Bei der traditionellen Obstproduktion ergeben sich aufgrund von Arbeitskosten und -knappheit enorme Herausforderungen, die umfangreiche Forschungen zur landwirtschaftlichen Automatisierung und zum Einsatz intelligenter Roboter für Aufgaben wie Obstpflücken und Zweigbeschneiden anregen.
Trotz der Fortschritte bei der Erkennung und Rekonstruktion von Pflanzenzweigen mithilfe traditioneller Bildverarbeitungstechniken und 3D-Modellierung bestehen weiterhin Probleme wie Okklusion, komplizierte natürliche Umgebungen und der Bedarf an qualitativ hochwertigen Daten. Aktuelle Studien zur Nutzung von Deep Learning haben sich als vielversprechend erwiesen, wobei Techniken wie CNNs und Mask R-CNN die Anpassungsfähigkeit an komplexe Hintergründe und die Genauigkeit der Zweigrekonstruktion verbessern.
Dennoch sind weitere Forschungsarbeiten erforderlich, um Umweltabhängigkeiten zu überwinden, Kosten zu senken und die Flexibilität und Genauigkeit dieser Technologien im tatsächlichen Obstgartenbetrieb zu erhöhen.
Das Studie führt ein auf Maskenregionen basierendes Faltungs-Neuronales Netzwerk (Mask R-CNN) mit verformbarer Faltung ein, um Zweige in komplexen Obstgartenhintergründen genau zu segmentieren. Die Methode wurde speziell verbessert, um die komplizierten Wachstumsmuster und überlappenden Zweige zu bewältigen, die für rebenartige Obstbäume wie Passionsfrüchte typisch sind.
Ein innovativer Zweigrekonstruktionsalgorithmus mit bidirektionaler Sektorsuche wurde verwendet, um die segmentierten Zweige adaptiv zu rekonstruieren, was geringfügige Parameteranpassungen ermöglichte und die unregelmäßigen Formen und Ausrichtungen der Zweige von Passionsfruchtbäumen berücksichtigte. Die Ergebnisse zeigten die Wirksamkeit der Methode: Das verbesserte Mask R-CNN-Modell erreichte durchschnittliche Präzisions-, Erinnerungs- und F1-Werte von 64,30 %, 76,51 % bzw. 69,88 % für die Erkennung von Passionsfruchtzweigen.
Es übertraf insbesondere das ursprüngliche Mask R-CNN und andere Vergleichsmodelle, insbesondere bei komplexen Lichtverhältnissen. Der Verzweigungsrekonstruktionsalgorithmus verdeutlichte die Robustheit der Methode mit einer Genauigkeit von 88,83 % und einem mittleren Schnittwert über der Vereinigung (mIoU) von 83,44 %.
Diese Zahlen unterstreichen die Fähigkeit des Modells, Äste trotz der schwierigen natürlichen Obstgartenumgebung präzise zu erkennen und zu rekonstruieren. Die Studie erkennt jedoch auch bestimmte Einschränkungen und Verbesserungsmöglichkeiten an. Obwohl die Methode vielversprechend ist, deuten Probleme wie fehlende Erkennungen und falsche Segmentierungen, insbesondere bei kleineren oder ähnlich gefärbten Zweigen, auf die Notwendigkeit einer weiteren Verfeinerung hin.
Die Leistung des Modells bei verschiedenen Obstbaumarten muss ebenfalls noch getestet werden, was eine mögliche Richtung für zukünftige Forschungen aufzeigt.
Zusammenfassend lässt sich sagen, dass die Studie durch die Integration fortschrittlicher Deep-Learning-Techniken und eines innovativen Rekonstruktionsalgorithmus eine vielversprechende Lösung für die Komplexität der Zweigerkennung und -rekonstruktion in natürlichen Obstgartenumgebungen bietet. Diese Methode treibt nicht nur den Bereich der landwirtschaftlichen Automatisierung voran, sondern schafft auch die Grundlage für weitere Verbesserungen und Anpassungen an ein breiteres Spektrum landwirtschaftlicher Anwendungen.
Der Artikel wird in der Zeitschrift veröffentlicht Pflanzenphänomik.
Mehr Informationen:
Jiangchuan Bao et al., Erkennung und Rekonstruktion von Passionsfruchtzweigen über CNN und bidirektionale Sektorsuche, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0088