Automatische Erkennung von Ernteköpfen mit künstlicher Intelligenz

Die jüngsten Fortschritte in der künstlichen Intelligenz (KI) neben Drohnen und Digitalkameras haben die Grenzen der intelligenten Landwirtschaft erheblich erweitert. Ein attraktiver Anwendungsfall für diese Technologien ist die Präzisionslandwirtschaft. Bei diesem modernen Ansatz der Landwirtschaft geht es darum, die Pflanzenproduktion zu optimieren, indem präzise Daten über Pflanzen und den Zustand des Feldes gesammelt und dann entsprechend gehandelt wird.

Beispielsweise können KI-Modelle durch die Analyse von Luftbildern von Feldfrüchten feststellen, welche Teile eines Feldes mehr Aufmerksamkeit benötigen, sowie den aktuellen Entwicklungsstand der Pflanzen.

Unter allen Ernteüberwachungsfunktionen, die KI ausführen kann, bleibt die Erntekopfzählung eine der am schwierigsten zu implementierenden. Bilder von Feldfrüchten enthalten dicht gepackte, sich wiederholende Muster, die normalerweise unregelmäßig sind und sich überlappen, was es für Deep-Learning-Modelle schwierig macht, bestimmte Pflanzenorgane automatisch zu erkennen. Idealerweise würde man solche Modelle mit Tausenden von manuell annotierten Bildern trainieren, in denen Pixel, die zu Ernteköpfen gehören, vorab spezifiziert sind. In der Praxis ist das Kommentieren von Freistellungsbildern jedoch äußerst mühsam und zeitaufwändig.

Um dieses Problem anzugehen, hat ein Forschungsteam, dem Assistenzprofessor Lingling Jin von der Universität Saskatchewan, Kanada, angehört, eine innovative Technik entwickelt, die das Training und die Entwicklung von Deep-Learning-Modellen vereinfachen kann. Ihr Ansatz, der in einem kürzlich veröffentlichten Artikel beschrieben wird Pflanzenphänomikkönnte eine breitere Einführung von KI in der Landwirtschaft fördern.

Um ihre Idee zu veranschaulichen, konzentrierte sich das Team auf die Identifizierung (oder „Segmentierung“) von Weizenköpfen in Erntebildern als beispielhaften Anwendungsfall. Ihre Strategie dreht sich um die Generierung eines synthetischen annotierten Datensatzes. Das heißt, anstatt Pixel, die zu Weizenköpfen gehören, in Hunderten von Bildern manuell zu markieren, haben sie einen bequemen Weg entwickelt, künstliche Bilder zu erzeugen, in denen die Weizenköpfe automatisch markiert werden.

Zunächst nahmen die Forscher kurze Videos von einem Weizenfeld und anderen Orten ohne Weizenpflanzen auf (auch „Hintergrund“-Videos genannt). Aus dem Filmmaterial des Weizenfelds extrahierten sie eine kleine Anzahl von Standbildern und kommentierten sie manuell, wobei sie alle Weizenköpfe identifizierten.

Dann nutzten sie Frames aus den Hintergrundvideos als Leinwand und erzeugten synthetische Weizenbilder, indem sie „Ausschnitte“ der manuell segmentierten Weizenköpfe darauf klebten. Dieser Ansatz ermöglichte es dem Team, mit minimalem Aufwand Tausende von Trainingsbildern für ein Deep-Learning-Modell zu erstellen.

Um das Modell, das auf einer angepassten U-Net-Architektur basierte, weiter zu verbessern, wandten die Forscher auch verschiedene Domänenanpassungstechniken an. Diese Techniken verfeinerten den Algorithmus so, dass er bei Bildern aus verschiedenen realen Weizenfeldern besser abschneiden würde, obwohl er hauptsächlich mit synthetischen Bildern trainiert wurde.

Zahlreiche Tests an einem Open-Access-Datensatz zeigten beeindruckende Genauigkeitsgewinne, wie Jin feststellt: „Unser Ansatz hat – und mit großem Leistungsabstand – ein neues, hochmodernes Modell für die Segmentierung von Weizenköpfen etabliert.“

Bemerkenswert ist, dass die in dieser Arbeit vorgestellten Techniken nicht auf die Identifizierung von Weizenköpfen beschränkt sind. In diesem Zusammenhang sagt Jin: „Obwohl wir die Nützlichkeit der vorgeschlagenen Methode für die Segmentierung von Weizenköpfen gezeigt haben, könnte sie auf andere Anwendungen angewendet werden, die ähnlich dichte, sich wiederholende Muster von Objekten aufweisen, wie z. B. die Segmentierung von Pflanzenorganen in anderen Pflanzenarten oder die Segmentierung von Molekülen Komponenten in Mikroskopiebildern.“ Daher zeichnet diese Arbeit eine glänzende Zukunft für Deep Learning sowohl in der Landwirtschaft als auch in anderen Bereichen.