Auf unserer Webseite verwenden wir Cookies, die unter „Cookie-Einstellungen anpassen“ näher beschrieben werden. Notwendige Cookies werden für grundlegende Funktionen der Webseite benötigt, um eine optimale Nutzung zu ermöglichen. Dadurch ist gewährleistet, dass die Webseite einwandfrei funktioniert. Darüber hinaus können Sie Cookies für Statistikzwecke zulassen. Diese ermöglichen es uns, die Webseite stetig zu verbessern und Ihr Nutzererlebnis zu optimieren. Ihre Einwilligung zur Nutzung der Statistik-Cookies ist freiwillig und kann in der Datenschutzerklärung dieser Webseite unter „Cookie-Einstellungen“ jederzeit widerrufen werden.
Verbundprojekt: KI-unterstütze Optimierung des Einsatzes von NIR/MIR-Sensoren in der Landwirtschaft - Teilprojekt B (KIO-Sens)
Projekt
Förderkennzeichen: 28DK112B20
Laufzeit: 01.06.2021
- 31.05.2024
Fördersumme: 307.954 Euro
Forschungszweck: Angewandte Forschung
Stichworte: Digitalisierung, Digitale Welt, Gräser, Ackerbau, Futterbau, Sensorik, Mais, Künstliche Intelligenz, Tierernährung
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.
Abschnittsübersicht
Fachgebiete
- Pflanzenbau