Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen
Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzensch...
Ausführliche Beschreibung
Autor*in: |
Wellhausen, Christina [verfasserIn] Pflanz, Michael [verfasserIn] Pohl, Jan-Philip [verfasserIn] Nordmeyer, Henning [verfasserIn] |
---|
Format: |
E-Artikel |
---|---|
Sprache: |
Deutsch ; Englisch |
Erschienen: |
2020 |
---|
Schlagwörter: |
---|
Übergeordnetes Werk: |
In: Julius-Kühn-Archiv - Julius Kühn-Institut, 2013, 464(2020), Seite 222-227 |
---|---|
Übergeordnetes Werk: |
volume:464 ; year:2020 ; pages:222-227 |
Links: |
Link aufrufen |
---|
DOI / URN: |
10.5073/jka.2020.464.034 |
---|
Katalog-ID: |
DOAJ097603228 |
---|
LEADER | 01000naa a22002652 4500 | ||
---|---|---|---|
001 | DOAJ097603228 | ||
003 | DE-627 | ||
005 | 20240413190340.0 | ||
007 | cr uuu---uuuuu | ||
008 | 240413s2020 xx |||||o 00| ||ger c | ||
024 | 7 | |a 10.5073/jka.2020.464.034 |2 doi | |
035 | |a (DE-627)DOAJ097603228 | ||
035 | |a (DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899 | ||
040 | |a DE-627 |b ger |c DE-627 |e rakwb | ||
041 | |a ger |a eng | ||
050 | 0 | |a QK1-989 | |
100 | 0 | |a Wellhausen, Christina |e verfasserin |4 aut | |
245 | 1 | 0 | |a Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
264 | 1 | |c 2020 | |
336 | |a Text |b txt |2 rdacontent | ||
337 | |a Computermedien |b c |2 rdamedia | ||
338 | |a Online-Ressource |b cr |2 rdacarrier | ||
520 | |a Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. | ||
650 | 4 | |a assistance system | |
650 | 4 | |a image recognition | |
650 | 4 | |a site-specific weed control | |
650 | 4 | |a weed distribution maps | |
653 | 0 | |a Agriculture | |
653 | 0 | |a S | |
653 | 0 | |a Botany | |
700 | 0 | |a Pflanz, Michael |e verfasserin |4 aut | |
700 | 0 | |a Pohl, Jan-Philip |e verfasserin |4 aut | |
700 | 0 | |a Nordmeyer, Henning |e verfasserin |4 aut | |
773 | 0 | 8 | |i In |t Julius-Kühn-Archiv |d Julius Kühn-Institut, 2013 |g 464(2020), Seite 222-227 |w (DE-627)618327355 |w (DE-600)2537684-6 |x 2199921X |7 nnns |
773 | 1 | 8 | |g volume:464 |g year:2020 |g pages:222-227 |
856 | 4 | 0 | |u https://doi.org/10.5073/jka.2020.464.034 |z kostenfrei |
856 | 4 | 0 | |u https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899 |z kostenfrei |
856 | 4 | 0 | |u https://www.openagrar.de/receive/openagrar_mods_00056667 |z kostenfrei |
856 | 4 | 2 | |u https://doaj.org/toc/1868-9892 |y Journal toc |z kostenfrei |
856 | 4 | 2 | |u https://doaj.org/toc/2199-921X |y Journal toc |z kostenfrei |
912 | |a GBV_USEFLAG_A | ||
912 | |a SYSFLAG_A | ||
912 | |a GBV_DOAJ | ||
912 | |a GBV_ILN_20 | ||
912 | |a GBV_ILN_22 | ||
912 | |a GBV_ILN_24 | ||
912 | |a GBV_ILN_31 | ||
912 | |a GBV_ILN_39 | ||
912 | |a GBV_ILN_40 | ||
912 | |a GBV_ILN_60 | ||
912 | |a GBV_ILN_62 | ||
912 | |a GBV_ILN_63 | ||
912 | |a GBV_ILN_65 | ||
912 | |a GBV_ILN_69 | ||
912 | |a GBV_ILN_70 | ||
912 | |a GBV_ILN_73 | ||
912 | |a GBV_ILN_95 | ||
912 | |a GBV_ILN_105 | ||
912 | |a GBV_ILN_110 | ||
912 | |a GBV_ILN_151 | ||
912 | |a GBV_ILN_161 | ||
912 | |a GBV_ILN_213 | ||
912 | |a GBV_ILN_230 | ||
912 | |a GBV_ILN_235 | ||
912 | |a GBV_ILN_285 | ||
912 | |a GBV_ILN_293 | ||
912 | |a GBV_ILN_602 | ||
912 | |a GBV_ILN_2014 | ||
912 | |a GBV_ILN_2018 | ||
912 | |a GBV_ILN_2034 | ||
912 | |a GBV_ILN_2055 | ||
912 | |a GBV_ILN_2147 | ||
912 | |a GBV_ILN_2148 | ||
912 | |a GBV_ILN_4012 | ||
912 | |a GBV_ILN_4037 | ||
912 | |a GBV_ILN_4112 | ||
912 | |a GBV_ILN_4125 | ||
912 | |a GBV_ILN_4126 | ||
912 | |a GBV_ILN_4249 | ||
912 | |a GBV_ILN_4305 | ||
912 | |a GBV_ILN_4306 | ||
912 | |a GBV_ILN_4307 | ||
912 | |a GBV_ILN_4313 | ||
912 | |a GBV_ILN_4322 | ||
912 | |a GBV_ILN_4323 | ||
912 | |a GBV_ILN_4324 | ||
912 | |a GBV_ILN_4325 | ||
912 | |a GBV_ILN_4335 | ||
912 | |a GBV_ILN_4367 | ||
912 | |a GBV_ILN_4700 | ||
951 | |a AR | ||
952 | |d 464 |j 2020 |h 222-227 |
author_variant |
c w cw m p mp j p p jpp h n hn |
---|---|
matchkey_str |
article:2199921X:2020----::eeirnvnnruvrelnsatnudraiatmtshrno |
hierarchy_sort_str |
2020 |
callnumber-subject-code |
QK |
publishDate |
2020 |
allfields |
10.5073/jka.2020.464.034 doi (DE-627)DOAJ097603228 (DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899 DE-627 ger DE-627 rakwb ger eng QK1-989 Wellhausen, Christina verfasserin aut Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen 2020 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. assistance system image recognition site-specific weed control weed distribution maps Agriculture S Botany Pflanz, Michael verfasserin aut Pohl, Jan-Philip verfasserin aut Nordmeyer, Henning verfasserin aut In Julius-Kühn-Archiv Julius Kühn-Institut, 2013 464(2020), Seite 222-227 (DE-627)618327355 (DE-600)2537684-6 2199921X nnns volume:464 year:2020 pages:222-227 https://doi.org/10.5073/jka.2020.464.034 kostenfrei https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899 kostenfrei https://www.openagrar.de/receive/openagrar_mods_00056667 kostenfrei https://doaj.org/toc/1868-9892 Journal toc kostenfrei https://doaj.org/toc/2199-921X Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ GBV_ILN_20 GBV_ILN_22 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_213 GBV_ILN_230 GBV_ILN_235 GBV_ILN_285 GBV_ILN_293 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_2018 GBV_ILN_2034 GBV_ILN_2055 GBV_ILN_2147 GBV_ILN_2148 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4367 GBV_ILN_4700 AR 464 2020 222-227 |
