Inhalte im Überblick:Wenn die Wachstumsbedingungen aller Pflanzen auf einem Feld kurzfristig ermittelt und vorhergesagt werden können, ist es möglich, optimale Erntetermine festzulegen, die Anzahl nicht standardisierter Pflanzengrößen zu reduzieren und Ertragsverluste zu minimieren. Als Reaktion darauf schlugen Forscher der Universitäten Tokio und Chiba eine KI- und Drohnenlösung vor.

Schlüsselwörter:Fernerkundungsbilder von Drohnen in der Landwirtschaft

Autor | Li Baozhu

Herausgeber | Sanyang, Xuecai

Im Frühling wird gepflügt, im Sommer wird Unkraut gejätet, im Herbst wird geerntet und im Winter wird eingespart. Diese vier Dinge werden zur richtigen Zeit erledigt, damit die fünf Getreidesorten nie aufgebraucht werden und die Menschen einen Überschuss an Nahrungsmitteln haben.

Seit langer Zeit arbeiten die Menschen hart und stützen sich dabei auf über die Jahre weitergegebene Erfahrungen und ernten die Feldfrüchte entsprechend dem allgemeinen Reifezyklus. Aufgrund unterschiedlicher Wachstumsbedingungen kommt es jedoch zwangsläufig zu gewissen Unterschieden hinsichtlich der Qualität, Größe und Reife der Pflanzen zum Erntezeitpunkt. Bei einer einheitlichen maschinellen Ernte werden viele Feldfrüchte verschwendet, die nicht den Standards für den Verkauf oder Verzehr entsprechen, was zu geringeren Gewinnen führt. Also,Der Erntetermin ist entscheidend für den Anteil der Ernte, die die Standards nicht erfüllt, und für das endgültige Gesamteinkommen des Landwirts.

Während Drohnen über die Felder fliegen, beginnt man zu erforschen, wie man anhand von Drohnen-Luftbilddaten den besten Erntetermin vorhersagen kann.Forscher der Universitäten Tokio und Chiba haben ein systematisches Verfahren zur Erfassung phänotypischer Daten von Pflanzen mithilfe von Drohnen entwickelt.Auf der Grundlage von Drohnenfernerkundung und Bildanalyse wird die Größe jedes Brokkolikopfes vorhergesagt und die Daten werden in ein temperaturbasiertes Wachstumsmodell eingegeben, um den optimalen Erntetermin vorherzusagen.

Nach zwei Jahren Feldversuchen schätzte das System die Größe der Brokkoli-Köpfe mit hoher Genauigkeit und sagte anhand relevanter Daten erfolgreich den optimalen Erntetermin voraus, wodurch landwirtschaftliche Verluste verringert und der Gewinn gesteigert werden kann. Die entsprechenden Ergebnisse wurden aktuell in „Plant Phenomics“ veröffentlicht.

Dieses Ergebnis wurde in „Plant Phenomics“ veröffentlicht.

Link zum Artikel:

https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4

01 Wachstumsmodell + Preisdaten:6 Schritte zur Erstellung eines Gewinnprognosemodells

Am Beispiel von Brokkoli verwendete das Forschungsteam Drohnen, um Informationen zur Kopfgröße (geometrische Merkmale) aller Brokkoli-Köpfe zu verschiedenen Zeitpunkten während der Wachstumsperiode des Brokkoli zu erhalten. Anschließend erstellten sie ein einfaches Wachstumsmodell anhand der Daten zu Kopfgröße und Temperatur und kombinierten es mit den durch Marktumfragen erhaltenen Preisdaten, um ein Gewinnvorhersagemodell für den optimalen Erntetermin zu erstellen.

