Evaluierung und Weiterentwicklung moderner Verfahren der künstlichen Intelligenz zur automatischen Erkennung von Unkraut in Sorghum mit Hilfe von Drohnen (EWIS)

Ausgangssituation und Ziele des Verbundprojektes

Neuartige Technologien, verknüpft mit intelligenter Software, eröffnen große Potentiale im Bereich der Effizienzsteigerung in der Landwirtschaft. Durch den integrierten Pflanzenschutz, der aus biologischer Bekämpfung, Wirtspflanzenresistenz und angepassten Anbaupraktiken besteht, wird der Einsatz von Pflanzenschutzmitteln auf ein Minimum reduziert. Dies kann eine optimale Lösung für die Zukunft der Landwirtschaft darstellen, da es Erträge sichert, Kosten senkt, umweltfreundlich und nachhaltig ist. Kürzlich wurde die Reduzierung des Einsatzes von Pflanzenschutzmitteln um 50 % bis zum Jahr 2028 als Ziel der Bayerischen Staatsregierung im Maßnahmenpaket zugunsten der Artenvielfalt und Naturschönheiten in Bayern festgelegt. Die Strategie für die Umsetzung ist eine Kombination aus biologischem Landbau, Beratung und Digitalisierung.

In diesem Projekt sollen innovative Ansätze der smarten Digitalisierung zur automatischen Unkrauterkennung mittels Fernerkundung auf landwirtschaftlichen Nutzflächen untersucht und entwickelt werden. Dabei wird Sorghum als Nachwachsender Rohstoff zur Untersuchung der Forschungsfragen verwendet. Sorghum dient als Energiepflanze und wird vor allem für die Biogasproduktion angebaut. Gerade unter den extremen Witterungsbedingungen der letzten Jahre mit heißen und trockenen Sommern konnte Sorghum den aktuellen klimatischen Veränderungen trotzen. Die hohe Biomasseleistung und die große Sortenvarietät in Verbindung mit seiner Trockenheitstoleranz und Nährstoffeffizienz machen Sorghum zu einer vielversprechenden Rohstoffpflanze. Laut den INVEKOS-Daten wurde Sorghum in 2018 auf ca.1.500 ha angebaut, was die Bedeutsamkeit als Nachwachsender Rohstoff verdeutlicht.

Mit Hilfe von modernsten Verfahren der künstlichen Intelligenz (KI) und des maschinellen Lernens (z. B. künstliche neuronale Netze/Deep Learning) sollen drohnenbasierte Bildaufnahmen der Anbauflächen analysiert werden. Ziel dieses Projekts ist es, nicht nur etablierte Kl-Verfahren zu untersuchen und deren Anwendbarkeit zu evaluieren, sondern auch neuartige Methoden zu entwickeln, welche mit möglichst hoher Genauigkeit Unkraut- und Ungrasflächen im Bestand erkennen und lokalisieren können. ln einem zweiten Schritt soll dieses Verfahren auf Mais übertragen werden. Die entwickelten KI-Verfahren könnten in Zukunft dabei helfen, effizientere und zielorientiertere mechanische Unkrautbekämpfung (z. B. durch Hackroboter) durchzuführen und somit den Einsatz von Pflanzenschutzmitteln zu reduzieren.

Publikationen

Deep Learning-based Early Weed Segmentation using Motion Blurred UAV Images of Sorghum Fields

Genze, N.; Ajekwe, R.; Güreli, Z.; Haselbeck, F.; Grieb, M.; Grimm, D. (2022)

Computers and Electronics in Agriculture 2022.
DOI: 10.1016/j.compag.2022.107388


Open Access
 

Weeds are undesired plants in agricultural fields that affect crop yield and quality by competing for nutrients, water, sunlight and space. For centuries, farmers have used several strategies and resources to remove weeds. The use of herbicide is still the most common control strategy. To reduce the amount of herbicide and impact caused by uniform spraying, site-specific weed management (SSWM) through variable rate herbicide application and mechanical weed control have long been recommended. To implement such precise strategies, accurate detection and classification of weeds in crop fields is a crucial first step. Due to the phenotypic similarity between some weeds and crops as well as changing weather conditions, it is challenging to design an automated system for general weed detection. For efficiency, unmanned aerial vehicles (UAV) are commonly used for image capturing. However, high wind pressure and different drone settings have a severe effect on the capturing quality, what potentially results in degraded images, e.g., due to motion blur. In this paper, we investigate the generalization capabilities of Deep Learning methods for early weed detection in sorghum fields under such challenging capturing conditions. For this purpose, we developed weed segmentation models using three different state-of-the-art Deep Learning architectures in combination with residual neural networks as feature extractors.

We further publish a manually annotated and expert-curated UAV imagery dataset for weed detection in sorghum fields under challenging conditions. Our results show that our trained models generalize well regarding the detection of weeds, even for degraded captures due to motion blur. An UNet-like architecture with a ResNet-34 feature extractor achieved an F1-score of over 89 % on a hold-out test-set. Further analysis indicate that the trained model performed well in predicting the general plant shape, while most misclassifications appeared at borders of the plants. Beyond that, our approach can detect intra-row weeds without additional information as well as partly occluded plants in contrast to existing research.

All data, including the newly generated and annotated UAV imagery dataset, and code is publicly available on GitHubhttps://github.com/grimmlab/UAVWeedSegmentation and Mendeley Data: https://doi.org/10.17632/4hh45vkp38.3

mehr

Beikrauterkennung mit Drohnen und künstlicher Intelligenz

Ajekwe, R.; Grieb, M.; Genze, N.; Grimm, D. (2021)

Schule und Beratung 2021 (8-10), S. 12-15.

 

Neuartige Technologien, verknüpft mit intelligenter Bildauswertung, eröffnen große Poten- ziale im Bereich der Effizienzsteigerung in der Landwirtschaft. Mit Hilfe von modernsten Ver- fahren des maschinellen Lernens (z. B. künstliche neuronale Netze) sollen drohnenbasierte Bildaufnahmen von Sorghum-Anbauflächen automatisch analysiert und Beikraut erkannt werden. Sorghum wird in Bayern als Energiepflanze vor allem für die Biogasproduktion an- gebaut. Die hohe Biomasseleistung und die große Sortenvarietät in Verbindung mit seiner Trockenheitstoleranz und Nährstoffeffizienz machen Sorghum zu einer vielversprechenden Rohstoffpflanze.

mehr