Mit Drohne und Deep Learning zur Detektion von Neophyten am Beispiel des Erdmandelgrases (Cyperus esculentus)

• Research unit: FOAG
• Project number: 21.07

Key words (German)

Neophyten, Drohne, Erdmandelgras, Monitoring, Deep Learning

Key words (English)

Neophytes, drone, tiger grass, monitoring, deep learning

Key words (French)

Néophytes, drone, souchet, monitoring, deep learning

Short description (German)

Invasive Neophyten verdrängen einheimische Arten und richten mitunter grosse Schäden in der Landwirtschaft an. Ein solcher Neophyt ist das Erdmandelgras (Cyperus esculentus), das sich seit Jahren in der Schweiz ausbreitet. Je früher Erdmandelgrasvorkommen gefunden werden, desto einfacher ist die Sanierung. Es gibt zum jetzigen Zeitpunkt kein organisiertes Monitoring sondern der Produzent findet den Neophyt quasi «zufällig». Daher schlagen wir vor eine drohnengestützte Monitoringmethode zu entwickeln. Hierfür werden in einem Arbeitspaket (AP2) hochauflösende Luftbilder von zwei kommerziell genutzten Landwirtschaftsflächen gemacht. Die Luftbilder werden mehrmals pro Saison aus verschiedenen Höhen und mit verschiedenen Plattformen und Sensoren aufgenommen, sodass später eine Empfehlung bezüglich der am besten geeigneten Drohnenplattform ausgesprochen werden kann. Die Bilddaten werden mit Boniturdaten verschnitten und manuell annotiert und dann für die Entwicklung eines selbstlernenden Bildanalysesystems mittels maschinellem Lernen und Deep Learning genutzt (AP 3). Die Entwicklung des Klassifikationsalgorithmus anhand von Felddaten zeigt die Anwendung und Potentiale der AIgestützen Bildanalyse auf und bietet die Grundlage für weiterführende Anwendungen in der Praxis. Die Arbeitspakete 1 und 4 organisieren das Projektmanagement sowie die Verbreitung der Ergebnisse auf verschiedenen Ebenen für Produzenten Beratung und Wissenschaft.

Abstract (German)

Im Rahmen des Projektes zur Erdmandelgraserkennung wurden im Austausch mit kantonalen Bera-tern und ProduzentInnen zahlreiche Landwirtschaftsflächen mit Erdmandelgrasvorkommen identifiziert. Dort wurden hochauflösende Drohnendaten mit verschiedenen Aufnahmekonfigurationen erhoben, während auf geeigneten Flächen zeitgleich manuelle Feldbonituren durchgeführt wurden. Aus den Drohnendaten wurden hochauslösende Orthophotos erstellt, anhand derer die ExpertInnen das Erdmandelgras labelten und dem Convolutional Neural Network YOLO v8 als Trainingsdaten zur Verfügung stellten. Um den Prozess des arbeitsintensiven Bildlabelns zu vereinfachen, wurde ein Prozessierungsworkflow entwickelt, der den ExpertInnen anhand von assistiertem Labelling Empfehlungen unterbreitete und damit Qualität und Geschwindigkeit des Labellingprozesses stark verbesserte. Die Resultate zeigen, dass es dem Convolutional Neural Network (CNN) gelingt, Erdmandelgras auf grossen, agronomisch genutzten Flächen zu erkennen und räumlich zu lokalisieren. Allerdings zeigen die Auswertungen, dass die Qualität der Bilddaten, die Anwendung von Experten-wissen im Labellingprozess sowie die beschränkte Auswahl an Feldkulturen grosse Herausforderungen an die Detektion und Klassifikation stellen. Abschliessend zeigen die Ergebnisse, dass der entwickelte Workflow eine field-to-field Anwendung ermöglicht, die jedoch in ihrer Qualität und Skalierbarkeit anhand weiterer Felddaten weiterentwickelt werden muss.