28.04.2022, 13:00 Uhr
Durchführung per Videokonferenz
Thema: „Digital Field Twin for Weed Detection“
Kurzfassung:
Kamerabasierte Systeme in der Landwirtschaft können die Menge an benötigten Unkrautbekämpfungsmitteln
reduzieren. Die Systeme müssen dabei beurteilen können, ob es sich
bei einer Pflanze um Unkraut oder eine Nutzpflanze handelt. Die Grundlage hierfür sind
Neuronale Netze, die sich ihr "Wissen" auf Basis von Daten aneignen. Diese Daten müssen
zunächst gesammelt und anschließend aufbereitet werden. Die Aufbereitung dieser Daten
ist in der Regel sehr zeitintenstiv und benötigt in vielen Fällen spezifisches Fachwissen.
Die gegenständliche Masterarbeit beschäftigt sich mit dem Einsatz von Neuronalen Netzen
für die Erkennung von Unkraut auf Fotos eines Ackers. Es wird aufgezeigt, dass Datensets
erweitert werden können, indem die Pflanzen (Unkräuter und Nutzpŕanzen) aus den
Bildern ausgeschnitten, in einer Datenbank gespeichert und in anderer Form wieder
zusammengesetzt werden. Diese neu generierten Datensets werden "Digital Field Twin"
genannt und erzielen genauere Ergebnisse bei der Segmentierung von neuem Bildmaterial
der selben Nutzpflanze. Diese Bilder können einer bestehenden Datenbank entnommen
werden oder von Landwirten am Feld mittels Smartphone aufgenommen werden. Für
Letzteres wurde ein eigener Arbeitsablauf erstellt und implementiert, welcher den Anwender
am Smartphone durch den Prozess des Fotografierens und Beschriften einer neuen
Pflanze führt. Das Sammeln neuer Daten bedarf keiner händischen Kennzeichnung der
Pflanzen im Bild. Am Beispiel eines echten Sojafeldes wird in der Arbeit aufgezeigt, dass
mit den Daten, die mit einem Smartphone in einem Teilstück des Feldes aufgenommen
wurden, ein Model trainiert werden kann, welches Bilder von anderen Teilstücken des
Feldes mit hoher Genauigkeit segmentieren kann.