Open Access

Im Modul Algorithmen und Datenstrukturen ist das Inverted Classroom Modell mit der Scrum-Methodik kombiniert. Die Studierenden erarbeiten die Inhalte des Moduls im Lernmanagementsystem mithilfe von Videoaufzeichnungen, digitalem Skript und interaktiven Übungseinheiten. Der Wegfall der klassischen Vorlesung ermöglicht mehr Zeit zur Beantwortung von Fragen, Diskussionen sowie der Reflexion des Erlernten durch Hörsaal-Quizze. Die Themen der Veranstaltung werden vorgegeben, aber die Bearbeitung erfolgt individuell und die Studierenden gestalten ihre eigenen Lernprozesse. Theorie und Praxis der Veranstaltung werden analog zur Scrum-Methodik in mehrwöchigen Sprints im Team bearbeitet. Die Aufgaben sind in den Kontext einer virtuellen Betriebssystemumgebung eingebettet und bauen aufeinander auf. Das Softwareprojekt wird hierzu als GitLab-Repository zur Verfügung gestellt. Die Verwendung von Git und integrierten Test-Routinen entsprechen einer realitätsnahen Vorgehensweise, wie sie in der Softwareentwicklung allgemein gängige Praxis ist.

Das klassische Printplakat wird in öffentlichen Räumen zunehmend durch computergestützte Informationssysteme ersetzt. Daher drängt sich die Frage nach den mit dieser Entwicklung einhergehenden Möglichkeiten zur Steigerung ihrer Funktionalität und der Verbesserung des Benutzererlebnisses auf. Bisherige Arbeiten und Produkte in diesem Bereich konzentrieren sich in der Regel lediglich auf einzelne Optimierungsaspekte wie z. B. der Implementierung einer Gestensteuerung. Dies führt jedoch dazu, dass derartige Systeme nicht mehr in der Lage sind, mehr als einen einzelnen Nutzer zur selben Zeit adäquat mit Inhalten zu versorgen.Zur Entschärfung dieses Defizits sowie der generellen Optimierung des Benutzererlebnisses und der Wirtschaftlichkeit wurde eine Lösung entwickelt, welche die genannten Nachteile mithilfe einer durchdachten Kombination einzelner Techniken aufhebt.Das in diesem Artikel beschriebene System passt die auf einem Informationsbildschirm darzustellenden Inhalte an die Distanz eines Benutzers zur Anzeigefläche an und ermöglicht die interaktive Auswahl gewünschter Daten wie z. B. eines Themenbereichs über die Eingabe von Handgesten. Hierfür sind auf Seiten des Nutzers keinerlei Hilfsmittel erforderlich.Insbesondere enthält es allerdings auch eine Möglichkeit zur simultanen Versorgung mehrerer Benutzer mit individualisierten Informationen. Im Gegensatz zu klassischen Informationssystemen konnte so ein durch die Personalisierung der Darstellung zwangsläufig entstehender und schwerwiegender Nachteil umgangen werden.

Based on earlier projects [Hei20, HM22], a CV-pipeline for segmentation and identification of single cows in images was created. The obtained results led to the idea of converting the given used server-based approach to end-devices like a recent iOS-based phone or tablet with its built-in machine learning accelerators to examine if such an application is feasible for real-life usage, especially regarding accuracy and performance. The further goal behind this project is to give farmers and veterinarians a tool to instantly identify single animals based on a photo taken from behind with the integrated camera of their end-device like e.g., an iPhone. This is useful because a cow is normally medicated seized in a milking facility where its ear tag is not easily accessible. In this use case a high identification accuracy >90% is mandatory to avoid treatment errors. This project's topic is the development of a native iOS application to identify single cows based on photos and evaluate the performance and quality of end-device inference with a recent iOS device. Therefore, the application makes use of Apple's Core ML Framework, especially of the 'Vision' part for working with image-based data. The used CV-models are partially translated from PyTorch and TensorFlow via Apple's coremltools and in comparison, a completely new identification model was created with Xcode's Create ML Application.

Dieser Beitrag beschreibt das Vorgehen und die erzielten Ergebnisse bei der Erzeugung eines Bilddatensatzes, der zum Training einer bildbasierten, KI-unterstützten Identifikationslösung für Milchrinder verwendet werden soll. Der diesem Beitrag zugehörige Bilddatensatz enthält derzeit mehrere Tausend den jeweiligen Einzeltieren zugeordnete Aufnahmen von insgesamt 170 verschiedenen Tieren aus einer 90° seitlich rechts orientierten Perspektive und kann frei heruntergeladen werden. Der Datensatz umfasst bis auf wenige Ausnahmen Bilder der Rinderrasse „Holstein“.