Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

Filters

1 1
Reset filters

Settings
Now showing 1 - 9 of 9
  • Publication
    KI und Qualität - Detektion und Entfernung Pyrrolizidinalkaloid-haltiger Beikräuter im Erntegut mittels sensorgestützter Sortierung
    ( 2023)
    Kronenwett, Felix
    ;
    Maier, Georg
    ;
    Schulte, Henning
    ;
    Tron, Nanina
    ;
    Krähmer, Andrea
    Pyrrolizidinalkaloide (PA) sind sekundäre Pflanzenstoffe und dienen in erster Linie der Pflanze zum Schutz gegen Fraßfeinde. Durch Mitbeerntung PA-haltiger Beikräuter im Pflanzenbau gelangen PAs als Verunreinigung in Lebensmittel (Salate, Kräuter, Tees) oder pflanzliche Arzneimittel. Aufgrund ihrer lebertoxischen und genotoxischen Wirkungsweise stellen sie eine potenzielle Gesundheitsgefahr dar. PA-Pflanzen sind besonders im Arznei- und Gewürzpflanzenanbau ein Problem, denn schon wenige Pflanzen pro Hektar genügen, um die Ernte für den Handel unbrauchbar zu machen. Eine Bekämpfung bzw. Reduktion der PA-Beikräuter bereits auf dem Feld ist zumeist nur mechanisch und mit sehr hohem Personalaufwand möglich. Dies ist für die Anbauer zunehmend nicht mehr ökonomisch darstellbar. Darüber hinaus ist importierte, getrocknete Ware oftmals höher als zulässig mit PAs belastet. Hier fehlt es aktuell an Möglichkeiten, PA-haltige Pflanzenteile aus der Ware zu entfernen. Hierzu sollte das über das Bundesministerium für Ernährung und Landwirtschaft (BMEL) und über die Fachagentur für Nachwachsende Rohstoffe e. V. (FNR) (FKZ 220132165) geförderte Verbundprojekt "Detektion und Entfernung von Pyrrolizidinalkaloid-haltigen Unkräutern aus Kulturpflanzen nach der Ernte - PA-NIRSort" mögliche Lösungswege aufzeigen. Mit der Entwicklung einer automatisierten, der Ernte nachgelagerten Detektion und Abtrennung der kontaminierenden, toxischen PA-Beikräuter, kann eine effiziente Verbesserung der Qualitätskontrolle geschaffen werden. Dies sollte auf Basis von Hyperspektral-Nah-Infrarot-Spektroskopie (hyperspektral-NIRS), in Kombination mit einer Druckluftsortiereinheit entwickelt werden. Daher wurde ein Verfahren zum Nachweis, zur Klassifikation und zur physikalischen Ausschleusung von PA-haltigen Pflanzenteilen in einem Materialstrom von Arznei- und Gewürzpflanzen (Brennnessel, Melisse und Minze) entwickelt und umgesetzt. Die Detektion basiert auf bildgebenden hyperspektralen Sensoren im kurzwelligen Infrarotbereich. Die gewonnenen Hyperspektraldaten bilden die Grundlage für das Training eines KIbasierten Klassifikationsmodells. Die Klassifikation mittels NIR-Spektroskopie erreicht eine Erkennungsrate von über 90 %. Mit Hilfe dieses Detektionsmodells wurde eine sensorgestützte Sortieranlage entwickelt, mit dem Ziel PA-haltige Pflanzenteile physikalisch auszuschleusen und den pflanzlichen Materialstrom aufzureinigen. Dabei lag der Fokus auf der Optimierung des Materialtransports auf dem Förderband. Hierfür wurde ein aus Druckluft erzeugter Luftstrom zur Materialberuhigung eingesetzt. Somit wurde ein sensorgestütztes Sortierverfahren mittels pneumatischen Schnellschaltventilen erfolgreich umgesetzt.
  • Publication
    Explainable AI: Introducing trust and comprehensibility to AI engineering
    ( 2022)
    Burkart, Nadia
    ;
    Danilo Brajovic
    ;
    Huber, Marco F.
    Machine learning (ML) rapidly gains increasing interest due to the continuous improvements in performance. ML is used in many different applications to support human users. The representational power of ML models allows solving difficult tasks, while making them impossible to be understood by humans. This provides room for possible errors and limits the full potential of ML, as it cannot be applied in critical environments. In this paper, we propose employing Explainable AI (xAI) for both model and data set refinement, in order to introduce trust and comprehensibility. Model refinement utilizes xAI for providing insights to inner workings of an ML model, for identifying limitations and for deriving potential improvements. Similarly, xAI is used in data set refinement to detect and resolve problems of the training data.
  • Publication
    ROBDEKON - competence center for decontamination robotics
    ( 2022)
    Woock, Philipp
    ;
    Petereit, Janko
    ;
    Frey, Christian
    ;
    Beyerer, Jürgen
    There are still many hazardous tasks that humans perform in their daily work. This is of great concern for the remediation of contaminated sites, for the dismantling of nuclear power plants, or for the handling of hazardous materials. The competence center ROBDEKON was founded to concentrate expertise and coordinate research activities regarding decontamination robotics in Germany. It serves as a national technology hub for the decontamination needs of various stakeholders. A major scientific goal of ROBDEKON is the development of (semi-)autonomous robotic systems to remove humans from work environments that are potentially hazardous to health.
  • Publication
    PAISE® - process model for AI systems engineering
    ( 2022)
    Hasterok, Constanze
    ;
    Stompe, Janina
