Langfristige Auswirkungen unterschiedlicher Intensitaetsstufen, insbesondere bei der Anwendung von Pflanzenschutzmitteln, mineralischen Duengemitteln und Unkrautbekaempfungsmitteln auf den Boden (Struktur; Humusgehalt; Naehrstoffgehalt), auf die Rebe (vegetative Entwicklung und Ertragsleistung) sowie auf die Qualitaet der Trauben und des Weines (Geruch, Geschmack, Inhaltsstoffe).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Es werden verschiedene Lebensmittel aus dem Raum Ostwestfalen-Lippe und Nordenham auf einen Gehalt an Blei und Cadmium untersucht. Zur Jagdzeit werden Leber, Nieren und Haar von Wild (Hasen) im Raum Nordenham gesammelt, ebenso im Raume Ostwestfalen-Lippe. In der Region Guetersloh wird der Bleigehalt von in der Naehe eines Schiessstandes erzeugten Lebensmitteln untersucht.
Verminderung des Nitratgehaltes in Spinat und Gemuese fuer die menschliche Ernaehrung speziell von Saeuglingen und Kleinkindern; Unterlagen fuer gesetzliche Regelungen.
An der Qualitaet des zur Herstellung und zur Verarbeitung von Lebensmitteln und Getraenken verwendeten Wassers muessen aus chemischer und mikrobiologischer Sicht hoechste Anforderungen gestellt werden. Die strengen Vorschriften der TVO und und der neuen EWG-Richtlinien genuegen oft nicht, um eine Kontamination durch pathogene Keime und Viren im Wasser beim Herstellungsprozess zu verhindern, wobei eine Schaedigung des Produktes oder eine gesundheitliche Beeintraechtigung des Konsumenten moeglich wird. Die anodische Oxidation spezifiziert in Stabgitterbuendelelektroden konnte als neues Wasserdesinfektionsverfahren aufgrund seiner in vielen Untersuchungen gestuetzten entkeimenden, viruseliminierenden und desodorierenden Wirkung durch Elektrodenentzug in diesen Bereichen eingesetzt werden, bzw. wurde in mehreren Faellen fuer Wasserdesinfektionsanlagen projektiert.
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
| Origin | Count |
|---|---|
| Bund | 318 |
| Europa | 1 |
| Land | 30 |
| Wissenschaft | 5 |
| Type | Count |
|---|---|
| Chemische Verbindung | 3 |
| Daten und Messstellen | 5 |
| Förderprogramm | 300 |
| Text | 40 |
| unbekannt | 5 |
| License | Count |
|---|---|
| geschlossen | 46 |
| offen | 305 |
| unbekannt | 2 |
| Language | Count |
|---|---|
| Deutsch | 305 |
| Englisch | 80 |
| Resource type | Count |
|---|---|
| Archiv | 1 |
| Datei | 5 |
| Dokument | 8 |
| Keine | 257 |
| Unbekannt | 6 |
| Webdienst | 1 |
| Webseite | 82 |
| Topic | Count |
|---|---|
| Boden | 221 |
| Lebewesen und Lebensräume | 336 |
| Luft | 154 |
| Mensch und Umwelt | 353 |
| Wasser | 160 |
| Weitere | 323 |