Laufende Projekte
EmiMod - Weiterentwicklung von Methoden zur Erfassung, Modellierung und Beurteilung des Emissionsgeschehens in Nutztierställen
Project duration:
01.07.2023 to 31.12.2026
Project desription:
The aim of the research project is to further develop methods for determining emission rates from livestock farming. In particular, the data basis for a proper assessment of animal welfare stables with free ventilation and outdoor runs with regard to emissions is to be improved. The focus is on simplifying the investigation methodology and developing suitable assessment procedures, differentiated for various investigation purposes (emission factors, emission reduction performance, emission monitoring for practical use).
The revision and adaptation of the measurement strategies is carried out in an iterative process based on the collected measurement data combined with findings from mechanistic modeling, numerical flow simulations and artificial intelligence (AI) applications.The simplified measurement methods developed as part of the project are to be applied in the practice of emission measurement. The detailed description of the measurement procedures in the form of a measurement method manual and the intended procedure for assessing the emission potential of animal welfare stables will be communicated to the (specialist) public via a communication strategy and a web application. In addition, the data and project results will be published in the life sciences repository and made available for further research purposes via this platform.
The Artificial Intelligence in Agricultural Engineering department is responsible for the work package for establishing AI applications. Relevant use cases for the establishment of AI methods include:
- AI-based object detection for the detection and localization of urine puddles, with subsequent frequency and geometry estimation (excretion behavior)
- Image-based derivation of the urine puddle temperature from thermal image information as an indicator of the "age" of the urine puddles
- Continuous monitoring of functional areas and recording of the animals' areas of residence (resting and activity behavior)
- Classification of the animals' posture using AI-based pose recognition before or during the urination process
The image and video information is recorded by both thermal imaging (IR) cameras and RGB (surveillance) cameras, which are used in the pig and cattle barns. These are connected to a suitable IT system architecture, which initially pursues an edge computing concept for decentralized implementation of the AI solution. The work programme within this work package is based on novel principles for the systematic development of data-centric AI and machine learning (ML) solutions, which focus on operationalization, i.e. the transfer from the laboratory to the production environment. These principles are known as MLOps.
Consortium of the research network:
- Leibniz-Institut für Agrartechnik und Bioökonomie e.V. (ATB), Abteilung Technik in der Tierhaltung
- Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA), Gruppe Biologische Arbeitsstoffe
- Kuratorium für Technik und Bauwesen in der Landwirtschaft e. V. (KTBL)
- LWK Niedersachsen – LUFA Nord-West
- Bayerische Landesanstalt für Landwirtschaft (LfL), Institut für Landtechnik und Tierhaltung, Abteilung Emissionen und Immissionsschutz
- Sächsisches Landesamt für Umwelt, Landwirtschaft und Geologie (LfULG), Abteilung Landwirtschaft
- Johann Heinrich von Thünen Institut, Bundesforschungsinstitut für Ländliche Räume, Wald und Fischerei (TI)
- Rheinische Friedrich-Wilhelms-Universität Bonn, Institut für Landtechnik
- Christian-Albrechts-Universität zu Kiel, Institut für Landwirtschaftliche Verfahrenstechnik (ILV)
Scientists involved on site:
- Simon Mielke, M.Sc.
- Anita Kapun, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
- apl.-Prof. Dr. Eva Gallmann
Project Management on site:
- apl.-Prof. Dr. Eva Gallmann
- Jun.-Prof. Dr. Anthony Stein (AP 9 - Establishment of AI applications)
Departments involved on site:
- Fg. 440b Verfahrenstechnik der Tierhaltungssysteme
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
Funding provider:
- Bundesministerium für Ernährung und Landwirtschaft (BMEL)
- Bundesanstalt für Landwirtschaft und Ernährung (BLE)
Website:
HoPla - Hochleistungssensorik für smarte Pflanzenschutzbehandlung
Project duration:
01.09.22 to 31.08.25
Project description:
In order to ensure the supply of food for a growing world population, it must be produced ever more efficiently. At the same time, a greater burden on the environment must be avoided. Among other things, the use of plant protection products must be reduced to the absolutely necessary level. Herbicides, for example, are currently applied across the board, although the targeted treatment of unwanted plants could reduce their use by up to 70 percent without reducing yields.Goals and approach
In order to be able to apply herbicides in a more targeted manner and in lower quantities, crops and undesirable plants must be distinguished from each other during application.
