Künstliche Intelligenz und Drohnen: Automatisierte Beikrautidentifikation in Sorghumfeldern

Beikräuter sind Pflanzen, die auf landwirtschaftlichen Flächen wachsen und durch Ressourcenkonkurrenz den Ertrag und die Qualität der Ernte verringern. Zur Bekämpfung der Beikräuter stehen verschiedene Strategien und Maßnahmen zur Verfügung. Am häufigsten werden dabei Herbizide eingesetzt, obwohl Risiken für die menschliche Gesundheit und die Umwelt bekannt sind. Zur Einsparung der Pflanzenschutzmittel wird daher ein standortspezifisches Beikrautmanagement empfohlen. Dafür ist eine präzise Erkennung und Klassifizierung von Beikräutern erforderlich. Unbemannte Luftfahrzeuge (Unmanned Aereal Vehicle = UAV) sind nützliche Werkzeuge zur Erfassung hochauflösender Felddaten für die Bildsegmentierung mit Deep-Learning-Methoden. Im Gegensatz zu anderen Bildaufnahmesystemen wie konventionellen Kameras, Satelliten und Flugzeugen sind UAVs kostengünstig, schnell und erfassen aufgrund geringerer Flughöhe hochwertige Bilder ohne eine Störung durch Wolken.
In diesem Projekt wurde die Eignung von UAVs für die Erzeugung von Felddaten für die Früherkennung von Beikraut in Sorghum untersucht. Unterschiedliche Aufnahmebedingungen und UAV-Einstellungen wurden evaluiert, um die Bildqualität zu optimieren. Diese Bilder wurden anschließend manuell annotiert, was zu einem großen, vielfältigen und hochwertigen UAV-Beikrautdatensatz für Sorghum führte. Mithilfe dieses Datensatzes wurden mehrere moderne Deep-Learning-Modelle trainiert und auf ihre Generalisierungsfähigkeit unter Berücksichtigung von Faktoren wie Bewegungsunschärfe, direkter Sonneneinstrahlung und unterschiedlichen Wachstumsstadien, getestet.
Die entwickelten Modelle waren in der Lage, dikotyle Beikräuter in einer Vielzahl von Drohnenbildern und Wachstumsstadien von Sorghum mit hoher Genauigkeit zu erkennen, hatten jedoch Schwierigkeiten mit monokotylen Beigräsern. Um Bewegungsunschärfe zu vermindern, welche als eine der Hauptfaktoren für Qualitätsverluste gilt, wurde ein zweistufiges Deep-Learning Verfahren entwickelt. Dieses verbessert vor der Segmentierung die Bildqualität. Darüber hinaus erfolgte die Entwicklung eines generativen Modells, um künstliche Bilder von Beikräutern und die dazugehörigen Segmentierungsmasken zu erzeugen. Diese generierten Bildpaare können dann verwendet werden, um neue KI-Modelle für die Beikrautsegmentierung zu trainieren, wenn die Trainingsdaten spärlich sind.
Schließlich wurde ein Anpassungstest für Mais durchgeführt, um die Übertragbarkeit des Modells auf andere Kulturarten zu überprüfen. Es zeigte gute Ergebnisse in frühen Wachstumsstadien (BBCH 13 und 15), jedoch war die Unterscheidung zwischen Mais und Beikräutern in späteren Wachstumsstadien eingeschränkt. Dies weist auf den weiteren Forschungsbedarf hin.