CognitiveWeeding Verbund - KI: Selektives Unkraut- und Beikrautmanagement mit Hilfe künstlicher Intelligenz

Kurzbericht/Abschlussbericht

dc.contributor.authorDi Marco, Daniel
dc.contributor.authorHöferlin, Markus
dc.date.accessioned2026-03-25T12:02:05Z
dc.date.available2026-03-25T12:02:05Z
dc.date.issued2025-06-16
dc.description.abstractDas Verbundprojekt CognitiveWeeding adressierte die ökologische Herausforderung, die Biodiversität in der Agrarlandschaft zu steigern, ohne die landwirtschaftliche Ertragssicherheit zu gefährden. Ziel war die Entwicklung eines KI-basierten Entscheidungssystems, das präzise zwischen problematischen Unkräutern und ökologisch wertvollen, wirtschaftlich jedoch unkritischen Beikräutern differenziert. Das System integriert modellbasiertes Expertenwissen mit datengetriebenen Verfahren des maschinellen Lernens, wobei bodengestützte Multispektralkameras sowie drohnengestützte Sensorik zur hochauflösenden Erfassung der Bestände eingesetzt wurden. farming revolution (FR) trug hierzu durch die Entwicklung der bodennahen Erfassungstechnik und die Klassifikation von Einzelpflanzen bei. FR fertigte spezielle multispektrale Kameramodule und implementierte eine Bildverarbeitungs-Pipeline, die im Projektverlauf von semantischer Segmentierung auf eine instanzbasierte Pflanzenklassifikation mit Stammerkennung weiterentwickelt wurde. Dadurch können Pflanzeninstanzen selbst bei gegenseitigen Überlappungen oder hohem Unkrautdruck präzise detektiert und deren Wachstumszentrum für die nachfolgende Aktorik lokalisiert werden. Zur Gewährleistung einer robusten Erkennung stützte sich FR auf seine bestehende Datenbasis die 41 Beikraut- und 95 Kulturpflanzenspezies umfasste. Ein weiterer Beitrag zur Systemeffizienz war die Implementierung einer Komponente zur Fusion redundanter Beobachtungsdaten, die Mehrfacherfassungen derselben Pflanze während einer Überfahrt zu konsolidierten Instanzen zusammenführte und so die Datenqualität für das Expertensystem signifikant verbesserte. Die resultierenden Handlungsempfehlungen mündeten in Applikationskarten für die selektive mechanische Regulierung oder chemisches Spot-Spraying. Umfangreiche Feldtests in Mais und Zuckerrüben belegten, dass dieser digitalisierte Ansatz den Einsatz von Pflanzenschutzmitteln reduzieren und einen wertvollen Beitrag zur Erhaltung der Artenvielfalt leisten kann.ger
dc.description.versionpublishedVersion
dc.identifier.urihttps://oa.tib.eu/renate/handle/123456789/33518
dc.identifier.urihttps://doi.org/10.34657/32586
dc.language.isoger
dc.publisherHannover : Technische Informationsbibliothek
dc.relation.affiliationfarming revolution GmbH
dc.rights.licenseCreative Commons Attribution-NonDerivs 3.0 Germany
dc.rights.urihttps://creativecommons.org/licenses/by-nd/3.0/de/
dc.subject.ddc500 | Naturwissenschaften
dc.subject.ddc000 | Informatik, Information und Wissen, allgemeine Werke
dc.subject.ddc600 | Technik
dc.subject.otherKünstliche Intelligenzger
dc.subject.otherPflanzenschutzger
dc.subject.otherUnkrautmanagementger
dc.subject.otherWissenssystemger
dc.subject.otherBildverarbeitungger
dc.titleCognitiveWeeding Verbund - KI: Selektives Unkraut- und Beikrautmanagement mit Hilfe künstlicher Intelligenzger
dc.title.subtitleKurzbericht/Abschlussbericht
dc.typeReport
dcterms.extent3, 17 Seiten
dtf.duration01.09.2021-31.12.2024
dtf.funding.funderBMUKN
dtf.funding.program67KI21001E
dtf.funding.verbundnummer01235256
tib.accessRightsopenAccess

Files

Original bundle
Now showing 1 - 2 of 2
Loading...
Thumbnail Image
Name:
kurzbericht.pdf
Size:
80.88 KB
Format:
Adobe Portable Document Format
Description:
Loading...
Thumbnail Image
Name:
abschlussbericht.pdf
Size:
1.26 MB
Format:
Adobe Portable Document Format
Description: