Efficiënt trainen van artificiële intelligentie voor de agrovoedingssector door middel van synthetische hyperspectrale data

Het gebruik van hyperspectrale beelden om voedselkwaliteit te bepalen heeft in de afgelopen twee decennia toenemende aandacht gekregen. Daarnaast zijn er de afgelopen jaren veelbelovende ontwikkelingen in het gebruik van deep learning voor beeldverwerking. Om deep learning te kunnen toepassen is er echter de nood aan een zeer grote, diverse dataset. Doordat het verzamelen van hyperspectrale beelden zeer tijdsintensief is, en er een grote variëteit aan groeten en fruit is, vormt dit een drempel om de nodige datasets te verzamelen en deep learning toe te passen voor de bepaling van voedselkwaliteit met hyperspectrale data. In dit doctoraat worden de mogelijkheden onderzocht om op synthetische wijze hyperspectrale beelden te genereren. De ontwikkeling van een flexibel framework om synthetische data te genereren zou de drempel om deep learning toe te passen voor de kwaliteitsbepaling van groenten en fruit op basis van hyperspectrale data moeten verlagen en de inzetbaarheid ervan verhogen.