The HOPLA project aims to make this possible by using fast camera sensors in conjunction with neural networks. Crops as well as undesirable plants are to be reliably detected while a field sprayer is driving over the arable land. The data is made available in real time for controlling the field sprayer. In this way, targeted treatment of undesirable plants should be possible and the amount of herbicide applied should be significantly reduced.
If the work is successfully completed, the camera-based detection system will be integrated into a field sprayer and evaluated in field trials. If successful, at the end of the development a new type of agricultural device will be available that allows for an on-demand treatment of undesirable plants with herbicides. The environmental impact of applying such substances could thus be drastically reduced.
Source: www.photonikforschung.de/projekte/sensorik-und-analytik/projekt/hopla.html (21.11.2022)
Scientists involved on site:
- Ahmet Saltik, M.Sc.
- Sourav Modak, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Project Management on site:
- Jun.-Prof. Dr. Anthony Stein
Departments involved on site:
- Fg. 440g Artificial Intelligence in Agricultural Engineering
Consortium of the research network:
- Robert Bosch GmbH, Stuttgart (coordination)
- University of Hohenheim, Institute for Agricultural Engineering, Stuttgart
- BASF Digital Farming GmbH, Cologne
- AMAZONEN-WERKE H. Dreyer SE & Co. KG (actively associated)
Funding provider:
- Bundesministerium für Bildung und Forschung (BMBF)
- Projektträger VDI-Technologiezentrum
- FKZ: 13N16327
More Information:
https://www.photonikforschung.de/projekte/sensorik-und-analytik/projekt/hopla.html
NOcsPS - Nachhaltige Landwirtschaft ohne chemisch-synthetischen Pflanzenschutz / VP7 Lab-to-Field Transfer Learning für eine KI-basierte Pflanzenpathogenerkennung in Soja und Weizen
Projektlaufzeit:
Juni 2025 bis September 2028
Projektbeschreibung:
Ein ausreichendes und qualitativ hochwertiges Lebensmittel- und Biomasseangebot, das noch stärker umwelt- und naturschonend produziert wird, ist ein starkes gesellschaftspolitisches Anliegen. Der Einsatz chemisch-synthetischer Pflanzenschutzmittel (csPSM) steht durch Rückstände in Nahrungsmitteln und Natur sowie durch Gefährdung der Biodiversität zunehmend in der Kritik.
Damit kann sich eine Landwirtschaft 4.0 etablieren, die unter Einsatz modernster vernetzter Technologien biologischen Prinzipien folgt, bei einem Verzicht auf csPSM. Gleichzeitig wird der Einsatz mineralischer Dünger ermöglicht, um die Bodenfruchtbarkeit zur Erzeugung der erforderlichen Menge an Biomasseerträgen zu gewährleisten.
Dieser Ansatz stellt eine komplette Neuorientierung im Ackerbau dar und bedingt eine sorgfältige Begleitforschung aus allen Blickwinkeln und auf allen Skalenebenen.
Ziel des Forschungsverbunds der Universität Hohenheim (UHOH) und Georg-August-Universität Göttingen (UGOE) sowie des Julius Kühn-Instituts (JKI) ist die Entwicklung und Analyse sowie Beschreibung von NOcsPS-Anbausystemen im Vergleich zu anderen Anbausystemen. Dieser Vergleich erfolgt in System-, Exakt- und on-farm Versuchen auf Parzellen-, Feld-, Betriebs- und Landschaftsebene sowie aus ökologischer, ökonomischer und sozialer Perspektive.
Unser Teil in diesem Projekt:
KI-Basierte Hyperspektraldatenanalyse für eine automatisierte und effiziente Pflanzenpathogenerkennung
Ein grundlegender Wandel in der der Ausbringung von chemisch-synthetischem Pflanzenschutz muss mit einer Steigerung des Automatisierungs- und Zuverlässigkeitsgrades im Schaderregermonitoring einhergehen. Die Anwendung von Alternativen zu chemisch-synthetischem Pflanzenschutz erfordert ein detaillierteres Wissen über den vorherrschenden pathogeninduzierten Stress im Feld sowie über die möglichst präzise örtliche Eingrenzung des Auftritts. Ein zeitlich und örtlich hoch aufgelöstes Monitoring dieser Informationen, kann mittels Feldbeflug durch UAVs (unmanned aerial vehicles, oft auch „Drohnen“) in Kombination mit KI-basierter Datenanalyse ermöglicht werden.
