https://opendata.uni-halle.de//handle/1981185920/103296 2026-04-09T23:11:36Z https://opendata.uni-halle.de//handle/1981185920/120534 Title: Development of Automated Approaches to High-Throughput Plant Image Analysis Author(s): Narisetti, Narendra Abstract: Image-based phenotyping of whole plants and plant organs with high-resolution optical sensors became a method of choice for assessing quantitative plant traits in a non-destructive, high-throughput manner. Due to several technical and natural factors, optical appearance of plant and background structures undergoes substantial variations. Consequently, automated analysis of large phenotypic data renders a challenging problem. The intrinsic complexity of phenotypic image data requires higher-level cognitive approaches to pattern classification and segmentation, such as convolutional neural networks (CNN). However, the advanced CNN methods require a large amount of representative ground truth data, which poses a bottle-neck for their straightforward application. Consequently, this thesis deals with investigating and developing semi-and fully automated image processing approaches to plant image segmentation and pattern detection in application to high-throughput plant phenotyping. In particular, the application-oriented effort of this work is on the analysis of large image data from major IPK high-throughput imaging platforms, including multiple greenhouse shoot and root phenotyping facilities. Starting with semi-automated approaches, more than 80% accuracy of root and spike image segmentation was achieved. Based on the ground truth data from the semi-automated image segmentation, U-net CNN models were developed and trained, which achieved an accuracy of more than 90% for fully automated root and shoot segmentation. In these applications, the proposed U-net-based image segmentation models were shown to be superior compared to various CNN architectures and state-of-the-art methods. Furthermore, the proposed CNN models are less complex and more capable of segmenting different optical scenes including greenhouse and field-like images. Ultimately, this thesis shows a great potential of novel deep learning approaches to fully automated processing of large image data which essentially helps to bridging a gap in high-throughput plant phenotyping and bio-data driven research.; Die bildbasierte Phänotypisierung von ganzen Pflanzen und Pflanzenorganen mit hochauflösenden optischen Sensoren hat sich als bevorzugte Methode zur nicht-destruktiven und hochdurchsatzfähigen Erfassung quantitativer Pflanzenmerkmale etabliert. Aufgrund verschiedener technischer und natürlicher Faktoren unterliegt das optische Erscheinungsbild von Pflanzen und Hintergrundstrukturen erheblichen Schwankungen. Folglich stellt die automatisierte Analyse großer phänotypischer Daten ein anspruchsvolles Problem dar. Die inhärente Komplexität phänotypischer Bilddaten erfordert höhere kognitive Ansätze für die Musterklassifikation und Segmentierung, wie beispielsweise Convolutional Neural Networks (CNN). Allerdings erfordern die fortschrittlichen CNN-Methoden eine große Menge an repräsentativen Referenzdaten (sog. ground truth), was einen Flaschenhals für ihre direkte Anwendung darstellt. Folglich befasst sich diese Arbeit mit der Untersuchung und Entwicklung halb- und vollautomatischer Bildverarbeitungsansätze zur Segmentierung und Erkennung von komplexen pflanzlichen Strukturen in Anwendung zur Hochdurchsatz-Pflanzenphänotypisierung. Der anwendungsorientierte Aufwand dieser Arbeit liegt insbesondere in der Analyse großer Bilddaten von großen Hochdurchsatz-Bildgebungsplattformen am IPK, einschließlich mehrerer Gewächshausanlagen zur Spross- und Wurzelphänotypisierung. Beginnend mit halbautomatischen Ansätzen wurde eine Genauigkeit von mehr als 80% bei der Wurzel- und Grannenbildsegmentierung erreicht. Aufbauend auf den ground truth Daten aus der semi-automatisierter Bildsegmentierung wurden U-net CNN Modelle entwickelt und trainiert, die bei der vollständigen Automatisierung eine Genauigkeit von mehr als 90% in Wurzel und Sprosssegmentierung erreicht haben. In diesen Anwendungen konnte gezeigt werden, dass die vorgeschlagenen U-net-basierten Bildsegmentierungmodelle verschiedenen modernen CNN-Methoden überlegen sind. Darüber hinaus sind die hier vorgeschlagenen CNN-Modelle weniger komplex und besser in der Lage, unterschiedliche optische Szenen zu segmentieren. Zusammenfassend zeigt diese Arbeit das große Potenzial neuartiger Deep-Learning- Ansätze für die vollautomatische Verarbeitung großer Bilddatenmengen auf, was wesentlich dazu beiträgt, eine Lücke in der Hochdurchsatzplanzenphänotypisierung und Biodaten-basierenden Pflanzenforschung zu schließen. 