Alternaria mit Drohnen erkennen

Drohnen können Kartoffelbauern helfen, Alternaria schnell zu erkennen. Dies sagte Ruben van de Vijver vom Institut für Agrar-, Fischerei- und Lebensmittelforschung (ILVO) während der belgischen Kartoffelmesse Interpom.

ILVO experimentiert seit einiger Zeit mit der Erkennung von Alternaria mit Sensoren, Drohnen und künstlicher Intelligenz. „Wir versuchen, dem Züchter über die Drohne mehr Informationen, eine bessere Übersicht zu geben“, sagt der Forscher. Es wird nicht so weit kommen, dass künstliche Intelligenz das Fachwissen des Züchters vollständig ersetzen kann, fügte er hinzu.

Frühes Stadium

Auch über Drohnen lassen sich Pilzflecken schnell erkennen. „Sensoren an den Drohnen helfen, die Krankheit im Feld so früh wie möglich zu erkennen“, sagt Van de Vijver. „Dank künstlicher Intelligenz sieht man die Pilzkrankheit bereits an einer Pflanze. Das ist viel schneller, als der Züchter sehen kann, er sieht es normalerweise nur, wenn große Flächen befallen sind. Es ist wichtig, die Krankheit abzutöten, sobald sie in Ihrer Pflanze ist, und je früher Sie sie anstecken, desto mehr können Sie ihre Auswirkungen begrenzen. Dank dieser Früherkennung kann der Züchter mit gezieltem Sprühen effektiv und mit begrenzten Umwelt- und finanziellen Auswirkungen eingreifen.“

Ergebnisse per Tablet

Dank dieser Technologie erhält der Ackerbauer über ein Tablet mehr Informationen und einen Überblick, wo sich die Krankheit im Feld befindet. Die Absicht ist, dass er weniger und präziser sprühen kann. „Der Züchter kann das Sprühen überspringen oder um ein paar Tage verschieben. Kartoffeln werden je nach Wetter zwischen 10 und 18 Mal besprüht. Wenn man ein Sprühen um zwei Tage verschieben kann, bedeutet das einen riesigen Gewinn.“

Automatische Erkennung von Frühfäule, verursacht durch Alternaria solani Dies könnte zu einer drastischen Reduzierung des Verbrauchs von Pflanzenschutzmitteln und der damit verbundenen Produktionsverluste führen. Eine nahnahe Sensorplattform wurde entwickelt und kalibriert, um hochauflösende hyperspektrale Bilder im Feld zu erfassen und Alternaria-Läsionen präzise zu kartieren. Hochauflösende Reflexionsbilder des Pflanzenbestands wurden für 32 mit A. solani infizierte Kartoffelpflanzen und 32 gesunde Referenzpflanzen aufgenommen.

Spektralklassifikatoren wie Partial Least Squares Diskriminanzanalyse (PLS-DA) und Unterstützung vector Maschinen (SVM) basierend auf PCA-Scores wurden getestet, um betroffene und nicht betroffene Pixel zu unterscheiden. Beide Spektralklassifizierer zeigten auf Pixelebene gute Ergebnisse mit Genauigkeiten über 0.92. Der NIR-Bereich (750 nm) wurde als der am besten diskriminierende Teil des Spektrums zur Erkennung der Läsionen identifiziert. Da der Krankheitsdruck normalerweise als Anzahl der Läsionen pro Fläche ausgedrückt wird, wurde die Genauigkeit auch auf dieser Ebene bewertet.

Dies deutete auf eine beträchtliche Anzahl von Fehldetektionen an den Blatträndern und den Blattachseln hin. Daher wurde ein Entscheidungsbaum basierend auf Expertenwissen über die Form von Alternaria-Läsionen entworfen und verwendet, um die klassifizierten Bilder nachzubearbeiten. Dies reduzierte die Anzahl der Fehlerkennungen und erhöhte die Präzision von 0.17 auf 0.22 auf Kosten einer Reduzierung des Rückrufs von 0.88 auf 0.84. Dies lässt erheblichen Raum zur Verbesserung der Klassifizierungsgenauigkeit auf Objektebene. Wir haben gelernt, dass (1) wenige, breite Wellenlängen ausreichend sind und (2) der räumliche Kontext für die Erkennung von Läsionen, die durch eine Alternaria-Infektion verursacht werden, wesentlich ist.

Die Anwendung leistungsfähigerer Objektklassifizierungstechniken, wie z. B. neuronaler Faltungsnetze, um die Modellleistung durch effizientes Einkapseln des räumlichen Kontexts in den Klassifikator zu verbessern, könnte die Erkennungsleistung weiter verbessern. Dies könnte den Weg zu einem UAV- oder traktorbasierten Alternaria-Mapping ebnen.

/Clever