Tomaten sind eine wichtige Nährstoffquelle und nach wie vor eine der am häufigsten angebauten Früchte weltweit. Intensive Gewächshauspraktiken erhöhen jedoch die Anfälligkeit für Krankheiten, was zu Ertragseinbußen von bis zu 30 % und einer Verschlechterung der Fruchtqualität führen kann.
Herkömmliche Methoden zur Anlagenüberwachung sind arbeitsintensiv und unter realen Bedingungen aufgrund von Umweltproblemen wie unterschiedlicher Beleuchtung und Hintergrundkomplexität oft ineffektiv. Eine Studie veröffentlicht In Pflanzenphänomik revolutioniert das Gewächshausmanagement und verhindert die Ausbreitung von Krankheiten.
Durch die Integration von Krankheitserkennung und Fruchtzählung in Echtzeit verspricht diese Innovation, nachhaltige Produktionspraktiken für eine der lebenswichtigsten Nutzpflanzen der Welt zu verbessern.
Die Forschung nutzte die Algorithmen YOLOX, NanoDet und YOLO-TGI, um die Genauigkeit der Erkennung von Tomatenkrankheiten und der Fruchtzählung zu bewerten. Verschiedene Detektoren wurden anhand eines umfassenden Datensatzes getestet und Konfidenzverteilungen für ungesunde Blätter, gesunde Blätter und Tomaten mithilfe von Geigendiagrammen visualisiert.
Die Ergebnisse zeigten, dass eine erhöhte Netzwerkkomplexität im Allgemeinen die Erkennungsgenauigkeit verbesserte. Konkret erzielte YOLOX-M eine optimale Leistung, wobei sich die Vertrauenswerte bei der Blatterkennung auf etwa 0,9 konzentrierten, während YOLOX-N eine schwächere Leistung mit Werten zwischen 0,2 und 0,7 zeigte, was wahrscheinlich auf seine leichte Struktur zurückzuführen ist.
Sowohl NanoDet als auch YOLO-TGI zeigten ähnliche Trends und erzielten robuste Werte über 0,4. Das YOLOX-Modell hatte mit 32,35 ms die schnellste Inferenzgeschwindigkeit und die höchste mittlere durchschnittliche Präzision (mAP) von 0,85, während NanoDet die kleinste Modellgröße aufwies und YOLO-TGI die niedrigsten FLOPs und Checkpoint-Gewichte erreichte.
Bei der Fruchtverfolgung lieferte der YOLO-TGI-S mit Byte-Track-Kombination eine überlegene Leistung mit einem R2 von 0,93 und einem RMSE von 9,17. Im Gegensatz dazu verzeichneten NanoDet-S und FairMot den niedrigsten R2 von 0,34. Zu den Herausforderungen gehörten Verdeckungen, Schwankungen der Umgebungsbeleuchtung und ID-Wechsel in Videostreams, die durch eine ID-Filterungsstrategie gemildert wurden.
Insgesamt erwies sich YOLO-TGI-S in Kombination mit Byte-Track als die effektivste Konfiguration und bot eine schnelle und genaue Lösung für die Echtzeitüberwachung des Tomatenpflanzenwachstums und die Ertragsschätzung.
Laut dem leitenden Forscher der Studie, Dr. Shangpeng Sun, „sind die Früherkennung von Krankheiten und eine genaue Ertragsschätzung von entscheidender Bedeutung für eine nachhaltige Landwirtschaft. Unser integriertes System stellt einen bedeutenden Fortschritt dar und bietet eine schnelle und präzise Überwachung, die an mehrere Kulturpflanzen angepasst werden kann.“ über Tomaten hinaus.“
Diese Forschung stellt einen Durchbruch in der automatisierten Agrarüberwachung dar. Durch die Bereitstellung einer skalierbaren, effizienten und schnellen Lösung zur Krankheitserkennung und Ertragsbewertung hat das System das Potenzial, moderne landwirtschaftliche Praktiken zu verändern und globale Bemühungen zur Ernährungssicherheit zu unterstützen.
Weitere Informationen:
Rui Kang et al., Toward Real Scenery: Ein leichter Inspektionsalgorithmus für das Tomatenwachstum zur Erkennung von Blattkrankheiten und zur Fruchtzählung, Pflanzenphänomik (2024). DOI: 10.34133/plantphenomics.0174