Automatisierte flugrobotergestützte Unkrauterkennung als Voraussetzung für eine teilflächenspezifische Herbizidbehandlung im Ackerbau. (German)

Recent developments in crop protection technology have provided the possibility to carry out herbicide measures on specific sub-areas in arable farming. Another prerequisite are exact weed distribution maps, which ideally not only distinguish between useful plants and weeds, but also show a species-specific spatial distribution. At present, this can only be achieved by manual field sampling, which is very labour- and cost-intensive. This is a great opportunity and at the same time a challenge for an automated recognition of different main weeds species on the basis of aerial photographs generated by unmanned aircraft systems (UAS). The study presented here uses aerial photographs taken with an UAS driven at low altitude to provide sufficient ground resolution for object-based differentiation of individual weeds. Based on these images, an image classifier was tested that was able to differentiate individual weed species. Using a Bag-of-Visual-Words approach (BoVW), support vector machines were trained after creating a visual dictionary of local object characteristics from more than 20.000 individual weed images. A total of 108 aerial photographs at flight altitudes between 1 and 6 m were taken over a test field of the institute for validating the trained BoVW models. Within these UAS images, weed plants, wheat and soil were annotated as separate categories. The results show that the BoVW model allows the differentiation of individual plants with high accuracy for Matricaria recutita L. (89%), Papaver rhoeas L. (89%), Viola arvensis M. (88%) and Winter wheat (94%). For site-specific weed control, the automatically classified UAS images would allow the selection of the correct herbicide based on the distribution of predicted weed species. [ABSTRACT FROM AUTHOR]

Moderne digitalisierte Pflanzenschutztechnik bringt inzwischen eine der technologischen Voraussetzungen mit, um im Ackerbau Herbizidmaßnahmen teilflächenspezifisch durchführen zu können. Eine weitere Voraussetzung sind exakte Unkrautverteilungskarten, die im Idealfall nicht nur zwischen Nutzpflanze und Unkraut unterscheiden, sondern auch eine artspezifische räumliche Verteilung zeigen. Dies ist gegenwärtig nur durch manuelle Feldbonituren zu leisten, was sehr arbeits- und kostenaufwendig ist. Hier liegt eine große Chance und zugleich Herausforderung für eine automatisierte Erkennung verschiedener Leitunkräuter auf Basis von flugroboter-generierten Luftbildern. Das hier vorgestellte Projekt verwendet Luftbildaufnahmen, die mit einem unbemannten Flugsystem (UAS) in geringer Flughöhe aufgezeichnet wurden, um eine ausreichende Abbildungsleistung für die objektbasierte Unterscheidung einzelner Unkräuter zu liefern. Auf Basis dieser Luftbilder wurde ein Bildklassifikator getestet, der mehrere Unkrautarten unterscheiden kann. Mit Hilfe eines Bag-of-visual-Word-Ansatzes (BoVW) wurden Support-Vektor-Maschinen trainiert, nachdem aus mehr als 20.000 Einzelbildern von Unkräutern lokale Objektmerkmale extrahiert wurden. Die trainierten BoVW-Modelle wurden schließlich auf Testluftbildern validiert, die über einem Versuchsfeld des Julius Kühn-Institutes an insgesamt 108 Punkten in Flughöhen zwischen 1 und 6 m mit einem UAS aufgenommen wurden. Aus den UAS-Bildern wurden Unkraut- und Kulturpflanzen (Winterweizen) und Boden als separate Kategorien annotiert und für den Test und die Validierung der Modelle verwendet. Die Ergebnisse zeigen, dass der BoVW-Ansatz eine Unterscheidung einzelner Unkrautpflanzen mit hoher Genauigkeit für Matricaria recutita L. (89 %), Papaver rhoeas L. (89 %), Viola arvensis M. (88 %) und Winterweizen (94 %) ermöglicht. Auf diese Weise automatisch klassifizierte UAS-Bilder könnten eine standortspezifische Unkrautbekämpfung ermöglichen und würden eine teilschlagspezifische Herbizidauswahl basierend auf der Verteilung der vorhergesagten Unkrautarten unterstützen. [ABSTRACT FROM AUTHOR]

Copyright of Bornimer Agrartechnische Berichte is the property of Leibniz-Institut fur Agrartechnik und Biookonomie e.V. and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)