Diese Methode umfasst im Wesentlichen 6 Schlüsselschritte

Schritt 1: Drohnenflug zum Erhalt des Originalbildes

* Versuchszeit:2020-2021

* Versuchsort:Versuchsfarm, Institut für nachhaltige Landwirtschaft und Ökosystemdienstleistungen (ISAS), Tokio, Japan

* Ausrüstung für Luftbildaufnahmen:DJI Mavic 2 Pro und DJI Phantom 4 RTK

* Bilddaten:224 GB (2020) + 72 GB (2021)

DJI Phantom 4 RTK, Bildquelle: Offizielle DJI-Website 

Schritt 2: Vorverarbeitung der Luftbilder (Photogrammetrie)

Die Forscher verwendeten die professionelle Drohnenbildverarbeitungssoftware Pix4DMapper Pro, um die von Drohnen aufgenommenen Bilder zu messen und die Bilddaten durch 3D-Rekonstruktion vorzuverarbeiten. Unter Verwendung von StandardsoftwareparameternEs wurden digitale Orthokarten (DOM) und digitale Oberflächenmodelle (DSM) erstellt.

Die für die 3D-Rekonstruktion verwendete Computerkonfiguration ist wie folgt:

Intel i9-7980XE CPU 2,6 GHz, 64 GB RAM, 2 NVIDIA GeForce GTX 1080Ti GPU

Schritt 3: Keimlingserkennung

Erkennungsalgorithmus: YOLO v5, NMS-Algorithmus

Hinweis: Vollständiger Name des NMS-Algorithmus Nichtmaximum-Unterdrückung, Nichtmaximum-Unterdrückungsalgorithmus

Im Keimlingsstadium verwendeten die Forscher YOLO v5, um die Position der Brokkoli-Köpfe zu erkennen, und nutzten den NMS-Algorithmus, um wiederholte Erkennungsergebnisse innerhalb des Pufferbereichs zusammenzuführen.

Der Mittelpunkt des Begrenzungsrahmens wurde dann als Standort des Brokkolis betrachtet und die Erkennungsergebnisse wurden manuell überprüft und im Open-Source-Geoinformationssystem Quantum GIS angepasst, um sicherzustellen, dass keine Erkennungen übersehen oder dupliziert wurden.

Arbeitsablauf beim Testen von Brokkolisetzlingen

Schritt 4: Kopfsegmentierung

Segmentierungsmodell: BiSeNet v2

Schneideverfahren für Brokkoliköpfe

Um während des Experiments den Arbeitsaufwand für die Annotation und Verarbeitung von Deep-Learning-Daten zu reduzieren und den Einfluss von Erde und Unkraut zu eliminieren,Als Leitfaden verwendeten die Forscher die Fusion von Zeitreihendaten.Der Verarbeitungsbereich wurde reduziert und nur ein quadratischer Bereich um den Sämling (ungefähr 100 × 100 Pixel, etwas größer als der Brokkolikopf) wurde für die Segmentierung des Brokkolikopfes verwendet.

Auch,Die Forscher verwendeten außerdem interaktive Annotationen, um den Arbeitsaufwand der Datenannotation zu reduzieren.

Hinweis: Interaktive Annotation bezieht sich auf die Verwendung einer intelligenten, algorithmusbasierten Methode zur Auswahl von Annotationsbeispielen, um die Leistung des Deep-Learning-Modells zu maximieren und die Annotationskosten zu senken.

Die Forscher verwendeten das Open-Source-Bildannotationstool LabelMe.Ein Segmentierungsmodell wird anhand einer kleinen Menge manuell gekennzeichneter anfänglicher Trainingsdaten trainiert. Anschließend wurden Bilder nach dem Zufallsprinzip ausgewählt und auf die Segmentierungsergebnisse angewendet, die mithilfe eines Python-Skripts in das LabelMe-JSON-Format konvertiert wurden, und die Beschriftungen für die neuen Trainingsdaten wurden manuell angepasst.

Dieser Vorgang wird so lange wiederholt, bis das Segmentierungsergebnis nicht mehr angepasst werden muss.

Schritt 5: Erstellen Sie ein Wachstumsmodell, um die Größe des Brokkolikopfes vorherzusagen (Größenberechnung)

Vorhersagemodell: Nichtlineares Regressionsmodell zur Vorhersage der Brokkolikopflänge (HD) im Zeitverlauf 

T ist die Summe der täglichen Durchschnittstemperaturen mit einer Untergrenze von 0 °C und einer Obergrenze von 20 °C

a, b und c sind die zu bestimmenden Parameter

Schritt 6: Gewinnprognosemodell erstellen

Basierend auf Marktpreiserhebungen und kombiniert mit Wachstumsmodellen wird ein Gewinnprognosemodell erstellt.