spelling |
10.5073/jka.2020.464.034 doi (DE-627)DOAJ097603228 (DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899 DE-627 ger DE-627 rakwb ger eng QK1-989 Wellhausen, Christina verfasserin aut Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen 2020 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. assistance system image recognition site-specific weed control weed distribution maps Agriculture S Botany Pflanz, Michael verfasserin aut Pohl, Jan-Philip verfasserin aut Nordmeyer, Henning verfasserin aut In Julius-Kühn-Archiv Julius Kühn-Institut, 2013 464(2020), Seite 222-227 (DE-627)618327355 (DE-600)2537684-6 2199921X nnns volume:464 year:2020 pages:222-227 https://doi.org/10.5073/jka.2020.464.034 kostenfrei https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899 kostenfrei https://www.openagrar.de/receive/openagrar_mods_00056667 kostenfrei https://doaj.org/toc/1868-9892 Journal toc kostenfrei https://doaj.org/toc/2199-921X Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ GBV_ILN_20 GBV_ILN_22 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_213 GBV_ILN_230 GBV_ILN_235 GBV_ILN_285 GBV_ILN_293 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_2018 GBV_ILN_2034 GBV_ILN_2055 GBV_ILN_2147 GBV_ILN_2148 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4367 GBV_ILN_4700 AR 464 2020 222-227 |
allfields_unstemmed |
10.5073/jka.2020.464.034 doi (DE-627)DOAJ097603228 (DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899 DE-627 ger DE-627 rakwb ger eng QK1-989 Wellhausen, Christina verfasserin aut Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen 2020 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. assistance system image recognition site-specific weed control weed distribution maps Agriculture S Botany Pflanz, Michael verfasserin aut Pohl, Jan-Philip verfasserin aut Nordmeyer, Henning verfasserin aut In Julius-Kühn-Archiv Julius Kühn-Institut, 2013 464(2020), Seite 222-227 (DE-627)618327355 (DE-600)2537684-6 2199921X nnns volume:464 year:2020 pages:222-227 https://doi.org/10.5073/jka.2020.464.034 kostenfrei https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899 kostenfrei https://www.openagrar.de/receive/openagrar_mods_00056667 kostenfrei https://doaj.org/toc/1868-9892 Journal toc kostenfrei https://doaj.org/toc/2199-921X Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ GBV_ILN_20 GBV_ILN_22 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_213 GBV_ILN_230 GBV_ILN_235 GBV_ILN_285 GBV_ILN_293 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_2018 GBV_ILN_2034 GBV_ILN_2055 GBV_ILN_2147 GBV_ILN_2148 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4367 GBV_ILN_4700 AR 464 2020 222-227 |
allfieldsGer |
10.5073/jka.2020.464.034 doi (DE-627)DOAJ097603228 (DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899 DE-627 ger DE-627 rakwb ger eng QK1-989 Wellhausen, Christina verfasserin aut Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen 2020 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. assistance system image recognition site-specific weed control weed distribution maps Agriculture S Botany Pflanz, Michael verfasserin aut Pohl, Jan-Philip verfasserin aut Nordmeyer, Henning verfasserin aut In Julius-Kühn-Archiv Julius Kühn-Institut, 2013 464(2020), Seite 222-227 (DE-627)618327355 (DE-600)2537684-6 2199921X nnns volume:464 year:2020 pages:222-227 https://doi.org/10.5073/jka.2020.464.034 kostenfrei https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899 kostenfrei https://www.openagrar.de/receive/openagrar_mods_00056667 kostenfrei https://doaj.org/toc/1868-9892 Journal toc kostenfrei https://doaj.org/toc/2199-921X Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ GBV_ILN_20 GBV_ILN_22 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_213 GBV_ILN_230 GBV_ILN_235 GBV_ILN_285 GBV_ILN_293 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_2018 GBV_ILN_2034 GBV_ILN_2055 GBV_ILN_2147 GBV_ILN_2148 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4367 GBV_ILN_4700 AR 464 2020 222-227 |
allfieldsSound |
