Eine wirksame Unkrautbekämpfung ist in der Landwirtschaft von entscheidender Bedeutung, um eine hohe Pflanzenproduktivität zu gewährleisten. Es beinhaltet die sorgfältige Trennung von Unkräutern von Feldfrüchten, bevor Herbizide auf die Felder gesprüht werden. Vereinfacht gesagt besteht das Ziel der Unkrautbekämpfung darin, das Unkraut zu entfernen und gleichzeitig sicherzustellen, dass die Kultur nicht geschädigt wird. Herkömmliche Methoden zur Unkrautbekämpfung haben mehrere Nachteile, wie z. B. Pflanzenkontamination, Herbizidverschwendung und schlechte Genauigkeit. Daher ist es wichtig, Methoden zu entwickeln, die die Grenze zwischen einer Kulturpflanze und einem Unkraut genau lokalisieren und identifizieren und eine bessere Unkrautbekämpfung implementieren können.
Landwirtschaftsroboter, die mit „semantischer Segmentierung“ programmiert sind, einem Deep-Learning-Algorithmus, der verschiedene Pflanzen aus aufgenommenen Bildern genau identifiziert, könnten eine Lösung für dieses Problem bieten. Diese Roboter können Unkräuter automatisch von Feldfrüchten unterscheiden und die Effizienz beim Sprühen von Herbiziden steigern. Wenn die Kamera jedoch Bilder der Pflanzen aufnimmt, können Vibrationen von Landwirtschaftsrobotern, Feldfrüchten und/oder Unkräutern eine „Bewegungsunschärfe“ erzeugen.
In einer neuen Studie hat ein Forschungsteam unter der Leitung von Professor Kang Ryoung Park von der Dongguk University, Korea, eine Methode vorgeschlagen, die bewegungsunscharfe Bilder wiederherstellt und die Ernte- und Unkrautsegmentierung verbessert. Dies ist die erste Studie, die Bewegungsunschärfe für die Segmentierung von Feldfrüchten berücksichtigt. Die Ergebnisse der Studie wurden in veröffentlicht Pflanzenphänomik .
Prof. Park teilt die Motivation hinter ihrer Studie und erklärt: „Bewegungsunschärfe verschlechtert die Qualität der aufgenommenen Pflanzen- und Unkrautbilder erheblich und verringert die Genauigkeit von Sehaufgaben auf hohem Niveau. Diese Studie schlägt eine Methode vor, die die bewegungsunscharfen Bilder wiederherstellt Feldfrucht- und Unkrautsegmentierung durchführen, was dies zur ersten Studie zur Feldfrucht- und Unkrautsegmentierung unter Berücksichtigung von Bewegungsunschärfe macht.“
Das Team schlug die Verwendung des „Wide Receptive Field Attention Network“ (WRA-Net) vor, einem Deep-Learning-Modell, um bewegungsunscharfe Bilder wiederherzustellen und die Bildqualität für die weitere Verarbeitung zu verbessern. Nach der Bildwiederherstellung wurde U-Net, eine semantische Segmentierungstechnologie, verwendet, um Feldfrüchte und Unkräuter zu trennen.
WRA-Net besteht aus einem Encoder, der nützliche Merkmale aus dem verschwommenen Bild extrahiert und sie an einen Decoder sendet, der das Bild dann aufwertet. Die primäre Funktion des Codierers besteht darin, dem Decodierer angereicherte Bildmerkmale bereitzustellen, um die Bildqualität zu verfeinern und zu verbessern. Für eine effektive Wiederherstellung teilt das vorgeschlagene Verfahren das Eingabebild in Patches auf, anstatt das gesamte Bild auf einmal zu verwenden.
Die Gruppe testete die WRA-Net-Methode mit drei öffentlich zugänglichen Datenbanken: BoniRob, Ernte-/Unkrautfeld-Bilddatensatz (CWFID) und Reissämlings- und Unkraut-Datensätze. Sie bewerteten auch die Wiederherstellungseffizienz, um nach Ähnlichkeiten zwischen den wiederhergestellten und den Originalbildern zu suchen. Die semantische Segmentierungsleistung wurde mit mIOU (Mean Intersection Over Union) gemessen, einem Parameter zur Bewertung von Deep-Learning-Algorithmen.
Bei allen gemessenen Parametern übertraf WRA-Net die anderen Datenbanken. Es stellte bewegungsunscharfe Bilder effektiv wieder her und erwies sich als das beste Unkrautsegmentierungsmodell. Diese Methode war auch in Bezug auf die Segmentierungsgenauigkeit effizienter als die Methoden nach dem Stand der Technik.
Die mIOUs von Testbildern, die von WRA-Net wiederhergestellt wurden, waren 0,7741, 0,7444 und 0,7749 in CWFID, BoniRob bzw. Reissämlings- und Unkrautdatenbank. Darüber hinaus hat WRA-Net selbst in einem eingebetteten System (einer Kombination aus Computerprozessor, Computerspeicher und Ein-/Ausgabe-Peripheriegeräten) mit begrenzten Rechenressourcen eine gute Leistung erbracht.
Was kommt als nächstes für das Team? „In zukünftigen Studien würden wir nach der Methode forschen, bei der die Vorverarbeitung verwendet wird, um die Fehler zu reduzieren, die durch eine hohe Ähnlichkeit von Ernte und Unkraut und dünnen Objektbereichen verursacht werden das bewegungsunscharfe Bild, ohne zwei Schritte der Wiederherstellung und semantischen Segmentierung durchzuführen“, fügt Prof. Park hinzu.
Ernährungssicherheit wird immer schwieriger zu erreichen und wird durch Mangel an Arbeitskräften und Wetterkatastrophen beeinträchtigt. Diese Methode kann helfen, diese Probleme zu überwinden und die Pflanzenproduktivität zu steigern.
Mehr Informationen:
Chaeyeong Yun et al, WRA-Net: Wide Receptive Field Attention Network for Motion Deblurring in Crop and Weed Image, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0031