Es wird auf Basis neuartiger systematischer Entwicklungs- und Operationalisierungsprinzipien für datenzentrierte KI- bzw. Machine Learning Anwendungen (MLOps) eine Analyse-Pipeline für den Zweck der automatisierten Pathogendetektion auf Basis von Hyperspektraldaten entwickelt. Zunächst erfolgt die eingehende manuelle Analyse der vorhandenen Datenbasis sowie des zugrundeliegenden Pathogen-Monitoring Prozesses (AP 1: Process & Data Understanding). Anschließend werden notwendige Datenvorverarbeitungsschritte und Verfahren zur Data Augmentation entsprechend der ermittelten Charakteristika der vorhandenen und weiter zu erhebenden Hyperspektraldaten eruiert sowie und die technische (d.h. programmatische) Entwicklung der KI-Pipeline initiiert (AP 2: Data Engineering). Es folgen die fundierte und systematische Selektion und Konfiguration geeigneter Deep Learning-Modelle aus dem Stand der Technik des maschinellen Sehens, welche in einem iterativen Modellentwicklungs- und -Validierungsprozess durchgeführt werden (AP 3: Model Engineering). Den umspannenden Teil des skizzierten Arbeitsprogramms bildet die iterative technische Implementierung der KI-Pipeline, welche sowohl ein fortlaufendes systematisches Datenmanagement, als auch in Konsequenz eine kontinuierliche Modelladaption an neu verfügbar werdende Daten sicherstellt (AP 4: MLOps).
Am Ende des Projekts soll eine robuste und automatisierte Pathogendetektionspipeline existieren, welche sich an variierende Einsatzbedingungen dateneffizient anpassen lässt und künftig entstehende Kosten für die essentielle Aufgabe des Pathogenmonitoring im integrierten Pflanzenschutz durch den Einsatz von KI reduzieren kann.
Projektkonsortium:
https://nocsps.uni-hohenheim.de/verbundpartner-liste
Beteiligte Wissenschaflter:innen am Fachgebiet:
- Georg Feyrer, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Projektleitung des Teilprojekts:
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen am Teilprojekt:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
Fördermittelgeber:
- Bundesministerium für Bildung und Forschung (BMBF)
Mehr Informationen auf der Projektwebsite:
https://nocsps.uni-hohenheim.de/startseite
AIDAHO - AI & Data Science Certificate Hohenheim
Projektlaufzeit:
01.12.21 bis 30.11.25
Website:
Projektbeschreibung:
Die stetig zunehmende Relevanz von Künstlicher Intelligenz (KI) fördert einen immer größer werdenden Bedarf an qualifizierten Fachkräften. Um diesem Bedarf nachzukommen, entschied sich der Bund für die Strategie, gezielt die Ausbildung von Studierenden hinsichtlich ihrer Qualifizierung im Bereich Künstlicher Intelligenz zu fördern. Das Bund-Länder-Programm “Künstliche Intelligenz in der Hochschulbildung” ist eine Initiative die die breitflächige Implementierung von KI als Studieninhalt fördern soll.
Im Rahmen dieser Initiative wird an der Universität Hohenheim das Projekt AI & Data Science Certificate Hohenheim (AIDAHO) gefördert. Ziel dieses Projektes ist ein fächerübergreifendes Lehrangebot zur Vermittlung von Grundlagenwissen in den Bereichen KI, Data Science und Scientific Computing. Die konkrete Umsetzung wird ab dem kommenden Wintersemester 2022/23 im Rahmen eines extracurricularem Qualifizierungsprogrammes realisiert. Es soll etwa 30 ECTS umfassen und wird nach erfolgreicher Teilnahme mit einem Zertifikat bescheinigt. Insbesondere sollen Studierende im fortgeschrittenen Bachelor- bzw. Masterstudium angesprochen werden. Die langfristige Vision dieses Projektes ist die Entstehung eines eigenständigen Studienganges, aufbauend auf den Lehrinhalten des Qualifizierungsprogrammes. Das Projekt knüpft somit an das Grundkonzept des Computational Science Labs (CSL) an, welches 2018 mit der Intention der fakultätsübergreifenden Vernetzungsmöglichkeit rund um das Thema “Digitale Transformation” gegründet wurde. Die Interdisziplinarität des Projekts spiegelt sich dabei besonders in den verschiedenen Projektpartnern wider. Aus dem CSL sind neben unserem Fachgebiet für “Künstliche Intelligenz in der Agrartechnik” auch die Fachgebiete für “Ökonometrie und Wirtschaftsstatistik”, “Lebensmittelinformatik” und “Kommunikationswissenschaft” beteiligt.