10.5073/jka.2020.464.034 doi (DE-627)DOAJ097603228 (DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899 DE-627 ger DE-627 rakwb ger eng QK1-989 Wellhausen, Christina verfasserin aut Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen 2020 Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. assistance system image recognition site-specific weed control weed distribution maps Agriculture S Botany Pflanz, Michael verfasserin aut Pohl, Jan-Philip verfasserin aut Nordmeyer, Henning verfasserin aut In Julius-Kühn-Archiv Julius Kühn-Institut, 2013 464(2020), Seite 222-227 (DE-627)618327355 (DE-600)2537684-6 2199921X nnns volume:464 year:2020 pages:222-227 https://doi.org/10.5073/jka.2020.464.034 kostenfrei https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899 kostenfrei https://www.openagrar.de/receive/openagrar_mods_00056667 kostenfrei https://doaj.org/toc/1868-9892 Journal toc kostenfrei https://doaj.org/toc/2199-921X Journal toc kostenfrei GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ GBV_ILN_20 GBV_ILN_22 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_213 GBV_ILN_230 GBV_ILN_235 GBV_ILN_285 GBV_ILN_293 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_2018 GBV_ILN_2034 GBV_ILN_2055 GBV_ILN_2147 GBV_ILN_2148 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4367 GBV_ILN_4700 AR 464 2020 222-227 |
language |
German English |
source |
In Julius-Kühn-Archiv 464(2020), Seite 222-227 volume:464 year:2020 pages:222-227 |
sourceStr |
In Julius-Kühn-Archiv 464(2020), Seite 222-227 volume:464 year:2020 pages:222-227 |
format_phy_str_mv |
Article |
institution |
findex.gbv.de |
topic_facet |
assistance system image recognition site-specific weed control weed distribution maps Agriculture S Botany |
isfreeaccess_bool |
true |
container_title |
Julius-Kühn-Archiv |
authorswithroles_txt_mv |
Wellhausen, Christina @@aut@@ Pflanz, Michael @@aut@@ Pohl, Jan-Philip @@aut@@ Nordmeyer, Henning @@aut@@ |
publishDateDaySort_date |
2020-01-01T00:00:00Z |
hierarchy_top_id |
618327355 |
id |
DOAJ097603228 |
language_de |
deutsch englisch |
fullrecord |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000naa a22002652 4500</leader><controlfield tag="001">DOAJ097603228</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20240413190340.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">240413s2020 xx |||||o 00| ||ger c</controlfield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.5073/jka.2020.464.034</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)DOAJ097603228</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ger</subfield><subfield code="a">eng</subfield></datafield><datafield tag="050" ind1=" " ind2="0"><subfield code="a">QK1-989</subfield></datafield><datafield tag="100" ind1="0" ind2=" "><subfield code="a">Wellhausen, Christina</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2020</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">assistance system</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">image recognition</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">site-specific weed control</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">weed distribution maps</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Agriculture</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">S</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Botany</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Pflanz, Michael</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Pohl, Jan-Philip</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Nordmeyer, Henning</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">In</subfield><subfield code="t">Julius-Kühn-Archiv</subfield><subfield code="d">Julius Kühn-Institut, 2013</subfield><subfield code="g">464(2020), Seite 222-227</subfield><subfield code="w">(DE-627)618327355</subfield><subfield code="w">(DE-600)2537684-6</subfield><subfield code="x">2199921X</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:464</subfield><subfield code="g">year:2020</subfield><subfield code="g">pages:222-227</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doi.org/10.5073/jka.2020.464.034</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://www.openagrar.de/receive/openagrar_mods_00056667</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/1868-9892</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/2199-921X</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_DOAJ</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_20</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_22</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_24</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_31</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_39</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_40</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_60</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_62</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_63</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_65</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_69</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_70</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_73</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_95</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_105</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_110</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