Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen

Wellhausen, Christina GND; Pflanz, Michael GND; Pohl, Jan-Philip GND; Nordmeyer, Henning GND

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.

Modern application systems, e.g. multi-chamber systems, now allow the choice of herbicides and herbicide dose rates, which are adapted to a spatially variable weed distribution. Besides suitable plant protection equipment, the implementation of site-specific application requires the integration of the large amount of information that characterises an individual site. For this purpose an assistance system is being developed, which will also contain information about weed distribution. One approach to generate weed distribution maps, which are essential for site-specific herbicide application, is the use of models based on machine learning. Such a Bag-of-Visual-Word (BoVW) approach was already applied on UAV (unmanned aerial vehicle) images and successfully used for the recognition of few weed species. To generate weed distribution maps with a larger weed spectrum, however, the analysis of larger data sets is necessary, which requires the use of deep learning algorithms. The suitability of these algorithms was tested in this study applying convolutional neural nets (CNN)s to images generated in field trials. The classifier showed an overall accuracy of >84%, except for speedwell species (VERSS). When applying the CNN models on images acquired at low altitudes, it was shown that the tested algorithms are generally suitable for a correct prediction of different plant and soil classes. However, if the amount of blackgrass (ALOMY) present in the images was low, the predicted area size for ALOMY was significantly overestimated.

Cite

Citation style:

Wellhausen, Christina / Pflanz, Michael / Pohl, Jan-Philip / et al: Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen. 2020. Julius Kühn-Institut.

Rights

Use and reproduction:

Export