2025-01-01T00:00:00Z https://opendata.uni-halle.de//handle/1981185920/119078 Title: Apothekenumgebung und Kaufentscheidung Author(s): Giesecke, Maria-Luise Abstract: Die Studie analysiert die Bedeutung der Umgebung in Apotheken für die Kaufentscheidung von nicht verschreibungspflichtigen Apothekenprodukten. Vor diesem Hintergrund werden Grundlagen der Kaufentscheidung und Umgebungswahrnehmung sowie der aktuelle Forschungsstand erläutert. Hypothesen werden auf Grundlage eines thematisch modifizierten Modells nach Starker et al. (2023) hergeleitet. Die Erhebung erfolgte in einem speziell designten Laborexperiment, indem die Probanden (N = 42) in zwei Umgebungen mit Schwerpunkt auf akustische, visuelle und olfaktorische Reize eine Kaufentscheidungsaufgabe bearbeiteten. Mittels eines Fragebogens wurde insbesondere die Erhebung emotionaler Aspekte berücksichtigt. Die Ergebnisse zeigen Zusammenhänge der Umgebung mit einer Vielzahl von Emotionen sowie mit einigen produktspezifischen Elementen. Limitationen bestehen besonders hinsichtlich der Spezifität der Apothekenumgebung sowie der Repräsentativität der Ergebnisse. Diese Limitationen wie auch die Variation des Aufgabentyps und die Erhebung zusätzlicher Einflüsse können Chancen für weiterführende Forschungsansätze darstellen. Aus den Forschungsergebnissen werden Empfehlungen hinsichtlich der Apothekenumgebung gezogen.; The study analyses the importance of the pharmacy environment for the purchase decision of non-prescription pharmacy products. In this context, the basics of the purchase decision and environment perception as well as the current state of research are explained. Hypotheses are derived on the basis of a thematically modified model according to Starker et al. (2023). The elevation took place in a specially designed laboratory experiment in which the participants (N = 42) edited on a purchase decision task in two environments with a focus on acoustic, visual and olfactory stimuli. By means of a questionnaire, particular consideration was given to the identification of emotional aspects. The results show connections of the environment with a variety of emotions and with some product-specific elements. Limitations exist especially with regard to the specificity of the pharmacy environment and the representativeness of the results. These limitations, as well as the variation of the task type and the collection of additional influences, can represent opportunities for further research approaches. Recommendations regarding the pharmacy environment are drawn from the research results. 2024-01-01T00:00:00Z https://opendata.uni-halle.de//handle/1981185920/118685 Title: Fremdsprachenunterricht mit KI gestalten. Eine Handreichung für die Praxis. Author(s): Poleshchuk, Alisa; Schatz, Thomas Abstract: Die Integration künstlicher Intelligenz (KI) in die Lehre ist mit der Erwartung verbunden, die Lernprozesse zu innovieren. So soll die Technologie einerseits das Spektrum der didaktischen Möglichkeiten für Lehrende in Bezug auf Planung, Gestaltung und Evaluation von Lernprozessen erweitern. Auf der anderen Seite beeinflusst die zunehmende Verfügbarkeit von KI-Anwendungen die Erwartungshaltung der Lernenden hinsichtlich des Herangehens an die Lernprozessgestaltung. Der Sprachunterricht bildet in diesem Kontext keine Ausnahme, sondern steht vielmehr im Zentrum dieser Entwicklung. Populäre generative Chatbots wie ChatGPT, Claude oder Perplexity basieren auf hochentwickelten Large Language Models (LLMs), also komplexen Sprachmodellen, die natürliche Sprache verarbeiten und generieren können. Diese Tatsache prädestiniert sie für den Einsatz im Sprachunterricht und eröffnet vielfältige Anwendungsmöglichkeiten. Vor diesem Hintergrund befasst sich diese Handreichung mit dem zweckmäßigen Einsatz von generativer KI für das Lehren und Lernen einer Fremdsprache. Sie illustriert Szenarien, die das Ziel verfolgen, auf Seiten der Lernenden gleichermaßen sprachliche und KI-bezogene Kompetenzen zu fördern. Die Handreichung ist so konzipiert, dass die dargelegten Szenarien und Prompts zum Experimentieren, Nachahmen und Weiterentwickeln anregen sollen. 2024-01-01T00:00:00Z https://opendata.uni-halle.de//handle/1981185920/118352 Title: Abschlussveröffentlichung des Verbundprojekts TransInno_LSA. Ein Fazit aus fünf Jahren gelebtem Transfer. Author(s): Pundt, Hardy; Reinhold, Sophie Abstract: Das Projekt TransInno_LSA – eines von 29 ausgewählten Projekten, die im Rahmen der BMBF-Förderinitiative „Innovative Hochschule“ zwischen 2018 und 2022 im Verbund dreier Hochschulen in Sachsen- Anhalt gefördert wurden – ist ein Beispiel gelebten Transfers. Bestehende Third-Mission-Aktivitäten an Hochschulen analysieren und bewerten sowie neue Angebote für den Wissenstransfer zwischen Hochschulen, Wirtschaft und Gesellschaft entwickeln und ausprobieren – das sind die zentralen Ziele des Verbundprojekts. Diese inhaltlichen Schwerpunkte spiegeln sich in drei zu Beginn des Vorhabens formulierten Handlungsfeldern – Organisation, Kommunikation und Evaluation von Transfer – wider, in denen insgesamt 14 Teilprojekte eingeordnet werden. Die Hochschulen Magdeburg-Stendal, Merseburg und Harz haben in diesen 14 Projekten in ganz unterschiedlichen Arbeitsbereichen unter Beweis gestellt, dass „Third Mission“ keine leere Worthülse bleiben muss, sondern mit innovativen und kreativen Ideen und Entwicklungen an der Schnittstelle zwischen Hochschule und Gesellschaft nachhaltig wirken kann. Der hiermit vorliegende dritte und abschließende Forschungsband des Vorhabens zieht eine detaillierte Bilanz für jedes Teilvorhaben, in denen so unterschiedliche Themenfelder wie Personalentwicklung, Technikakzeptanzforschung, Multiagentensysteme, Wissenstransfer in Kitas oder Unternehmensgründungen aus Hochschulen berührt wurden. 2022-01-01T00:00:00Z