02 Zwei Jahre Feldversuche, Segmentierungsmodell funktioniert gut

Bei der Aufbereitung der Trainingsdaten berücksichtigen wir den offensichtlichen Unterschied zwischen grünen Brokkolipflanzen und brauner Erde.Die Forscher wählten nur zwei repräsentative Sektoren als Trainingsbilder aus.

Beispiel für die Positionserkennung von Brokkoli-Setzlingen 2020 (AF) 

Kopfsegmentierungsinstanzen (GI) über interaktive Annotation

Als erstes Datentraining wählten die Forscher zufällig ein Luftbild aus dem Jahr 2020 aus und annotierten darin so einfach wie möglich etwa 5 Brokkoli-Köpfe, wie in der obigen GI-Abbildung gezeigt, und trainierten das BiSeNet-Modell (v0) mit diesen Annotationen.

Anschließend wurde das v0-Modell auf zufällig ausgewählte Bilder aus jeder Luftaufnahme angewendet. Die Forscher passten die Analyseergebnisse manuell an und speicherten sie als neue Trainingsdaten für das v1-Modell. Dieser Schritt wird iterativ wiederholt, bis das Modell bessere Segmentierungsergebnisse erzielt und so das v2-Modell bildet.

Nach 4 Iterationen war die Modellleistung erheblich verbessert und erreichte einen Zwischen-IoU (Intersection over Union) von 88,33 %.

Um die Genauigkeit der Drohnenmessungen der Huntington-Krankheit zu überprüfen, verglichen die Forscher die Ergebnisse außerdem mit manuellen Messdaten vor Ort.

Vergleich von Drohnenmessdaten mit manuellen Feldmessdaten

Die Ergebnisse zeigten, dass die Gesamtverteilung der Daten zur Brokkolikopfgröße bei beiden nahezu identisch war, mit einem Bestimmtheitsmaß von R²≥0,57.Insgesamt konnten die UAV-basierten Messungen die hochauflösende Verteilung des Brokkoli auf dem Feld präzise charakterisieren.

03 Vorhersage des besten Erntetermins basierend auf einem nichtlinearen Regressionsmodell

Die Forscher begannen mit drohnenbasierten Messungen, als der Blütenkopfdurchmesser (HD) etwa 3–3,5 cm betrug.

Um die normalisierte Temperatur T(0) für den ersten Flug zu erhalten (HD beträgt ungefähr 9,5 cm), kehrten die Forscher das vorherige Modell um, um T(0) aus den HD-Daten zu berechnen, wie in der folgenden Abbildung gezeigt. Anschließend werden die Tagestemperaturen und (Ti) für die Folgetage (i) berechnet und abschließend eine Regression des Modells durchgeführt.

Auf der Grundlage dieses Modells berechneten die Forscher nach der ersten Luftaufnahme die Größe des Brokkolikopfes unter Verwendung von T, da diese im Laufe der Zeit variierte.

Abbildung der Datenverarbeitung für das Vorhersagemodell zur Brokkolikopfgröße

Alle Zahlen dienen lediglich als Beispiele und stellen keine tatsächlichen Ergebnisse dar.

A: Im Feld gemessene Durchmesser an verschiedenen Daten; Als Startdatum wurde die helle Farbe verwendet, wobei die Brokkoliköpfe etwa 3–3,5 cm groß waren. T ist die Summe der täglichen Durchschnittstemperaturen. ΔTi ist die gesamte Temperaturabweichung.

B: Gestalten Sie die vorherige Tabelle in eine zweispaltige Tabelle um, um sie in der in C gezeigten Regressionsanalyse zu verwenden.

D: Das vorherige Regressionsmodell wird verwendet, um T aus HD zu initialisieren. T für Folgetage zuzüglich der Abweichung ΔTi.

E: Verwenden Sie die vorherigen Daten für das Regressionsvorhersagemodell von T bis HD.

Das Einkommen wurde anhand des von Drohnen vorhergesagten Blütenkopfdurchmessers (HD) berechnet und die Anzahl der Individuen pro Größenstandard wurde an jedem Datum gezählt.

