noch manuell durchgeführt und die Voraussetzungen zum Einsatz der digital-technischen Systeme in Pferdebetrieben sind bisher noch wenig erforscht. Daher wurden verschiedene digital-technische Anwendungen in Pferdebetrieben in den Bereichen Entmistung, Fütterung, Kommunikation sowie Gesundheits- und Sicherheitsüberwachung und das Tierwohl mittels Onlinebefragung bei 451 Akteuren untersucht. Die Ergebnisse zeigen, dass die Nutzung digitaler Systeme maßgeblich von der Haltungsform (Gruppen- oder Einzelhaltung), einer stabilen Internetverbindung sowie der Investitionsbereitschaft der Betriebsleitenden beeinflusst wird. Es ist von essenzieller Bedeutung zur Etablierung digital gesteuerter Technik auf den Pferdebetrieben, den Nutzen der Systeme für alle Beteiligten – Pferde sowie Betriebsleiter und Mitarbeiter – deutlich herauszustellen und zu kommunizieren hinsichtlich ökonomischer Vorteile, zur Verbesserung des Tierwohls und zur Optimierung der Gesundheit der Pferde.
- KonferenzbeitragMonocular ground surface estimation for precision farming(45. GIL-Jahrestagung, Digitale Infrastrukturen für eine nachhaltige Land-, Forst- und Ernährungswirtschaft, 2025) Stollmeier, Frank; Will, Jens Christian; Homann, HannoIn precision farming, detecting the ground surface is crucial for optimizing different processes, such as sowing, weeding, and growth monitoring. This research introduces a method to estimate the ground surface using a single monocular RGB camera, which is both cost-effective and simple. The camera captures overlapping images as it moves along the field, and feature points from these images are matched to create a 3D point cloud. Points are classified as ground or plant using the Triangular Greenness Index (TGI), allowing the filtering of plants to isolate the ground. The proposed method is validated quantitatively in comparison with a stereo camera.