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

Nahaufnahme einer schwarzen Drohne, die mit einer RGB- und einer Multispektralkamera ausgestattet ist.

Bild: Tobias Hase/StMELF

Sorghum wird in Bayern als Energiepflanze vor allem für die Biogasproduktion angebaut. Die hohe Biomasseleistung und die große Sortenvarietät in Verbindung mit seiner Trockenheitstoleranz und Nährstoffeffizienz machen Sorghum zu einer vielversprechenden Rohstoffpflanze.
Neuartige Technologien, verknüpft mit intelligenter Software, eröffnen große Potentiale im Bereich der Effizienzsteigerung in der Landwirtschaft. Mit Hilfe von modernsten Verfahren des maschinellen Lernens (z. B. künstliche neuronale Netze/Deep Learning) sollen drohnenbasierte Bildaufnahmen der Anbauflächen analysiert und Unkraut erkannt werden.

Ziel

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.

Methode/Arbeitsschwerpunkte

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.

Einblicke in das Projekt

Eine schwarze Drohne schwebt vor der TFZ Versuchsfläche mit zwei Wissenschaftlern, die die Drohne fliegen, im Hintergrund.

Drohnenbefliegung
Bild: Tobias Hase/StMELF

Nahaufnahme einer schwarzen Drohne, die mit einer RGB- und einer Multispektralkamera ausgestattet ist.

Drohne
Bild: Tobias Hase/StMELF

Schwarze Drohne fliegt über einen jungen Sorghumbestand

Drohnenbefliegung

In einer Software werden mit Hilfe von Bilderkennungstools die Sorghum- von Unkrautpflanzen unterschieden und farblich maskiert.

Annotationsvorgang

Projektinformationen:
Projekttitel: Evaluierung und Weiterentwicklung moderner Verfahren der künstlichen Intelligenz zur automatischen Erkennung von Unkraut in Sorghum mit Hilfe von Drohnen
Projektleitung: Michael Grieb
Projektbearbeitung: Raymond Ajekwe
Projektlaufzeit: 01.05.2020–30.04.2023
Geldgeber: Bayerisches Staatsministerium für Ernährung, Landwirtschaft und Forsten
Projektpartner: Prof. Dr. Dominik Grimm, Nikita Grenze, Hochschule Weihenstephan-Triesdorf (HSWT), TUM Campus Straubing; Dr. Wouter Vahl‚ Dr. Jennifer Groth, Institut für Pflanzenbau und Pflanzenzüchtung (IPZ) der Bayerischen Landesanstalt für Landwirtschaft (LfL)
Förderkennzeichen: G2/N/19/13
Logo Bayerisches Staatsministerium für Ernährung, Landwirtschaft und Forsten