Das Fachgebiet für “Künstliche Intelligenz in der Agrartechnik” übernimmt die Teilprojektleitung für den Kernbereich der Künstlichen Intelligenz, insbesondere des Machine Learning. Zu Beginn soll der Fokus auf der Vermittlung von fundamentalem Grundlagenwissen in den Themenbereichen des maschinellen Lernens, sowie in der erklärbaren KI liegen. Aufbauend auf diesen Grundlagen, wird der Fokus anschließend auf die Spezialisierung in verschiedene Teilbereiche, wie bspw. Deep Learning in agrarwissenschaftlichen Fragestellungen, und somit auf die praktische Anwendung des gelernten KI-Wissens gelegt.
Beteiligte Wissenschaflter am Fachgebiet:
- Dr. Zhangkai Wu
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen vor Ort:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
- Fg. 520k Ökonometrie und Wirtschaftsstatistik
- Fg. 150l Lebensmittelinformatik
- Fg. 540a Kommunikationswissenschaft, insbesondere Medien- und Nutzungsforschung
- Computational Science Lab (CSL)
Fördermittelgeber:
- Bundesministerium für Bildung und Forschung (BMBF)
Abgeschlossene Projekte
NOcsPS - Landwirtschaft 4.0 ohne chemisch-synthetischen Pflanzenschutz / VP25 KI-basierte Hyperspektraldatenanalyse für ein effizientes Pflanzenpathogenmonitoring
Projektlaufzeit:
01.04.2022 bis 30.04.2024
Projektbeschreibung:
Ein ausreichendes und qualitativ hochwertiges Lebensmittel- und Biomasseangebot, das noch stärker umwelt- und naturschonend produziert wird, ist ein starkes gesellschaftspolitisches Anliegen. Der Einsatz chemisch-synthetischer Pflanzenschutzmittel (csPSM) steht durch Rückstände in Nahrungsmitteln und Natur sowie durch Gefährdung der Biodiversität zunehmend in der Kritik.
Damit kann sich eine Landwirtschaft 4.0 etablieren, die unter Einsatz modernster vernetzter Technologien biologischen Prinzipien folgt, bei einem Verzicht auf csPSM. Gleichzeitig wird der Einsatz mineralischer Dünger ermöglicht, um die Bodenfruchtbarkeit zur Erzeugung der erforderlichen Menge an Biomasseerträgen zu gewährleisten.
Dieser Ansatz stellt eine komplette Neuorientierung im Ackerbau dar und bedingt eine sorgfältige Begleitforschung aus allen Blickwinkeln und auf allen Skalenebenen.
Ziel des Forschungsverbunds der Universität Hohenheim (UHOH) und Georg-August-Universität Göttingen (UGOE) sowie des Julius Kühn-Instituts (JKI) ist die Entwicklung und Analyse sowie Beschreibung von NOcsPS-Anbausystemen im Vergleich zu anderen Anbausystemen. Dieser Vergleich erfolgt in System-, Exakt- und on-farm Versuchen auf Parzellen-, Feld-, Betriebs- und Landschaftsebene sowie aus ökologischer, ökonomischer und sozialer Perspektive.
Unser Teil in diesem Projekt:
KI-Basierte Hyperspektraldatenanalyse für eine automatisierte und effiziente Pflanzenpathogenerkennung
Ein grundlegender Wandel in der der Ausbringung von chemisch-synthetischem Pflanzenschutz muss mit einer Steigerung des Automatisierungs- und Zuverlässigkeitsgrades im Schaderregermonitoring einhergehen. Die Anwendung von Alternativen zu chemisch-synthetischem Pflanzenschutz erfordert ein detaillierteres Wissen über den vorherrschenden pathogeninduzierten Stress im Feld sowie über die möglichst präzise örtliche Eingrenzung des Auftritts. Ein zeitlich und örtlich hoch aufgelöstes Monitoring dieser Informationen, kann mittels Feldbeflug durch UAVs (unmanned aerial vehicles, oft auch „Drohnen“) in Kombination mit KI-basierter Datenanalyse ermöglicht werden.
