Jules Salzinger, Experte für Künstliche Intelligenz am AIT, war kürzlich zu Gast im Austrian Artificial Intelligence Podcast, wo er über seine Forschung im Bereich KI-gestützter fernerkundliche Phänotypisierung im Agrarbereich sprach. Der Podcast bot ihm die Gelegenheit, die neueste Forschung und das von ihm mitentwickelte Modell zur automatisierten Phänotypisierung zu präsentieren.
Salzinger ist Research Engineer an der Competence Unit Assistive & Autonomous Systems des AIT Center for Vision, Automation & Control. Aufgrund seiner Expertise wurde er kürzlich in die AI Task Force berufen, die es sich zum Ziel setzt das AIT in ein Unternehmen mit umfassender und konsequenter KI-Unterstützung in allen Bereichen zu verwandeln. KI bringt zahlreiche disruptive Veränderungen im Forschungs- und Innovationssektor mit sich. Deshalb ist es für das AIT unerlässlich, KI-gestütztes Arbeiten zu fördern, um sich an der Spitze der angewandten Forschung in Europa zu positionieren. Die AI Task Force soll den Weg dorthin ebnen. In seiner Rolle konzentriert sich Salzinger auf Community Building und AI Education, was ihn zu einem wichtigen Akteur in der KI-Strategie des AIT macht.
Im Podcast stellte Salzinger das von ihm mitverfasste Paper „TriNet: Exploring More Affordable and Generalisable Remote Phenotyping with Explainable Deep Models“ (Englisch) vor. Darin wird eine skalierbare Deep-Learning-Methode zur Erkennung von Gelbrost, einer ertragsmindernden Pilzerkrankung bei Winterweizen, mithilfe von multispektralen Bildern, die von UAVs aufgenommen wurden, beschrieben. Durch die Reduktion des Datenvolumens um den Faktor 3 bis 4 ermöglicht das Modell eine effizientere Phänotypisierung, ohne dabei an Präzision zu verlieren. Besonders hervorzuheben ist die Erklärbarkeit des Modells, die wertvolle Einblicke für Agronomen und Pflanzenzüchter liefert.
Mit diesem Ansatz wird gezeigt, wie kosteneffiziente und skalierbare Lösungen für die Agrarwissenschaft entwickelt werden können. Gleichzeitig wird das Potenzial der Künstlichen Intelligenz in der modernen Forschung unterstrichen.
Wir gratulieren Jules Salzinger zu dieser gelungenen Podcast Episode!
Zum Anhören klicken Sie hier (Englisch)
Beltrame L, Salzinger J, Koppensteiner LJ, Fanta-Jende P. TriNet: Exploring More Affordable and Generalisable Remote Phenotyping with Explainable Deep Models. Drones. 2024; 8(8):407. https://doi.org/10.3390/drones8080407
Klicken Sie hier für mehr Informationen über das WheatVIZ Projekt