Die an unserem Lehrstuhl durchgeführten Arbeiten befassen sich mit dem Software- und Systems Engineering im Bereich Digital Farming. Hierfür betrachten wir Systeme entlang der gesamten Wertschöpfungskette. Unser Standort in Rheinland-Pfalz bietet durch die vielseitige Abdeckung verschiedener Bereiche, wie Wein-, Gemüse- und Getreideanbau, aber auch der unmittelbaren Nähe zu Forschung und Industrie eine hervorragende Grundlage.

Interessierte Studierende auf der Suche nach Abschlussarbeiten und Projekten sind stets willkommen, mit uns Kontakt aufzunehmen, um Interessen und mögliche Themen zu besprechen.

Unsere Forschungsschwerpunkte:

• Software- und Systems Engineering im Bereich Digital Farming
• Anforderungsanalyse der verschiedenen Akteure im landwirtschaftlichen Ökosystem
• Verbesserung der Interoperabilität und Vernetzung zwischen Akteuren und Systemen
• Verbesserung der Nutzungsakzeptanz

Forschungsschwerpunkte:

• Untersuchen Sie die aktuellen Methoden zur Erkennung von Pflanzenkrankheiten und ihre Grenzen, insbesondere im Hinblick auf Datenknappheit.

• Schlagen Sie neue Strategien für die effektive Nutzung begrenzter Daten beim Training von Deep-Learning-Modellen zur Erkennung von Pflanzenkrankheiten vor.

• Entwerfen und implementieren Sie ein Deep-Learning-Framework, das auf die Erkennung von Pflanzenkrankheiten zugeschnitten ist und dabei den Schwerpunkt auf Techniken wie Transferlernen, Datenerweiterung und halbüberwachtes Lernen legt.

• Bewerten Sie den vorgeschlagenen Rahmen anhand verschiedener Datensätze zu Pflanzenkrankheiten mit unterschiedlichem Grad an Datenknappheit und vergleichen Sie seine Leistung mit den Basismethoden.

• Analysieren Sie die Wirksamkeit verschiedener im vorgeschlagenen Rahmenwerk eingesetzter Techniken und geben Sie Einblicke in deren Beiträge zur Modellverallgemeinerung und -robustheit.

• Erkunden Sie potenzielle Anwendungen und Auswirkungen des entwickelten Frameworks in realen landwirtschaftlichen Umgebungen und berücksichtigen Sie dabei Faktoren wie Skalierbarkeit, Recheneffizienz und praktische Verwendbarkeit.

Erwartete Beiträge:

• Entwicklung eines neuartigen Deep-Learning-Frameworks zur Erkennung von Pflanzenkrankheiten mit begrenzten Daten unter Einbeziehung innovativer Techniken zur Bewältigung der Herausforderungen der Datenknappheit.

• Empirische Bewertung des vorgeschlagenen Rahmens für verschiedene Datensätze zu Pflanzenkrankheiten, um seine Wirksamkeit und Robustheit im Vergleich zu bestehenden Methoden zu demonstrieren.

• Einblicke in die Wirksamkeit verschiedener Strategien beim Umgang mit begrenzten Daten zur Erkennung von Pflanzenkrankheiten und Bereitstellung von Leitlinien für zukünftige Forschung und praktische Anwendungen in der Landwirtschaft.

Kontakt:

Vishal Sharbidar Mukunda

Overview:

Digital Farming solutions, such as precision agriculture technologies, crop management software, soil irrigation systems, have the potential to increase agricultural productivity, reduce costs, and improve sustainability. However, the adoption of these technologies by farmers has been slow. One reason for this could be missing explainability how these systems come to decisions. The opaque nature of these models limits the farmer's understanding of the technology and their ability to trust the system.

The goal of this study is:

• To identify the key factors that influence farmers' acceptance of Digital Farming solutions.
• To explore the role explainability plays in user acceptance.
• Investigate how explainability is integrated in other domains (e.g. medical, finance).
• Provide recommendations for the development of explainable Digital Farming solutions in agriculture.

Methodologies:

• Online literature review
• Surveys and interviews to measure the relationship between explainability, user understanding, trust, and acceptance

Contact :

Mengisti Berihu

Überblick:

• Bildaufnahmen im Ackerbau ermöglichen bereits viele Einsatzzwecke, wie etwa die Überwachung des Pflanzenwachstums oder die Früherkennung von Schädlingsbefall auf dem Feld. Die Analyse von Bildmaterial kann dabei auf vielfältige Weise geschehen und stützt sich häufig auf KI (z.B. für die Erkennung von Gelbrost auf Weizen).
• Um nach der Analyse der Bildaufnahmen geeignete Maßnahmen zu planen (z.B. Ausbringung von Pflanzenschutzmitteln), müssen die erkannten Bildelemente auf Realkoordinaten abgebildet werden, um die Position der Funde im Bild auf dem Feld lokalisieren zu können. Ein geeignetes Dateiformat für die Speicherung der Bilder ist GeoTIFF, welches die Transformation von Bildpunkten (Pixel) in Realkoordinaten (Längengrad, Breitengrad) erlaubt.

Problemstellung:

• Es liegen zahlreiche georeferenzierte Stereobilder im Dateiformat PNG vor, die von einem Traktor auf Ackerflächen aufgezeichet wurden. Für jedes Bild ist die Position des Traktors während der Aufnahme bekannt (Längengrad, Breitengrad).
• Es soll eine Transformation der Bildpunkte auf reale Koordinaten ermöglicht werden. Es gilt dabei selbständig zu recherchieren, wie dies mit den vorliegenden Daten realisiert werden kann. Letztlich sollen die Bilder im Format PNG in das Format GeoTIFF überführt werden und mit dieser Information angereichert werden.

Forschungsfrage:

• Wie lassen sich georeferenzierte Bilder nachträglich pixelweise in Realkoordinaten überführen? Diese Fragestellung soll exemplarisch anhand der vorliegenden Daten erarbeitet werden.

Kontakt:

Felix Möhrle