http://dl.gi.de/handle/20.500.12116/40244 Tue, 21 Jul 2026 13:18:06 GMT 2026-07-21T13:18:06Z http://dl.gi.de/handle/20.500.12116/40310 Antecedents of organizational resilience and how these can be transferred to agriculture Hohagen, Saskia; Obermann, Niklas; Wilkens; Uta Hoffmann, Christa; Stein, Anthony; Ruckelshausen, Arno; Müller, Henning; Steckel, Thilo; Floto, Helga 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. Sun, 01 Jan 2023 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/40310 2023-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/40311 Evaluating synthetic vs. real data generation for AI-based selective weeding Iqbal, Naeem; Bracke, Justus; Elmiger, Anton; Hameed, Hunaid; von Szadkowski, Kai Hoffmann, Christa; Stein, Anthony; Ruckelshausen, Arno; Müller, Henning; Steckel, Thilo; Floto, Helga Synthetic data has the potential to reduce the cost for ML training in agriculture but poses its own set of problems compared to real data acquisition. In this work, we present two methods of training data acquisition for the application of machine vision algorithms in the use case of selective weeding. Results from ML experiments suggest that current methods for generating synthetic data in the field of agriculture cannot fully replace real data but may greatly reduce the quantity of real data required for model training. Sun, 01 Jan 2023 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/40311 2023-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/40309 Computer-Vision-basierte Aktivitätserkennung bei Schweinen Hesse, Lukas; Fruhner, Maik; Tapken, Heiko; Müller, Henning Hoffmann, Christa; Stein, Anthony; Ruckelshausen, Arno; Müller, Henning; Steckel, Thilo; Floto, Helga Die Sicherstellung des Tierwohls ist einer der Kernaspekte in der modernen Nutztierhaltung. Da sich durch den steigenden Bedarf an Lebensmitteln und dem steigenden Kostendruck immer mehr Landwirte dazu gezwungen sehen, immer größere Tierzahlen zu halten, fällt es vor dem Hintergrund des Fachkräftemangels schwieriger, diesem Aspekt nachzukommen. Aus diesem Grund müssen Technologien zur Unterstützung von Landwirten entwickelt werden, welche datenbezogene hochwertige Entscheidungshilfen geben können. Einen solchen Ansatz erarbeitet das Team des Forschungsprojektes SmartTail, bei dem unter anderem eine Computer-Vision-basierte Aktivitätserkennung erarbeitet wird. Durch die nicht-invasive und kostengünstige Hardware können so potenziell flächendeckend Systeme zur Unterstützung der Landwirte implementiert werden. Innerhalb dieser Arbeit wird sich mit der videobasierten Aktivitätserkennung bei Schweinen beschäftigt. Besonders betrachtet wird dabei das Problem des Schwanzbeißens. Dieses ist in der Schweinehaltung bekannt, aber aufgrund der multifaktoriellen Ursachen existiert bisher weder ein System zur Vorhersage noch zum Erkennen solcher Attacken. Aus diesem Grund werden innerhalb dieser Arbeit mehrere state-of-the-art Modelle zur bildbasierten Aktivitätserkennung betrachtet und miteinander verglichen, um so ein effektives System zur Aktivitätserkennung bei Schweinen zu entwickeln. Sun, 01 Jan 2023 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/40309 2023-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/40308 43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme - kompletter Tagungsband Hoffmann, Christa; Stein, Anthony; Ruckelshausen, Arno; Müller, Henning; Steckel, Thilo; Floto, Helga Sun, 01 Jan 2023 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/40308 2023-01-01T00:00:00Z