Infested weed that needs treatment
Erkennung von Schädlings- und Unkrautbefall
Hintergrund
Die Sicherung des Ertrags von Nutzpflanzen und der Qualität landwirtschaftlicher Flächen erfordert eine schnelle Erkennung von Schädlings- und Unkrautbefall, um einen großflächigen Befall zu verhindern und gezielte Pestizide einzusetzen, z.B. durch Präzisionslandwirtschaft.
Auch im Hinblick auf den Klimawandel und die entsprechenden Auswirkungen, wie z.B. die sich verändernde Flora und Fauna und Bodenbeschaffenheit, kann ein automatisiertes Erkennungssystem den Landwirten helfen, umweltfreundliche und effiziente Bekämpfungsmethoden anzuwenden.
Herausforderungen
Die Überwachung landwirtschaftlicher Nutzflächen und die automatische Erkennung von Schädlings- und Unkrautbefall kann mit Hilfe eines Mschine Learning (ML) Modells gelöst werden, das Satelliten- und UAV-Bilder verarbeitet, die zur Echtzeit- und automatisierten Überwachung landwirtschaftlicher Flächen verwendet werden und Daten im sichtbaren und Radarspektrum liefern.
Ein solches Modell ist in der Lage, Muster in den Bilddaten zu erkennen, wie z.B. durch Unkraut- und Schädlingsbefall verursachte Farb- und Formveränderungen der Flächen, und klassifiziert die verschiedenen Objekte nach ihrer Vegetation oder Befallsart.
Um genaue und zuverlässige Ergebnisse zu erzielen, ist jedoch ein großer Datensatz erforderlich, der alle wichtigen Befallsarten in verschiedenen Stadien abdeckt, was nach wie vor die größte Herausforderung für die automatisierte Erkennung von Unkraut- und Schädlingsbefall darstellt.
Auch die Beschaffung von UAV- oder Drohnenbildern ist zumindest in den kommenden Jahren sehr kostspielig, sodass automatisiertes Feldmanagement und Precision Farming mit Drohnen in den kommenden Jahren nicht realisierbar sein werden. Satellitenbilder, zumindest frei zugängliche Satellitenbilder, verfügen jedoch nicht über die erforderliche räumliche Auflösung, um Schädlingsbefall in einem frühen Stadium zu erkennen, und sind möglicherweise erst in späteren Stadien des Befalls durchführbar.
Lösungsansatz
Die Erkennung von Schädlings- und Unkrautbefall erfordert einen ML-Algorithmus zur Bildsegmentierung und -klassifizierung, um verschiedene Objekte und Muster in den Bilddaten zu erkennen und zu klassifizieren. Solche Computer Vision Aufgaben werden in der Regel durch spezielle Convolutional Neural Networks (CNN) gelöst, wie z.B. U-Net- oder Mask R-CNN-Architekturen.
Diese sind in der Lage, Farb- und Formunterschiede der landwirtschaftlichen Flächen zu erkennen und können sowohl Befallsflächen auf der Basis von gelabelten Trainingsdaten als auch die Befallsarten aufgrund ihres Einflusses auf die Nutzpflanzen und die Vegetation identifizieren.