En svampeinfektion opdaget tre dage for sent kan koste en hel mark. AI-baseret billedgenkendelse er ikke perfekt, men den kan fange mønstre langt tidligere end det blotte øje, hvis den bruges rigtigt.
Teknologien bag tidlig detektion
Vi arbejder med convolutional neural networks (CNN) og ser på, hvad der faktisk sker, når en model analyserer et billede af et blad. Du behøver ikke skrive kode, men du lærer at forstå, hvornår modellen er pålidelig, og hvornår du skal stole mere på din egen vurdering.
Forløbet bruger PlantVillage-datasættet og open source-værktøjer som TensorFlow Lite til mobile enheder. Du afslutter med en øvelse, hvor du tester en model på billeder fra din egen mark eller fra et udleveret datasæt.
Begrænsninger du skal kende
AI-modeller til plantesygdomme er trænet på specifikke forhold og sorter. En model trænet på majs i Californien fungerer ikke nødvendigvis på vinterbyg i Jylland. Vi gennemgår, hvordan du vurderer en models generaliserbarhed, inden du stoler på den.
Forløbet varer fire uger og kræver en smartphone eller tablet til de praktiske øvelser.
Programindhold
Programoversigt
-
Modul 1: Plantesygdomme og visuelle mønstre
Hvilke sygdomme egner sig til billedgenkendelse, og hvilke kræver laboratorieanalyse?
-
Modul 2: Sådan fungerer CNN-modeller
En ikke-teknisk gennemgang af, hvad modellen kigger efter i et billede.
-
Modul 3: Brug af PlantVillage og andre datasæt
Datakvalitet, bias og hvad det betyder for din marks specifikke forhold.
-
Modul 4: Mobile apps og feltbrug
Praktisk øvelse med TensorFlow Lite og eksisterende apps som Plantix og Agrio.
-
Modul 5: Fra detektion til beslutning
Hvornår handler du på modellens output, og hvornår venter du på bekræftelse?
Hvad du tager med dig
Viden om, hvordan AI-systemer konkret kan bruges til at analysere jordkvalitet, forudsige udbytte og reducere ressourceforbrug i marken.
Du lærer at skelne mellem de AI-løsninger, der faktisk virker i felten, og dem der stadig er på laboratorieniveau.
Praktisk tilgang
Undervisningen kombinerer live demonstrationer med virkelige datasæt fra landbrugsbedrifter i Nordeuropa.
Eksperterne gennemgår specifikke scenarier — fx dronebaseret afgrødeanalyse og automatiseret vandingsstyring — så du forstår, hvornår teknologien giver mening.