PhD Projekt
Integration von Pflanzenparametern für intelligente landwirtschaftliche Prozesse
Die größten Herausforderungen für die Bildanalyse stellen die unstrukturierte Umgebung in der Landwirtschaft, wechselnde Lichtverhältnisse und die Veränderungen der Pflanzen nach Wachstumsstadium dar. Um diese Herausforderungen zu bewältigen sind große Datenmengen und der effiziente Umgang damit notwendig. Außerdem müssen die gewählten Modelle eine Integration von a priori Wissen erlauben um die notwendige Datenmenge zu reduzieren.
Ziel ist die Integration des Systems in einen innovativen mobilen Feldroboter. Dieser soll sowohl zur Datenaufnahme und Analyse als auch für die Feldbearbeitung wie Unkrautregulierung mittels Roboterarm eingesetzt werden wozu es zu einem Zusammenspiel zwischen Robotik und Bilderkennung kommt. Um die Präzision zu verbessern wird die Fusion unterschiedlicher Sensordaten und Parameter der Bildanalyse angestrebt. Dazu sind neuartige Modelle und die Kombination unterschiedlicher Bildanalysemethoden nötig.
Durch eine präzise Lokalisierung von Unkraut kann geholfen werden Pflanzenschutzmittel einzusparen da eine zielgenaue Anwendung möglich gemacht wird. Auf der anderen Seite können mithilfe eines autonomen Feldroboters im Zusammenspiel mit präziser Lokalisierung alternative Regulierungsmaßnahmen umgesetzt werden. Außerdem können landwirtschaftliche Prozesse anhand der generierten Daten gut geplant und somit Teile der landwirtschaftlichen Prozesskette optimiert werden was ebenfalls Ressourcen schonendere und nachhaltigere Landwirtschaft begünstigt.
Publikationen:
- Kitzler, F.; Wagentristl, H.; Neugschwandtner, R.W.; Gronauer, A.; Motsch, V. Influence of Selected Modeling Parameters on Plant Segmentation Quality Using Decision Tree Classifiers. Agriculture 2022, 12, 1408. https://doi.org/10.3390/agriculture12091408
-
Kitzler, F.; Barta, N.; Neugschwandtner, R.W.; Gronauer, A.; Motsch, V. WE3DS: An RGB-D image dataset for semantic segmentation in agriculture. Sensors, 2023, 23(5), 2713.