Schließlich wurde der Gesamterlös für jeden Erntetermin durch Multiplikation der Menge und des Versandpreises für jede Größenklasse berechnet.Als optimaler Erntetermin wird der ertragsstärkste Termin gewählt.

04 Ein kleiner Unterschied im Erntetermin kann für Gemüsebauern zu großen Gewinnunterschieden führen

Basierend auf den Initialisierungs- und Vorhersagemodellen berechnete das Forschungsteam die Verteilung aller Brokkoligrößen während der Erntezeit und berechnete dann den Anteil des Brokkolis mit nicht standardmäßiger Größe und den Gesamtertrag für alle Termine.

Im Experiment von 2020 war der 23. Mai der optimale Erntetermin, das Datum, an dem der Anteil an Brokkoli mit nicht standardmäßiger Größe minimiert und der Gesamtertrag maximiert wurde. Im Versuch 2021 wurde der 17. Mai als optimaler Erntetermin ermittelt.

Gleichzeitig stellten die Forscher fest, dass eine Abweichung des Erntezeitpunkts vom optimalen Datum um einen Tag zu erheblichen Einkommensverlusten führen kann – einer Reduzierung um 3,71 TP3T auf 20,41 TP3T.

Voraussichtliche HD-Verteilung in den Versuchen 2020 und 2021 sowie der Anteil von Brokkoli nicht standardmäßiger Größe und der Gesamtertrag, wobei Orange und Gelb das optimale Erntedatum darstellen

Darüber hinaus zeigte diese Studie, dassDer Anteil an Brokkoli nicht standardmäßiger Größe und der Gesamtertrag änderten sich mit dem Erntedatum schnell.Wenn Sie beispielsweise einen Tag vor oder nach dem besten Erntetermin ernten, erhöht sich die Menge an Brokkoli mit abweichender Größe um etwa 5 % und der Gesamtertrag verringert sich um etwa 20 %, während eine Ernte zwei Tage nach dem besten Erntetermin die Menge an Brokkoli mit abweichender Größe um etwa 15 % erhöht und den Gesamtgewinn um etwa 40 % verringert.

05 Intelligente Technologie reformiert traditionelles Arbeitsmodell

„Nahrung ist das wichtigste Bedürfnis der Menschen, und die Landwirtschaft ist die Quelle der Nahrung.“ Die Bedeutung der Landwirtschaft für die menschliche Gesellschaft bedarf keiner weiteren Erläuterung. Gleichzeitig ist die Landwirtschaft als wichtige Säule der sozialen und wirtschaftlichen Entwicklung auch einer der ersten Wirtschaftszweige, die sich einer intelligenten Modernisierung unterzogen haben.Verschiedene Systeme zur Erkennung von Ackerland, intelligente Bewässerungsgeräte und unbemannte Erntemaschinen haben auf den Feldern bereits ihren Dienst aufgenommen.

Der Schwerpunkt liegt auf der Anwendung von Drohnen in der Landwirtschaft. Mit der kontinuierlichen Entwicklung von Technologien wie 5G, maschinellem Sehen und Big Data haben sie auch Einzug in die Haushalte der einfachen Leute gehalten.

Drohnen waren zunächst vor allem für den Pflanzenschutz zuständig und konnten durch die effizientere und gleichmäßigere Ausbringung von Düngemitteln und Pestiziden erheblich an Personal- und Zeitkosten sparen. Später wurde die Technologie der Luftbildfotografie ausgereifter und ihre Kosten sanken, was zu einer stärkeren Anziehungskraft auf die Landwirtschaft führte. Anwendungen wie die Drohnen-basierte Inspektion von Ackerland und die Visualisierung des Pflanzenwachstums sind zu den Highlights der neuen Landwirtschaft geworden.

Es ist absehbar, dassMit der fortschreitenden Implementierung KI-bezogener Technologien werden fortschrittlichere Ergebnisse aus den Laboren in die Landwirtschaft gelangen und so die Arbeitsweise „mit Blick auf die Erde und zurück zum Himmel“ verbessern.

Referenzlinks:

[1]https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4