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 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.