HoPla - Hochleistungssensorik für smarte Pflanzenschutzbehandlung

Abstract

Das Verbundprojekt "HoPla – Hochleistungssensorik für smarte Pflanzenschutzbehandlung" hatte das Ziel, eine innovative Gesamtlösung für die selektive, bedarfsgerechte Unkrautbekämpfung (Spot Spraying) in Getreidekulturen zu entwickeln und im Feld zu validieren. Im Mittelpunkt stand die Reduktion des Herbizideinsatzes um durchschnittlich 70 % ohne Ertragsverluste – ein entscheidender Beitrag zu einer nachhaltigeren und wirtschaftlicheren Landwirtschaft in Deutschland und Europa. Solche Spot Spraying Systeme werden aktuell von zahlreichen Marktteilnehmern entwickelt und teilweise für die landwirtschaftliche Praxis kommerziell angeboten. Häufig fokussieren sich Anbieter dabei auf Reihenkulturen, wie z.B. Mais. Bei solchen Reihenkulturen kann die Spot Spraying Technologie aktuell als praxisreif bewertet werden. Getreidekulturen stellen eine größere Herausforderung dar. Jedoch ist anzunehmen, dass die zuverlässige Erkennung von Unkräutern und Ungräsern in Getreidekulturen einen wichtigen Meilenstein zur Akzeptanz der neuen Technologie durch Landwirte darstellt. Aus wissenschaftlich-technischer Sicht ist die Übertragbarkeit bestehender Spot-Spraying-Ansätze auf Getreide insbesondere dadurch begrenzt, dass Zielpflanzen im frühen Entwicklungsstadium sehr klein sind und im dichten Bestand (überlappende Blätter, geringe Reihenabstände) selbst für das menschliche Auge schwer sicher zu erkennen sind. Vor diesem Hintergrund mussten Lösungen nicht nur "genau", sondern auch in Echtzeit auf kosteneffizienter Edge-Hardware lauffähig sein, um bei praxisüblichen Fahrgeschwindigkeiten eine kamerabasierte, selektive Applikation technisch zu ermöglichen. Ein zentrales Element des Projekts war die Sammlung und Annotation von Pflanzenbildern, die maßgeblich von xarvio verantwortet wurde. In enger Abstimmung mit den Projektpartnern wurde in mehreren Stufen ein umfangreicher Datensatz im sechsstelligen Bildbereich von Feldsituationen in verschiedenen Versuchsanordnungen aufgenommen: Zunächst in kontrollierten Gefäßversuchen mit zuvor sterilisiertem Boden (Phase 1 und 2), später unter realen Feldbedingungen (Phase 3). Die Bilddatenerhebung erfolgte dabei gezielt zu unterschiedlichen Zeitpunkten, unter variierenden Licht- und Bodenbedingungen sowie mit und ohne Herbizidbehandlung, um eine möglichst große Varianz und Praxisnähe zu gewährleisten. Die Annotation der Bilddaten – also die präzise Markierung und Klassifizierung von Unkräutern und Kulturpflanzen in jedem einzelnen Bild – wurde von xarvio koordiniert und gemeinsam mit Bosch und der Universität Hohenheim durchgeführt. Hierbei kamen sowohl manuelle als auch KI-gestützte Vorannotationsverfahren zum Einsatz, die iterativ verbessert wurden. Die Qualitätssicherung und die finale Freigabe der Datensätze lagen in der Verantwortung von xarvio. Insgesamt wurden knapp 10.000 Bilder entweder komplett händisch oder in einem teilautomatisierten Prozess annotiert. Diese umfassende Datenbasis bildete die Grundlage für die Entwicklung und das Training der KI-Modelle zur Unkrauterkennung, die von UHOH und Bosch umgesetzt wurden. Als wesentliche Ergebnisse wurden neben der breiten, qualitätsgesicherten Datenbasis auch zentrale Bausteine für eine spätere Serienumsetzung im Smart-Spraying-Kontext geschaffen: Die Projektpartner entwickelten optimierte Modellarchitekturen, die eine echtzeitfähige Unkrauterkennung in Getreide ermöglichen, und erreichten hierfür die geforderte Laufzeit auf Edge-Systemen (Ziel-Inferenzzeit 50 ms). Auf Systemseite wurde die Sensoreinheit u. a. durch eine verbesserte Beleuchtungseinheit (FLUnano) weiterentwickelt, die die Kamera mit der geforderten Bildrate unterstützt. Zudem wurden KI-gestützte Verfahren zur Reduktion manueller Labeling-Aufwände sowie GenAI-basierte Ansätze (z. B. Inpainting) zur Erzeugung zusätzlicher Trainingsdaten erprobt. Gleichzeitig zeigte sich, dass aufgrund der optischen Auflösungsgrenzen eine speziesgenaue Bestimmung sehr kleiner Pflanzen in dichten Getreidebeständen derzeit nicht robust möglich ist; der praxisnahe Fokus wurde daher auf eine Typ-Differenzierung (monokotyl vs. dikotyl) gelegt, die in der landwirtschaftlichen Anwendung ein günstiges Aufwand-Nutzen-Verhältnis bietet.