{"id":38699,"date":"2025-11-11T15:09:31","date_gmt":"2025-11-11T15:09:31","guid":{"rendered":"https:\/\/direc.dk\/ai-arbejdsgange-kan-forbedre-billedbaseret-kvalitetskontrol-af-landbrugsafgroeder\/"},"modified":"2025-11-18T12:41:52","modified_gmt":"2025-11-18T12:41:52","slug":"ai-arbejdsgange-kan-forbedre-billedbaseret-kvalitetskontrol-af-landbrugsafgroeder","status":"publish","type":"post","link":"https:\/\/direc.dk\/da\/ai-arbejdsgange-kan-forbedre-billedbaseret-kvalitetskontrol-af-landbrugsafgroeder\/","title":{"rendered":"AI-arbejdsgange kan forbedre billedbaseret kvalitetskontrol af landbrugsafgr\u00f8der"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t
\n\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tTil nyheder<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

11. november 2025<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

AI-arbejdsgange kan forbedre billedbaseret kvalitetskontrol af landbrugsafgr\u00f8der<\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Det f\u00e6lles projekt mellem DTU og FOSS fokuserer p\u00e5, hvordan forklarlig AI kan bruges til kvalitetskontrol af biologiske materialer \u2013 for eksempel korn, som varierer meget i udseende. Resultatet er ikke kun ny viden, men ogs\u00e5 en arbejdsgang, der kan hj\u00e6lpe andre med at udvikle forklarlige AI-modeller til biologiske materialer.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Af Hanne Kokkeg\u00e5rd<\/em><\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t
Postdoc Lenka T\u011btkov\u00e1 og professor og sektionsleder Lars Kai Hansen ved DTU Compute.
Foto: Hanne Kokkeg\u00e5rd.<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Hvordan kan man stole p\u00e5 en AI-model, hvis man ikke forst\u00e5r, hvordan den n\u00e5r frem til sine konklusioner?<\/p>\n

Med udgangspunkt i det sp\u00f8rgsm\u00e5l har forskere fra DTU og FOSS arbejdet sammen i et projekt st\u00f8ttet af DIREC \u2013 Digital Research Centre Denmark. Projektet unders\u00f8gte, hvordan man kan udvikle p\u00e5lidelige og forklarlige deep learning-modeller til analyse af meget varierede data, som man typisk finder i biologiske materialer, med korn som case.<\/p>\n

I dag er manuel visuel inspektion af h\u00f8stet korn stadig en vigtig kvalitetskontrolprocedure fra mark til bord. Men metoden er tidskr\u00e6vende, og resultatet afh\u00e6nger af det menneskelige \u00f8je. Hvis inspektionen er utilstr\u00e6kkelig, kan det blive dyrt for producenter og i sidste ende p\u00e5virke f\u00f8devaresikkerheden.
Derfor giver det mening at udvikle en mere automatiseret, billedbaseret AI-l\u00f8sning, som b\u00e5de er robust og fortolkbar.<\/p>\n

\u201dVi har unders\u00f8gt nogle af de centrale udfordringer, n\u00e5r man anvender AI-forklaringer i den virkelige verden. Hvis vi i dag lod ti forskellige AI-forklaringsmodeller analysere korn, ville de give ti forskellige resultater, fordi de bygger p\u00e5 mange forskellige antagelser,\u201d siger postdoc Lenka T\u011btkov\u00e1.<\/p>\n

\u201dGennem projektet har vi f\u00e5et en langt bedre forst\u00e5else af problemet. Nu kan vi foresl\u00e5 en metode til at bruge og evaluere deep learning-forklaringer, n\u00e5r man analyserer biologiske materialer med stor variation. Vi h\u00e5ber, dette vil bidrage til en bredere anvendelse af metoderne i b\u00e5de akademia og industri.\u201d<\/p>\n

Forskningen var en del af hendes ph.d.-projekt i sektionen Cognitive Systems ved DTU Compute.<\/p>\n

Forklarlighed er n\u00f8glen<\/h4>\n

Selv om AI-modeller delvist kan identificere korndefekter som svampesygdommen pink fusarium eller kerner beskadiget af mejet\u00e6rskeren (\u201cskinned\u201d), viste projektet, at modellerne ofte fokuserer p\u00e5 irrelevante detaljer \u2013 som skygger eller baggrundsvariationer \u2013 n\u00e5r de skal forklare deres beslutninger.<\/p>\n

De s\u00e5kaldte heatmaps, der skal vise, hvordan modellen \u201cser\u201d, fremh\u00e6ver ofte en blanding af korrekte og forkerte omr\u00e5der. Det g\u00f8r det vanskeligt for eksperter at vurdere, om modellen virkelig forst\u00e5r opgaven.<\/p>\n

\u201dVi blev oprigtigt overraskede over, hvor f\u00f8lsomme AI-modeller er \u2013 selv sm\u00e5 variationer i data kunne markant \u00e6ndre n\u00f8jagtigheden af AI-forklaringsmodellen,\u201d siger Lenka T\u011btkov\u00e1.<\/p>\n

Biologisk variation kr\u00e6ver bedre datas\u00e6t<\/h4>\n

En af de st\u00f8rste udfordringer er, at standarddatas\u00e6t som ImageNet, der bruges til at tr\u00e6ne AI-modeller og bygge forklaringsmodeller, ikke tager h\u00f8jde for stor biologisk variation. Et ImageNet-foto af en kat er let for modellen at afkode \u2013 billedet viser kun en kat, og baggrunden ignoreres. Men med korn er analysen langt mere kompleks, fordi skygger, farver og naturlige processer skaber variation.<\/p>\n

FOSS, som udvikler test- og analysel\u00f8sninger til landbrugs- og f\u00f8devareindustrien, har selv k\u00e6mpet med forklaringsproblemet. Virksomheden har store, realistiske datas\u00e6t til test af algoritmer, og derfor deltog de i projektet.<\/p>\n

I l\u00f8bet af flere m\u00e5neder gennemgik FOSS\u2019 analyseafdeling et stort antal kornpr\u00f8ver og markerede skader og sygdomme p\u00e5 kernebilleder for at udvikle et nyt datas\u00e6t.<\/p>\n

Lenka T\u011btkov\u00e1 brugte dette datas\u00e6t til at teste og sammenligne AI-forklaringsmetoder for at se, hvor godt de fungerer til billedanalyse af biologisk variable materialer.<\/p>\n

\u201dSamarbejdet med FOSS var afg\u00f8rende \u2013 uden realistiske data ville forskningen ikke have f\u00f8rt til disse nye l\u00f8sninger,\u201d siger Lenka T\u011btkov\u00e1.<\/p>\n

En ny pipeline til forskning og industri<\/h4>\n

For at tackle udfordringen med forklarlighed udviklede forskerne en ny arbejdsgang \u2013 en vejledning, der kombinerer flere forklaringsmetoder til \u00e9t samlet og mere p\u00e5lideligt heatmap.<\/p>\n

Metoden er generel og kan bruges til at evaluere og v\u00e6lge den bedste deep learning-forklaringsmodel til opgaver med h\u00f8j biologisk variation.
Dermed er den relevant ikke kun for kornindustrien, men ogs\u00e5 for omr\u00e5der som medicin og f\u00f8devaresikkerhed.<\/p>\n

\u201dVi siger ikke, hvilken metode der er bedst, men vi siger, at hvis man f\u00f8lger denne arbejdsgang trin for trin og gennemf\u00f8rer en r\u00e6kke specifikke evalueringer for sine data, vil man finde ud af, hvilken metode der fungerer bedst for ens form\u00e5l,\u201d siger Lenka T\u011btkov\u00e1.<\/p>\n

Forskningsresultaterne er netop blevet offentliggjort i PLOS One, hvor andre forskere kan udforske arbejdsgangen og bygge videre p\u00e5 metoderne.<\/p>\n

St\u00e6rkere bro mellem forskning og industri<\/h4>\n

Professor Lars Kai Hansen, sektionsleder i Cognitive Systems ved DTU Compute, er meget tilfreds med samarbejdet med FOSS:<\/p>\n

\u201dProjektet er et virkeligt anvendelsestilf\u00e6lde, hvor vi tager AI-forklaringsmodeller fra laboratoriet ud i praksis. Det er et fremragende eksempel p\u00e5, hvordan forskning og industri kan arbejde sammen om at l\u00f8se komplekse, virkelige udfordringer med AI.\u201d<\/p>\n

Projektet er en del af den voksende bro mellem forskning og industri, st\u00f8ttet af organisationer som DIREC.<\/p>\n

\u201dDet er et godt eksempel p\u00e5, at der ikke n\u00f8dvendigvis er en stor kl\u00f8ft mellem grundforskning og anvendt forskning. Nogle aspekter af et s\u00e5dant projekt kr\u00e6ver, at man vender tilbage til de fundamentale egenskaber ved, hvordan AI fungerer, for at skabe forklarlighed, der reelt er nyttig,\u201d siger Thomas Riisgaard, direkt\u00f8r i DIREC.<\/p>\n

Research – PLOS ONE:\u00a0Challenges in explaining deep learning models for data with biological variation<\/a>, Lenka T\u011btkov\u00e1 (DTU Compute), Erik Schou Dreier and Robin Malm (FOSS), Lars Kai Hansen (DTU Compute)<\/em><\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Nyheder<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t