Digitale Zwillinge für die Reifung von Pflanzenprodukten und nachhaltigen Verpackungen
Ziel des Projekts ist die Entwicklung eines digitalen Zwillings zur Optimierung der Verpackung und Haltbarkeit von pflanzenbasierten Produkten. Mittels fortschrittlicher Algorithmen des maschinellen Lernens soll die Interaktion zwischen antimikrobiellen, kreislauforientierten Verpackungslösungen und dem Reifungsprozess der Produkte analysiert werden.Weitere Informationen finden Sie hier.
Prozess-Abbild durch maschinelles Lernen
Ziel des Projekts ist die Erstellung eines digitalen Prozessabbilds durch maschinelles Lernen. Dabei geht es um die Analyse von Lebensmittelprozessen zur Vorhersage kritischer Zustände in Bezug auf Prozess- und Qualitätsparameter. Am Beispiel eines fermentierten und haltbaren Lebensmittels sollen kritische Zustände prädiktiv erkannt werden. Weitere Informationen finden Sie hier.
Integrierte hybride Optimierung von autonomen selbst-adaptiven Systemen
Ziel dieses Projekts ist die Entwicklung eines hybriden selbst-adaptiven und selbst-organisierenden Systems, das eine systemweite zentrale Planung mit vollständig autonomen Entscheidungen der Agenten kombiniert. Die zentrale Kontrolleinheit wird dabei von einem zusätzlichen Optimierungsmodul unterstützt. Weitere Informationen finden Sie hier.
AI & Data Science Certificate Hohenheim (AIDAHO)
Dieses Projekt zielt auf die Einrichtung eines fächerübergreifenden, studienbegleitenden Qualifikationsprogrammes zur Förderung der KI-Kompetenzen von Studierenden aller drei Hohenheimer Fakultäten – Agrarwissenschaften, Naturwissenschaften sowie Wirtschafts- und Sozialwissenschaften –ab. Das Fachgebiet Lebensmittelinformatik beteiligt sich an dem vom BMBF geförderten Projekt hauptsächlich mit der Konzeption und Initialisierung einer Lernplattform für automatisierte Bewertung von Programmierabgaben von Studierenden. Weitere Informationen finden Sie hier.
Die intelligente, digitalisierte Lebensmittel-Lieferkette (2022-2023)
Dieses Projekt fokussiert die Entwicklung der intelligenten Lebensmittel-Lieferkette. Neuartige Sensoren unterstützen die Sammlung von Daten. Aktuelle Trends im maschinellen Lernen on the edge (EdgeML), d.h. Datenanalyse direkt am Ursprungort, ermöglichen Analysen in Echtzeit und prädiktive Erkennung kritischer Zustände. Das primäre Ziel ist eine Studie über das Zusammenspiel der verschiedenen Technologien in der Lebensmittel-Lieferkette: intelligente Sensorik zur Datenerzeugung, Blockchain-Technologie zur Datenspeicherung und Rückverfolgbarkeit sowie EdgeML Technologie zur Echtzeitanalyse von Lebensmitteln. Weitere Informationen finden Sie hier.