    The application of artificial-intelligence-(AI)-based methods within the context of complex systems poses new challenges within the product life cycle. The process model for AI systems engineering, PAISE®, addresses these challenges by combining approaches from the disciplines of systems engineering, software development and data science. The general approach builds on a component-wise development of the overall system including an AI component. This allows domain specific development processes to be parallelized. At the same time, component dependencies are tested within interdisciplinary checkpoints, thus resulting in a refinement of component specifications.
  • Publication
    Übertragung eines Vorgehensmodells zur KI-Integration von der Industrie auf Umweltinformationssysteme
    ( 2021)
    Hilbring, Desiree
    ;
    Pfrommer, Julius
    Maschinelles Lernen stößt in der Umwelt-Domcne auf großes Interesse. Allerdings ist der Einsatz von entsprechenden Algorithmen in Umweltinformationssystemen (UIS) bisher nicht weit verbreitet. Eine offene Frage ist zum Beispiel wie von Umweltbehörden bestehende Informationssysteme mit seit Jahrzehnten aufgebauten und gepflegten Umweltdatenbanken in einemhierarchischen föderalem System weiterentwickelt und für den Einsatz von neuen Technologien fitgemacht werden können. Hierbei sind nicht nur technische Aspekte von Interesse, sondern vor allem auch die Entwicklung geeigneter Prozesse in der Zusammenarbeit verschiedener Behörden. Für die Industrie wurde mit dem ML»P Vorgehensmodell ein toolgestütztes Verfahren für die Einführung von maschinellem Lernen in der Produktion entwickelt. Dieser Artikel untersucht dieses Vorgehensmodell im Hinblick der Übertragbarkeit des Modells auf die Einführung von maschinellem Lernen in von Behörden betriebenen Umweltinformationssystemen.
  • Publication
    Explanation Framework for Intrusion Detection
    ( 2021)
    Burkart, Nadia
    ;
    Franz, Maximilian
    ;
    Huber, Marco F.
    Machine learning and deep learning are widely used in various applications to assist or even replace human reasoning. For instance, a machine learning based intrusion detection system (IDS) monitors a network for malicious activity or specific policy violations. We propose that IDSs should attach a sufficiently understandable report to each alert to allow the operator to review them more efficiently. This work aims at complementing an IDS by means of a framework to create explanations. The explanations support the human operator in understanding alerts and reveal potential false positives. The focus lies on counterfactual instances and explanations based on locally faithful decision-boundaries.
  • Publication
    Optimal multispectral sensor confgurations through machine learning for cognitive agriculture
    ( 2021)
    Becker, Florian
    ;
    Backhaus, Andreas
    ;
    Johrden, Felix
    ;
    Flitter, Merle
    Hyperspectral sensor systems play a key role in the automation of work processes in the farming industry. Non-invasive measurements of plants allow for an assessment of the vitality and health state and can also be used to classify weeds or infected parts of a plant. However, one major downside of hyperspectral cameras is that they are not very cost-effective. In this paper, we show, that for specific tasks, multispectral systems with only a fraction of the wavelength bands and costs of a hyperspectral system can lead to promising results for regression and classification tasks. We conclude that for the ongoing automation efforts in the context of cognitive agriculture reduced multispectral systems are a viable alternative.
  • Publication
    Are you sure? Prediction revision in automated decision-making
    ( 2021)
    Burkart, Nadia
    ;
    Robert, Sebastian
    ;
    Huber, Marco
    With the rapid improvements in machine learning and deep learning, decisions made by automated decision support systems (DSS) will increase. Besides the accuracy of predictions, their explainability becomes more important. The algorithms can construct complex mathematical prediction models. This causes insecurity to the predictions. The insecurity rises the need for equipping the algorithms with explanations. To examine how users trust automated DSS, an experiment was conducted. Our research aim is to examine how participants supported by an DSS revise their initial prediction by four varying approaches (treatments) in a between-subject design study. The four treatments differ in the degree of explainability to understand the predictions of the system. First we used an interpretable regression model, second a Random Forest (considered to be a black box [BB]), third the BB with a local explanation and last the BB with a global explanation. We noticed that all participants improved their predictions after receiving an advice whether it was a complete BB or an BB with an explanation. The major finding was that interpretable models were not incorporated more in the decision process than BB models or BB models with explanations.
  • Publication
    Joint Workshop of Fraunhofer IOSB and Institute for Anthropomatics, Vision and Fusion Laboratory 2020. Proceedings
    (KIT Scientific Publishing, 2021)
    Beyerer, Jürgen
    ;
    Zander, Tim
    In 2020 fand der jährliche Workshop des Faunhofer IOSB und the Lehrstuhls für interaktive Echtzeitsysteme statt. Vom 27. bis zum 31. Juli trugen die Doktorranden der beiden Institute über den Stand ihrer Forschung vor in Themen wie KI, maschinellen Lernen, computer vision, usage control, Metrologie vor. Die Ergebnisse dieser Vorträge sind in diesem Band als technische Berichte gesammelt.