Es wird auf Basis neuartiger systematischer Entwicklungs- und Operationalisierungsprinzipien für datenzentrierte KI- bzw. Machine Learning Anwendungen (MLOps) eine Analyse-Pipeline für den Zweck der automatisierten Pathogendetektion auf Basis von Hyperspektraldaten entwickelt. Zunächst erfolgt die eingehende manuelle Analyse der vorhandenen Datenbasis sowie des zugrundeliegenden Pathogen-Monitoring Prozesses (AP 1: Process & Data Understanding). Anschließend werden notwendige Datenvorverarbeitungsschritte und Verfahren zur Data Augmentation entsprechend der ermittelten Charakteristika der vorhandenen und weiter zu erhebenden Hyperspektraldaten eruiert sowie und die technische (d.h. programmatische) Entwicklung der KI-Pipeline initiiert (AP 2: Data Engineering). Es folgen die fundierte und systematische Selektion und Konfiguration geeigneter Deep Learning-Modelle aus dem Stand der Technik des maschinellen Sehens, welche in einem iterativen Modellentwicklungs- und -Validierungsprozess durchgeführt werden (AP 3: Model Engineering). Den umspannenden Teil des skizzierten Arbeitsprogramms bildet die iterative technische Implementierung der KI-Pipeline, welche sowohl ein fortlaufendes systematisches Datenmanagement, als auch in Konsequenz eine kontinuierliche Modelladaption an neu verfügbar werdende Daten sicherstellt (AP 4: MLOps).
Am Ende des Projekts soll eine robuste und automatisierte Pathogendetektionspipeline existieren, welche sich an variierende Einsatzbedingungen dateneffizient anpassen lässt und künftig entstehende Kosten für die essentielle Aufgabe des Pathogenmonitoring im integrierten Pflanzenschutz durch den Einsatz von KI reduzieren kann.
Projektkonsortium:
Beteiligte Wissenschaflter:innen am Fachgebiet:
- Georg Feyrer, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Projektleitung des Teilprojekts:
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen am Teilprojekt:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
Fördermittelgeber:
- Bundesministerium für Bildung und Forschung (BMBF)
Mehr Informationen auf der Projektwebsite:
https://nocsps.uni-hohenheim.de/startseite
KINERA - Künstliche Intelligenz für eine effiziente und resiliente Agrartechnik
Projektlaufzeit:
19.04.21 bis 18.10.24
Projektbeschreibung:
Durch den gezielten Einsatz von Methoden der künstlichen Intelligenz sollen die Effizienz und Resilienz verfahrenstechnischer Prozesse der Agrartechnik gesteigert werden. Im Speziellen wird der Prozess der Bestandesetablierung als Realversuch konventionell mit einer Schlepper-Geräte-Kombination und autonom mit einem Roboter betrachtet. Das Ziel ist durch Einstellungsunterstützung oder Selbstadaption eine erleichterte Bedienbarkeit zu erreichen und somit gezielt die Performance Gap der Maschine zu verringern. Hierbei soll die Maschine auch auf Informationen durch die Kommunikation mit anderen Maschinen und der Cloud zurückgreifen. In dem Kontext der Maschinenkommunikation wird das Potential der Schwarmrobotik simulativ eruiert. Die Zuverlässigkeit des Systems wird durch eine dreischichtige, fehlertolerante Informations- und Systemarchitektur mit Einbindung eines Hofservers gewährleistet.
Die Auslastung einer Aussaatkombination wird gesteigert während gleichzeitig der Maschinenführer durch eine erleichterte Bedienbarkeit entlastet wird. Dies wird messbar durch die Entwicklung eines Prototyps mittels Retrofitting einer herkömmlichen Bestellkombination und Einbetten der Maschine in eine entwickelte Systemarchitektur. Die dreischichtige Systemarchitektur wird durch die Einbindung eines Hofservers auf der Betriebsebene resilient gegenüber externen Störeinflüssen wie zum Beispiel Netzausfall und die Einbindung der Cloud-Ebene adressiert Möglichkeiten der Prozessoptimierungen auf dem taktischen Planungshorizont sowie die Integration zusätzlicher Informationsquellen. Die simulative Eruierung der Schwarmrobotik wird mögliche Potentiale skalierbarer Roboter im Agrarkontext zeigen.
