Forschungs- und Innovationsprojekt EWIS
Erkennung von Unkraut in Sorghum durch künstliche Intelligenz

In diesem Projekt sollen innovative Ansätze der smarten Digitalisierung zur automatischen Unkrauterkennung mittels Fernerkundung auf landwirtschaftlichen Nutzflächen untersucht und entwickelt werden. Dabei soll Sorghum als Nachwachsender Rohstoff zur Untersuchung der Forschungsfragen verwendet werden.
Mit Hilfe von modernsten Verfahren der künstlichen Intelligenz (KI) und des maschinellen Lernens sollen drohnenbasierte Bildaufnahmen der Anbauflächen analysiert werden. Ziel dieses Projekts ist es, nicht nur etablierte KI-Verfahren zu untersuchen und deren Anwendbarkeit zu evaluieren, sondern auch neuartige Methoden zu entwickeln, welche mit möglichst hoher Genauigkeit Unkrautflächen im Bestand erkennen und lokalisieren können. Die entwickelten KI-Verfahren könnten in Zukunft dabei helfen, effizientere und zielorientiertere Unkrautbekämpfung durchzuführen und somit den Einsatz von Pflanzenschutzmitteln zu reduzieren.

Zur automatischen Klassifikation und Erkennung von Unkrautherden beim Anbau von Sorghum und Mais werden höchstmoderne Verfahren der künstlichen Intelligenz, insbesondere des maschinellen Lernens, untersucht und weiterentwickelt. Zum einen sind hoch-qualitative Bilddaten von Einzelpflanzen nötig. Zum anderen soll eine Vielzahl an Befliegungen von unterschiedlichsten Anbauflächen mit unterschiedlichsten Sensoren und Drohnentypen (professionelle Geräte vs. Hobbygeräte) durchgeführt werden, um einen genügend großen sowie variablen Stamm an hochwertigen Trainings- und Testdaten zu generieren.
Dabei werden zahlreiche moderne Verfahren des maschinellen Lernens untersucht und auf deren Anwendbarkeit zur automatischen Unkrauterkennung evaluiert. Diese Verfahren sollen dann gezielt weiterentwickelt und optimiert werden, um akkuratere Bildanalysen und Vorhersagen über Unkrautherde treffen zu können.

Wir konnten gezielt zu unterschiedlichen Umgebungsbedingungen (bewölkt, sonnig sowie windig bzw. nicht windig) und unter Verwendung verschiedener Drohnenhardware, Mapping Software und Einstellungen fliegen. In den anfangs erzeugten Bildern stellte sich die Unschärfe als Problem für die Annotation und spätere Bilderkennung heraus. Um die beim Überflug auftretende Bewegungsunschärfe umfassend zu reduzieren, wurde der Hover- und Capture-Modus getestet und für das Projekt optimiert. Dabei fotografiert die Drohne nicht während des Fluges, sondern schwebt in festgelegter geringstmöglicher Höhe über jedem Aufnahmepunkt und löst erst dann aus. Diese Flugmethodik führte zur besten Bildqualität und wird im folgenden Projektverlauf dauerhaft eingesetzt.

Um moderne Bilderkennungsmodelle in der künstlichen Intelligenz zu evaluieren, haben wir uns auf einige kürzlich veröffentlichte KI-Methoden zur Objekterkennung (SSD, SSP-net und YOLO) und semantischen Segmentierung (SegNet, R-FCN, LR-ASPP, U-Net, Mask R-CNN und DeepLab) konzentriert. Von größtem Interesse für uns im ersten Projektjahr ist das U-Net-Modell. Es wurde ursprünglich für die biomedizinische Forschung entwickelt, wurde aber erfolgreich auf anderen Gebieten angewendet. Der Vorteil liegt in der guten Klassifizierungsqualität bei relativ kleinen Datenmengen.
Das trainierte U-Net Modell wurde auf den 20 % unbekannten Testdaten evaluiert. Die Klassifikationsgüte, in diesem Fall die pixelgenaue Übereinstimmung, betrug im Durchschnitt 78 %. Es zeigt sich, dass 59 % des Unkrauts auch als solches erkannt wurde. Zudem wurden über 99 % des Ackers und ca. 76 % des Sorghums richtig klassifiziert. Weitere Analysen haben gezeigt, dass der Acker über alle Bilder hinweg 97,2 % der Fläche einnimmt und somit die am häufigsten vorkommende Klasse ist. Lediglich 2,1 % der Fläche ist dem Sorghum und 0,7 % dem Unkraut zuzuordnen.

Im ersten Jahr des Projekts konnte gezeigt werden, dass Drohnenaufnahmen in Verbindung mit künstlicher Intelligenz zur Unkrauterkennung auf dem Feld eingesetzt werden können. Bereits einfache Modelle des maschinellen Lernens können Unkraut von Nutzpflanze (hier Sorghum) mit einer Pixelgenauigkeit von ca. 80 % unterscheiden. Die größte Herausforderung in diesem Projekt ist es, eine fundierte Datengrundlage zu schaffen, die verschiedene Wachstumsstadien der Pflanzen bei unterschiedlichen Witterungsverhältnissen enthält. Erst dadurch ist es möglich, die Vielzahl der in der Literatur beschriebenen Modelle zu vergleichen und weiterzuentwickeln. Die Annotation der Aufnahmen stellt sich hierbei als unerwartet zeitaufwändig heraus. Deswegen werden in diesem Projekt semi-automatische Tools entwickelt, die das Annotieren vereinfachen sollen.