Technische Universität Darmstadt (2021) Entwicklung automatisierter Verfahren zur frühzeitigen Felddiagnostik des Falschen Mehltaus, Plasmopara viticola, für einen angepassten Pflanzenschutz im Ökoweinbau. [Development of automated techniques for early field diagnosis of downy mildew, Plasmopara viticola, for adapted plant protection in organic viticulture.] Technische Universität Darmstadt, D-Darmstadt .
![[thumbnail of Abschlussbericht]](/style/images/fileicons/application_pdf.png) |
PDF
- German/Deutsch
(Abschlussbericht)
13MB |
Summary in the original language of the document
Innerhalb des Projektes AuDiSens wurde die Implementierung und Erweiterung verschiedener Algorithmen des maschinellen Lernens, speziell des tiefen Lernens, zur Analyse und Krankheitsfrüherkennung hyperspektraler Bildaufnahmen aus dem Weinanbau erreicht. Hyperspektrale Aufnahmen stellen besonders hochdimensionale Daten dar, die deutlich schwieriger sind für das menschliche Auge zu analysieren. Mit den angewandten und erweiterten Methoden können nun hyperspektrale Aufnahmen des Weinanbaus in automatisierte Verfahren untersucht, gleichzeitig aber auch leichter interpretiert werden. Hierbei wurden innerhalb des Projektes verschiedene experimentelle Konfigurationen mit verschiedenen Methoden untersucht. Diese beinhalteten Bildklassifikation mit convolutional neural networks, Pixelrelflektanzklassifikation mit self-attention networks, Wahrscheinlichkeitsmodele mit sum-product networks, simplex volume maximization für unüberwachtes Lernen und verschiedene algorithmische Erweiterungen des eXplanatory Interactive Learning (XIL), die erlauben, dass eine NutzerIn Feedback auf die Erklärungen eines Models geben kann, um es möglicherweise zu revidieren und somit sicher zu gehen, dass das Model Entscheidungen auf Basis "richtiger Gründe” macht. Dieser letzter Punkt is besonders wichtig in Anwendungsbereichen, die mit hohem Risiko verbunden sind, wie z.B. der Weinanbau. Wie in unseren Experimenten gezeigt, kann es leicht sein für ein KI Model, ohne Vorkenntnisse oder Bedingungen in der Lösungsoptimierung, auf Störfaktoren in den Daten zu achten, um eine hohe Genauigkeit zu erzielen. Dieses Problem kann noch verstärkter in unkontrollierten Datenaufnahmebedingungen, wie z.B. auf dem freien Feld, auftreten. Daher ist gerade in diesem Umfeld eine besondere Vorsicht und die Verwendung von XIL besonders wichtig. Auf Grundlage dieser Ergebnisse können zukünftig Pflanzenphänotypisierung im Weinanbau basierend auf hyperspektrale Messungen durchgeführt werden. Bisherige Ergbebnisse wurden auf Daten aus kontrollierten Laborbedingungen erzielt. Für Hochdurchsatzverfahren im freien Feld werden zusätzliche Vorverarbeitungssoftware benötigt werden, wie zum Beispiel eine initiale Pflanzensegmentierung. Mit dem Abschluss dieser Arbeit wurde gezeigt, wie Algorithmen aus dem Bereich des maschinellen Lernens behilflich sein können in einer frühzeitigen Krankheitserkennung, sodass langfristig der Einsatz von der Umwelt schädlichen Pestiziden reduziert werden kann.
Summary translation
Within the AuDiSens project, the implementation and extension of various machine learning algorithms, especially deep learning, for the analysis and early disease detection of hyperspectral image recordings from vineyards was achieved. Hyperspectral images represent particularly high-dimensional data that are significantly more difficult for the human eye to analyze. With the applied and extended methods, hyperspectral images of viticulture can now be investigated in automated procedures, but at the same time they can be interpreted more easily. Various experimental configurations were investigated within the project using different methods. These included image classification with convolutional neural networks, pixel reflectance classification with self-attention networks, probability models with sum-product networks, simplex volume maximization for unsupervised learning, and various algorithmic extensions of eXplanatory Interactive Learning (XIL) that allow a user to provide feedback on a model's explanations to possibly revise it and thus ensure that the model makes decisions based on "correct reasons". This last point is particularly important in high-risk application domains, such as viticulture. As shown in our experiments, it can be easy for an AI model, with no prior knowledge or constraints during its optimisation process, to look for confounding factors in the data in order to achieve high accuracy. This problem can be even more pronounced in uncontrolled data acquisition conditions, such as in the open field. Therefore, special care and the use of XIL is particularly important in this environment.Based on these results, future plant phenotyping in viticulture can be performed based on hyperspectral measurements. The results of this project were obtained on data from controlled laboratory conditions. For high-throughput procedures in the field, additional pre-processing software will be needed, such as initial plant segmentation. With the completion of this work, it has been shown how machine learning algorithms can assist in early disease detection so that in the long run the use of environmentally harmful pesticides can be reduced.
| EPrint Type: | Report |
|---|---|
| Keywords: | BÖL, BOEl, FKZ 15NA187, Informations-Kommunikationstechnologie, information-communicationtechnology, Nachhaltigkeit, sustainability, Weinbau (inkl. Außenwirtschaft, Kellerei), viticulture (winery), Künstliche Intelligenz, AI Artificial Intelligence, Digitalisierung, Digitale Welt, digital world, Datenmanagement, data management, Ökologischer Landbau, organic farming |
| Agrovoc keywords: | Language Value URI German - Deutsch Datenmanagement http://aims.fao.org/aos/agrovoc/c_9000179 German - Deutsch Weinbau http://aims.fao.org/aos/agrovoc/c_8277 German - Deutsch Technologie http://aims.fao.org/aos/agrovoc/c_7644 |
| Subjects: | Crop husbandry |
| Research affiliation: | Germany > Federal Organic Farming Scheme - BOEL Germany > Federal Agency for Agriculture and Food - BLE Germany > Other organizations Germany |
| Deposited By: | Geschäftsstelle Bundesprogramm Ökologischer Landbau, Bundesanstalt für Landwirtschaft und Ernährung (BLE) |
| ID Code: | 53611 |
| Deposited On: | 10 Jul 2024 10:52 |
| Last Modified: | 10 Jul 2024 11:57 |
| Document Language: | German/Deutsch |
| Status: | Unpublished |
| Refereed: | Submitted for peer-review but not yet accepted |
Repository Staff Only: item control page
Download Statistics
Download Statistics
