Projekte in den Förderprogrammen des BMEL, betreut durch den Projektträger BLE (PT BLE)
Ergebnis der Suche
| Titel: | Verbundprojekt: KI-unterstütze Optimierung des Einsatzes von NIR/MIR-Sensoren in der Landwirtschaft (KIO-Sens) - Teilprojekt A |
|---|---|
| Titel (englisch): | Collaborative Project: AI-supported optimization of the application of NIR/MIR sensors in agriculture (KIO-Sens) - subproject A |
| Akronym: | KIO-Sens |
| Beschreibung (dt.): | Im Rahmen dieses Projektes sollen zwei wesentliche Probleme, welche durch den Einsatz von NIR/MIR-Sensoren in der Landwirtschaft auftreten, bearbeitet und gelöst werden. Dies betrifft 1.) die KI basierte Klassifizierung von Spektren (z. B. für die automatische Erkennung von Probenarten wie Mais vs. Gras oder für die Herkunftssicherung) und 2.) die KI basierte online Sensor-Standardisierung. Es müssen hierbei zahlreiche Einflussfaktoren, welche die Spektren beeinflussen, berücksichtigt werden, um die Vorhersagegenauigkeit zu verbessern, z. B. die korrekte Auswahl des Substrates (z. B. Mais vs. Gras), die Temperatur u. a. Die Berücksichtigung solcher Faktoren erfolgt derzeit durch die manuelle Auswahl eines Modells durch den erfahrenen Anwender. Im Projekt soll durch den Einsatz von Machine Learning und KI-Algorithmen soll die Präzision von Vorhersagemodellen erhöht werden, d.h., es sollen durch die KI-gestützte automatische Wichtung der Einflussfaktoren die Vorhersage verbessert werden. Dabei soll die Entwicklung und der Einsatz von entsprechenden KI-Instrumenten (Maschinelles Lernen) auf interpretierbare Klassifikationsalgorithmen für kategorische Variablen (z.B. lernende Vektorquantisierer, LVQ) und nichtlineare Regressionsalgorithmen für numerische Variablen (z.B. Bayesche Regression, Lasso & Ridge Regression, Quantile Regression) basieren. Gleichzeitig sollen Methoden des sogenannten Transferlernens erforscht werden, um eine sensorangepasste, automatische Standardisierung der Spektren zu realisieren und einem gemeinsamen KI Vorhersagemodell zugänglich zu machen. Diese Entwicklung von allgemeingültigen und technologieübergreifenden Methoden, basierend auf den Erkenntnissen der NIR-Spektroskopie, kann dann auf andere Bereiche der Landwirtschaftlichen Prozesskette bzw. der Lebensmittelindustrie übertragen werden. |
| Beschreibung (engl.): | Within the framework of this project, two major problems which arise in agriculture due to the use of NIR/MIR sensors are to be addressed and tackled. This concerns 1) the AI based classification of spectra (e.g. for the automatic detection of sample types like maize vs. grass or for traceability) and 2) the AI based online sensor standardisation. Numerous factors influencing the spectra must be taken into account to improve the prediction accuracy, e.g. the correct selection of the substrate (e.g. corn vs. grass), the temperature etc. Currently, such factors are manually selected by the experienced user and as best as appropriate to the underlying model. In the project, the use of machine learning and AI algorithms is intended to improve the precision of prediction models, i.e. the AI-supported automatic weighting of the model influencing factors should be combined adaptively to achieve a more accurate prediction. The development and use of appropriate AI (machine learning) tools should be based on interpretable classification algorithms for categorical variables (e.g. learning vector quantizers, LVQ) and non-linear regression algorithms for numerical variables (e.g. Bayesian regression, lasso & ridge regression, quantile regression). At the same time, methods of so-called transfer learning will be investigated in order to realize a sensor-adapted, automatic standardisation of spectra and to make them accessible to a common AI prediction model. This development of generally applicable and cross-technology methods based on the findings of NIR spectroscopy can then be transferred to other areas of the agricultural process chain or the food industry. |
| Laufzeit: | Beginn: 01.06.2021 / Ende: 31.08.2024 |
| Ausf. Einrichtung: | LKS - Landwirtschaftliche Kommunikations- und Service- gesellschaft mbH, Niederwiesa |
| Themenfelder: | Pflanzenbau, crop production |
| Förderprogramme: | Digitalisierung in der Landwirtschaft |
| Schlagworte: | Tierernährung, animal nutrition, Digitalisierung, Digitale Welt, digital world, Ackerbau, crop production, Futterbau, feed crop production, Mais, maize, Gräser, grasses, Sensorik, sensor technology, Künstliche Intelligenz, AI Artificial Intelligence |
| Stichpunkte: | Künstliche Intelligenz |
| Förderkennzeichen: | 28DK112A20 |
| Dokument zum Download: | Kein Dokument vorhanden! |
Kontakt: |
Benutzen Sie unser Kontaktformular
oder E-Mail an digitalisierung-landwirtschaft@ble.de |
Erweiterte Suche
Hier gibt es die Möglichkeit, nach Stichworten, Themenfeldern, Projektstatus, Förderprogrammen, Laufzeiten und Einrichtungen zu suchen:
