Entwicklung eines intelligenten UAV-gestützten Unkrautmonitoringsystems für den selektiven und teilflächenspezifischen Herbizideinsatz; Teilprojekt A - Leibniz-Institut für Agrartechnik und Bioökonomie e.V. (ATB); Akronym: weed-AI-seek

Abstract

Das Projekt weed-AI-seek hatte zum Ziel, ein intelligentes echtzeitfähiges Monitoring- und Kartierungssystem für die Erfassung der Unkrautverteilung in Getreidebeständen zu entwickeln. Dazu wurde eine Drohne mit einer On-Board-Bilderkennung entwickelt, die in der Lage ist, während des Fluges Unkrautpflanzen aus niedriger Flughöhe zu erkennen. Die Unkrautpflanzen werden dabei über ein optimiertes YOLO-KI-Verfahren direkt im Bild identifiziert, ausgezählt und zusammen mit der Position, an dem das Luftbild aufgenommen wurde, als Geoinformation gespeichert bzw. an eine Bodenstation gesendet. Für das Training und Testen des Modells wurden über 40.000 Lokalisierungen von Unkrautpflanzen in Luftaufnahmen von Winterweizenfeldern erstellt und in eine Annotationsdatenbank überführt. Zudem wurde die Architektur des KI-Modells für die Ansprüche der Unkrauterkennung angepasst und in ein NVIDIA-Jetson-KI-Board integriert. Kartierungsergebnisse aus Testbefliegungen mit dem funktionierenden Gesamtsystem zeigten hohe Übereinstimmungen mit der Bonitierung von Unkrautpflanzen im Winterweizen.

Datei-Upload durch TIB

The aim of the weed-AI-seek project was to develop an intelligent, real-time monitoring and mapping system for capturing the weed distribution in cereal crops. For this purpose, the project developed a drone with on-board image recognition that is capable of recognizing weed plants from a low altitude during flight. An optimized YOLO AI model detects and counts weed plants directly within each aerial image, capturing spatial data that includes the drone’s position at the time of capture. This information is then stored or transmitted to a ground station for further analysis and action. To train and test the model, over 40,000 localizations of weed plants in aerial photographs of winter wheat fields were created and transferred to an annotation database. In addition, the architecture of the AI model was adapted to the requirements of weed detection and integrated into an NVIDIA Jetson AI board. Mapping results from test flights with a functioning overall system showed high agreement with the scoring of weed plants in winter wheat.