Unkrauterkennung und Kartierung zur automatischen Applikationskartenerstellung im Pflanzenschutz

Autor/innen

  • Christoph Kämpfer Julius Kühn-Institut (JKI) – Bundesforschungsinstitut für Kulturpflanzen, Institut für Pflanzenschutz in Ackerbau und Grünland, Braunschweig
  • Lena Ulber Julius Kühn-Institut (JKI) – Bundesforschungsinstitut für Kulturpflanzen, Institut für Pflanzenschutz in Ackerbau und Grünland, Braunschweig
  • Christina Wellhausen KWS SAAT SE & Co. KGaA, Einbeck
  • Michael Pflanz Julius Kühn-Institut (JKI) – Bundesforschungsinstitut für Kulturpflanzen, Institut für Pflanzenschutz in Ackerbau und Grünland, Braunschweig; Leibniz-Institut für Agrartechnik und Bioökonomie e. V. (ATB), Potsdam

DOI:

https://doi.org/10.5073/JfK.2021.05-06.04

Schlagworte:

Unkrauterkennung, Unkrautverteilungskarten, teilflächenspezifischer Pflanzenschutz, maschinelles Lernen, künstliche Intelligenz, Bildverarbeitung

Abstract

Für eine künftig umweltverträgliche und teilflächen­spezifische Anwendung von Herbiziden ist eine genaue Kenntnis über die Zusammensetzung und die räumliche Verteilung von Nutzpflanzen und Unkräutern auf Ackerflächen erforderlich. Sind diese Informationen bekannt, können sie in Unkrautverteilungskarten abgebildet werden und dienen dann als Basis für die Erstellung von Appli­kationskarten. Eine bislang fehlende Prozesskette beginnend beim Pflanzenmonitoring auf dem Acker, über Methoden zur automatischen Identifizierung von Einzelpflanzen und der Generierung von Verteilungskarten wurden erstmals durchlaufen. Hierzu wurden im Projekt „Assistenzsystem zur teilflächenspezifischen Applikation von Pflanzenschutzmitteln (AssSys)“ manuelle Kamera-gestützte Feld- und Halbfreilandbonituren typischer Verunkrautungssituationen und Feldbefliegungen mit einem Multicopter genutzt, um die Position und die Bestandsdichten von Unkräutern und Kulturpflanzen zu bestimmen und zu kartieren. Die Segmentierung aller Aufnahmen erfolgte manuell mit einer eigenständig entwickelten Software zur Annotation von Bilddaten und nach dem Training von umfangreichen Datensätzen auto­matisch mit Methoden des maschinellen (Bag-of-visual Words) und tiefen Lernens (Convolutional Neural Networks). Es zeigte sich, dass die getesteten Algorithmen für eine Vorhersage von ein- und zweikeimblättrigen Pflanzenarten geeignet sind. Die aus den Feldbonituren gewonnenen Daten wurden in Applikationskarten überführt und von den Partnern des Projektes genutzt, um in praxisnahen Feldversuchen teilflächenspezifische, selektive Unkrautbekämpfungsmaßnahmen mit einem Direkteinspeisungssystem durchzuführen.

Downloads

Veröffentlicht

2021-06-01