Das Fachgebiet Künstliche Intelligenz in der Agrartechnik entwickelt die benötigten KI-Methoden in dem Projekt. Hierfür werden sowohl Methoden für die Observierung der Umgebung aus Sensordaten als auch Methoden für das automatisierte Anpassen der Maschinenkonfigurationen entwickelt. Außerdem werden simulativ KI-Methoden speziell für den Robotereinsatz ausgearbeitet und das Potential der Schwarmrobotik eruiert.
Beteiligte Wissenschaflter vor Ort:
- Jonas Boysen, M.Sc.
- Georg Feyrer, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen vor Ort:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
- Fg. 440d Verfahrenstechnik in der Pflanzenproduktion
- Lehrstuhl Wirtschaftsinformatik 2
Konsortium des Forschungsverbundes:
- Exatrek, EXA Computing GmbH
- Smart Site Solutions GmbH
- CLAAS Vertriebsgesellschaft mbH
- Horsch Maschinen GmbH
- VDMA Landtechnik
Fördermittelgeber:
- Bundesministerium für Ernährung und Landwirtschaft (BMEL)
- Bundesanstalt für Landwirtschaft und Ernährung (BLE)
MIKIL - Multiskalige Integration moderner KI-Technologie in dezentralen Landwirtschaftssystemen (NaLamKI-Teilprojekt der UHOH)
Projektlaufzeit:
01.01.2021 bis 31.12.2024
Projektbeschreibung:
Im Verbundvorhaben NaLamKI werden Sensor- und Maschinendaten aus Fernerkundung, Bodensensorik, Robotik, manueller Datenerhebung und Bestandsdaten aggregiert, um landwirtschaftliche Prozesse wie Bewässerung, Düngung und Schädlingsbekämpfung durch moderne KI-Methoden und (teil-)autonome Fahrzeug- und Agentenverbünde nachhaltiger, effizienter und transparenter zu optimieren. NaLamKI schafft dabei die Möglichkeit einer hochdimensionalen Auswertung und Fusion aller aggregierten Daten. GAIA-X konforme Dienste werden dezentral und interoperabel unter Wahrung der Datensouveränität der Akteure zur Verfügung gestellt.
Für die Universität Hohenheim steht dabei im Teilvorhaben MIKIL die Integration moderner Verfahren der KI auf sämtlichen Ebenen des NaLamKI-Systems im Vordergrund. Dies umfasst neben einer, auf Basis ermittelter domänenspezifischer Anforderungen, kollaborativen Entwicklung einer übergeordneten komplexen Systemarchitektur für ein GAIA-X konformes, verteiltes Landwirtschaftssystem, insbesondere die KI-basierte Aufbereitung, Fusion und Analyse der im Projekt auf unterschiedlichen Ebenen erhobenen und verfügbaren Daten, als auch den föderierten Wissensaustausch zwischen kooperierenden Maschinen und Teilsystemen.
Beteiligte Wissenschaflter vor Ort:
- Jonathan Heil, M.Sc.
- Mortesa Hussaini, M.Sc.
- Jun.-Prof. Dr. Anthony Stein
Beteiligte Einrichtungen vor Ort:
- Fg. 440g Künstliche Intelligenz in der Agrartechnik
Konsortium des Forschungsverbundes:
- John Deere GmbH & Co. KG (Konsortialleitung)
- Fraunhofer Heinrich-Hertz-Institut
- Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) Kaiserslautern
- Technische Universität Kaiserslautern
- Julius-Kühn-Institut
- OptoPrecision GmbH
- Robot Makers GmbH
- Planet Labs Germany GmbH
- NT Neue Technologien AG
- Deutsche Landwirtschafts-Gesellschaft DLG e.V.
- Förderverein Digital Farming (FDF)
- Landwirtschaftliche Lehr- und Versuchsanstalt Hofgut Neumühle
Fördermittelgeber:
- Bundesministerium für Wirtschaft und Energie (BMWi)
- Förderkennzeichen: 01MK21003J
Weitere Informationen:
Projektwebsite: https://nalamki.de/