Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen
Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzensch...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | deu |
| Published: |
Julius Kühn-Institut
2020-03-01
|
| Series: | Julius-Kühn-Archiv |
| Subjects: | |
| Online Access: | https://www.openagrar.de/receive/openagrar_mods_00056667 |
| _version_ | 1827380911113502720 |
|---|---|
| author | Wellhausen, Christina Pflanz, Michael Pohl, Jan-Philip Nordmeyer, Henning |
| author_facet | Wellhausen, Christina Pflanz, Michael Pohl, Jan-Philip Nordmeyer, Henning |
| author_sort | Wellhausen, Christina |
| collection | DOAJ |
| description | Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. |
| first_indexed | 2024-03-08T13:46:26Z |
| format | Article |
| id | doaj.art-8531592cf7424664bc9cb86ff23e2899 |
| institution | Directory Open Access Journal |
| issn | 1868-9892 2199-921X |
| language | deu |
| last_indexed | 2024-03-08T13:46:26Z |
| publishDate | 2020-03-01 |
| publisher | Julius Kühn-Institut |
| record_format | Article |
| series | Julius-Kühn-Archiv |
| spelling | doaj.art-8531592cf7424664bc9cb86ff23e28992024-01-16T08:59:02ZdeuJulius Kühn-InstitutJulius-Kühn-Archiv1868-98922199-921X2020-03-0146422222710.5073/jka.2020.464.034Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in FeldaufnahmenWellhausen, Christina0Pflanz, Michael1Pohl, Jan-Philip2Nordmeyer, Henning 3Julius Kühn-Institut, Bundesforschungsinstitut für Kulturpflanzen, Institut für Pflanzenschutz in Ackerbau und Grünland, DeutschlandJulius Kühn-Institut, Bundesforschungsinstitut für Kulturpflanzen, Institut für Pflanzenschutz in Ackerbau und Grünland, DeutschlandJulius Kühn-Institut, Institut für Anwendungstechnik im Pflanzenschutz, DeutschlandJulius Kühn-Institut, Bundesforschungsinstitut für Kulturpflanzen, Institut für Pflanzenschutz in Ackerbau und Grünland, DeutschlandModerne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt.https://www.openagrar.de/receive/openagrar_mods_00056667assistance systemimage recognitionsite-specific weed controlweed distribution maps |
| spellingShingle | Wellhausen, Christina Pflanz, Michael Pohl, Jan-Philip Nordmeyer, Henning Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen Julius-Kühn-Archiv assistance system image recognition site-specific weed control weed distribution maps |
| title | Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
| title_full | Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
| title_fullStr | Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
| title_full_unstemmed | Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
| title_short | Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
| title_sort | generierung von unkrautverteilungskarten auf der basis automatischer annotierungen in feldaufnahmen |
| topic | assistance system image recognition site-specific weed control weed distribution maps |
| url | https://www.openagrar.de/receive/openagrar_mods_00056667 |
| work_keys_str_mv | AT wellhausenchristina generierungvonunkrautverteilungskartenaufderbasisautomatischerannotierungeninfeldaufnahmen AT pflanzmichael generierungvonunkrautverteilungskartenaufderbasisautomatischerannotierungeninfeldaufnahmen AT pohljanphilip generierungvonunkrautverteilungskartenaufderbasisautomatischerannotierungeninfeldaufnahmen AT nordmeyerhenning generierungvonunkrautverteilungskartenaufderbasisautomatischerannotierungeninfeldaufnahmen |