1 - 10 of 17
-
PublicationKI und Qualität - Detektion und Entfernung Pyrrolizidinalkaloid-haltiger Beikräuter im Erntegut mittels sensorgestützter Sortierung( 2023)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.
-
PublicationSynthetic data generation for the continuous development and testing of autonomous construction machinery( 2023)The development and testing of autonomous systems require sufficient meaningful data. However, generating suitable scenario data is a challenging task. In particular, it raises the question of how to narrow down what kind of data should be considered meaningful. Autonomous systems are characterized by their ability to cope with uncertain situations, i.e. complex and unknown environmental conditions. Due to this openness, the definition of training and test scenarios cannot be easily specified. Not all relevant influences can be sufficiently specified with requirements in advance, especially for unknown scenarios and corner cases, and therefore the "right" data, balancing quality and efficiency, is hard to generate. This article discusses the challenges of automated generation of 3D scenario data. We present a training and testing loop that provides a way to generate synthetic camera and Lidar data using 3D simulated environments. Those can be automatically varied and modified to support a closed-loop system for deriving and generating datasets that can be used for continuous development and testing of autonomous systems.
-
PublicationExplainable AI: Introducing trust and comprehensibility to AI engineering( 2022)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.
-
PublicationValidation of XAI Explanations for Multivariate Time Series Classification in the Maritime Domain( 2022)Due to the lack of explanation towards their internal mechanism, state-of-the-art deep learning-based classifiers are often considered as black-box models. For instance, in the maritime domain, models that classify the types of ships based on their trajectories and other features perform well, but give no further explanation for their predictions. To gain the trust of human operators responsible for critical decisions, the reason behind the classification is crucial. In this paper, we introduce explainable artificial intelligence (XAI) approaches to the task of classification of ship types. This supports decision-making by providing explanations in terms of the features contributing the most towards the prediction, along with their corresponding time intervals. In the case of the LIME explainer, we adapt the time-slice mapping technique (LimeforTime), while for Shapley additive explanations (SHAP) and path integrated gradient (PIG), we represent the relevance of each input variable to generate a heatmap as an explanation. In order to validate the XAI results, the existing perturbation and sequence analyses for classifiers of univariate time series data is employed for testing and evaluating the XAI explanations on multivariate time series. Furthermore, we introduce a novel evaluation technique to assess the quality of explanations yielded by the chosen XAI method.
-
PublicationIntelligente Bild- und Videoauswertung für die Sicherheit( 2022)
-
PublicationForum Bildverarbeitung 2022(KIT Scientific Publishing, 2022)Bildverarbeitung verknüpft das Fachgebiet die Sensorik von Kameras - bildgebender Sensorik - mit der Verarbeitung der Sensordaten - den Bildern. Daraus resultiert der besondere Reiz dieser Disziplin. Der vorliegende Tagungsband des „Forums Bildverarbeitung“, das am 24. und 25.11.2022 in Karlsruhe als Veranstaltung des Karlsruher Instituts für Technologie und des Fraunhofer-Instituts für Optronik, Systemtechnik und Bildauswertung stattfand, enthält die Aufsätze der eingegangenen Beiträge.
-
PublicationROBDEKON - competence center for decontamination robotics( 2022)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.
-
PublicationPAISE® - process model for AI systems engineering( 2022)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.
-
PublicationÜbertragung eines Vorgehensmodells zur KI-Integration von der Industrie auf Umweltinformationssysteme( 2021)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.
-
PublicationGrundlagen des Maschinellen Lernens( 2021)Zu definieren, was die menschliche Intelligenz sowie intelligentes Handeln – und damit auch die Künstliche Intelligenz – ausmacht, ist außerordentlich schwer und beschäftigt Philosophen und Psychologen seit Jahrtausenden. Allgemein anerkannt istaber, dass die Fähigkeit zu lernen ein zentrales Merkmal vonIntelligenzist. So ist auchdas Forschungsgebiet desMaschinellen Lernens(engl.machine learning, ML) ein zentraler Teil der Künstlichen Intelligenz, das hinter vielen aktuellen Erfolgen von KI-Systemen steckt.
