WEEDAI - Entwicklung eines KI-basierten Expertensystems zur Beurteilung der Effektivität von Unkrautbekämpfungsmaßnahmen unter Berücksichtigung des Schadschwellenprinzips am Beispiel von sensorgeführten Hackmaschinen

Abstract

Die Bewertung von Unkrautbekämpfungsmaßnahmen erfordert neben der Anlage umfangreicher Feldversuche insbesondere einen immensen Arbeitsaufwand hinsichtlich manueller Bonitur. Dies stellt ein Hindernis für relevante Akteure dar und bremst die Entwicklung neuer, umweltfreundlicherer Pflanzenschutzstrategien. Im Projekt WeedAI wurde ein KI-basiertes System entwickelt, welches Versuche vollumfänglich statt stichprobenbasiert analysiert, und somit zeitsparende, objektive und präzise Auswertungen ermöglicht. Anhand praxisnaher Untersuchungen mithilfe moderner Sensorhacke und (Spot-)Sprayer wurde an der Entwicklung von Prüfnormen für neue Systeme gearbeitet. Technischer Kern des Projekts war die Entwicklung eines Modells zur Pflanzenerkennung, basierend auf RGB-Bildern einer marktüblichen Drohne. Durch starke Diversifizierung der mehrfach überflogenen Flächen konnte ein breites Spektrum an Umweltbedingungen, Unkrautarten und Wachstumsstadien integriert werden. WeedAI erlaubt präzise Vorhersagen über die Position und Größe einzelner Zuckerrüben und Unkräuter, auch auf Feldern welche dem Modell zuvor nicht bekannt sind. Von zentraler Bedeutung hierfür war neben Datendiversifikation auch deren Qualität, sichergestellt durch die Nutzung von hochwertiger Drohne und Kamera, bei niedriger Flughöhe. Die Integration einer neuartigen Datenverarbeitungspipeline trägt darüber hinaus zur Präzisionssteigerung bei, indem sie inhaltliche Redundanzen der Einzelbildaufnahmen ausschöpft. Diese beinhaltet auch die Verwendung einer modernen, Transformer-basierten Instance Segmentation Architektur. Um deren Training notwendigen enormen Annotationsaufwand zu verringern, wurde die Methode Panoptic One-Click Segmentation entwickelt und getestet. Mit dieser können vorhandene Instance Segmentation Datensätze ohne teure Maskenannotation erweitert werden, durch deutlich einfachere Klick-Labels. Ein weiterer Hauptbestandteil des Projektes war die Erweiterung eines Teststandards für Sensorhacken. Anhand eines neuen Ansatzes über die Anlage definierte AB-Sinuslinien kann die Arbeitsqualität und Führungsgenauigkeit von Sensorhacken inklusiv der Berechnung der effektiv mechanisch bekämpfbaren Fläche ermittelt werden. Statistisch determinierte Größen werden zur Charakterisierung verschiedener Hacken oder deren Einstellung zur Verfügung gestellt. Somit existieren nun ein objektiver Test und Technikvergleich, der den Anforderungen einer Prüfnorm entspricht. Datei-Upload durch TIB The evaluation of weeding techniques requires not only the setup of extensive field trials, but further an immense amount of manual labour for ground truthing. This poses barriers for relevant players, and slows down the development of new, more environmentally friendly crop protection methods. The WeedAI project developed an AI-based system for comprehensive evaluation of trials, looking to replace sample-based approaches and thereby enabling fast, objective and precise analysis. Further work went into the development of test standards for novel systems, based on practically relevant experiments using a modern sensor hoe and (spot) sprayer. Technological core of the project was developing a plant detection model based on RGB images of an industy standard drone. Strong diversification of repeatedly overflown fields allowed to integrate a broad spectum of environmental conditions, weed species and growth stages. WeedAI enables precise predictions on the position and size of individual sugar beets and weeds, even on such fields that are unknown to the model. Not only data diversification, but further high data quality played a key role in this achievement, ensured by using a high quality drone and camera at low altitude. Further increase of precision was facilitated through integration of a novel data processing pipeline which exploits redundancies within the captured images. Furthermore, this pipeline encompasses the application of a modern, transformerbased instance segmentation architecture. To lower the enormous annotation effort necessary for training, Panoptic One-Click Segmentation method was developed and tested. It can be used to extend existing instance segmentation datasets without the need for new, costly pixelwise labels, replacing them by simple clicks. A further key part of the project was extending a test standard for sensor hoes. Their work performance and guiding precision can be evaluated in a novel approach through definement and setup of AB sine curves. This further allows calculation of the effectively mechanically treatable area. Determinable metrics to characterize different hoes or their settings are being provided. Consequently, an objective test and technology comparison that meets the requirements of a test norm now exists.