_151</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_161</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_213</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_230</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_235</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_285</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_293</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_602</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2014</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2018</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2034</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2055</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2147</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2148</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4012</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4037</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4112</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4125</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4126</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4249</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4305</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4306</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4307</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4313</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4322</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4323</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4324</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4325</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4335</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4367</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4700</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">464</subfield><subfield code="j">2020</subfield><subfield code="h">222-227</subfield></datafield></record></collection>
|
callnumber-first |
Q - Science |
author |
Wellhausen, Christina |
spellingShingle |
Wellhausen, Christina misc QK1-989 misc assistance system misc image recognition misc site-specific weed control misc weed distribution maps misc Agriculture misc S misc Botany Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
authorStr |
Wellhausen, Christina |
ppnlink_with_tag_str_mv |
@@773@@(DE-627)618327355 |
format |
electronic Article |
delete_txt_mv |
keep |
author_role |
aut aut aut aut |
collection |
DOAJ |
remote_str |
true |
callnumber-label |
QK1-989 |
illustrated |
Not Illustrated |
issn |
2199921X |
topic_title |
QK1-989 Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen assistance system image recognition site-specific weed control weed distribution maps |
topic |
misc QK1-989 misc assistance system misc image recognition misc site-specific weed control misc weed distribution maps misc Agriculture misc S misc Botany |
topic_unstemmed |
misc QK1-989 misc assistance system misc image recognition misc site-specific weed control misc weed distribution maps misc Agriculture misc S misc Botany |
topic_browse |
misc QK1-989 misc assistance system misc image recognition misc site-specific weed control misc weed distribution maps misc Agriculture misc S misc Botany |
format_facet |
Elektronische Aufsätze Aufsätze Elektronische Ressource |
format_main_str_mv |
Text Zeitschrift/Artikel |
carriertype_str_mv |
cr |
hierarchy_parent_title |
Julius-Kühn-Archiv |
hierarchy_parent_id |
618327355 |
hierarchy_top_title |
Julius-Kühn-Archiv |
isfreeaccess_txt |
true |
familylinks_str_mv |
(DE-627)618327355 (DE-600)2537684-6 |
title |
Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
ctrlnum |
(DE-627)DOAJ097603228 (DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899 |
title_full |
Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
author_sort |
Wellhausen, Christina |
journal |
Julius-Kühn-Archiv |
journalStr |
Julius-Kühn-Archiv |
callnumber-first-code |
Q |
lang_code |
ger eng |
isOA_bool |
true |
recordtype |
marc |
publishDateSort |
2020 |
contenttype_str_mv |
txt |
container_start_page |
222 |
author_browse |
Wellhausen, Christina Pflanz, Michael Pohl, Jan-Philip Nordmeyer, Henning |
container_volume |
464 |
class |
QK1-989 |
format_se |
Elektronische Aufsätze |
author-letter |
Wellhausen, Christina |
doi_str_mv |
10.5073/jka.2020.464.034 |
author2-role |
verfasserin |
title_sort |
generierung von unkrautverteilungskarten auf der basis automatischer annotierungen in feldaufnahmen |
callnumber |
QK1-989 |
title_auth |
Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
abstract |
Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. |
abstractGer |
Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. |
abstract_unstemmed |
Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt. |
collection_details |
GBV_USEFLAG_A SYSFLAG_A GBV_DOAJ GBV_ILN_20 GBV_ILN_22 GBV_ILN_24 GBV_ILN_31 GBV_ILN_39 GBV_ILN_40 GBV_ILN_60 GBV_ILN_62 GBV_ILN_63 GBV_ILN_65 GBV_ILN_69 GBV_ILN_70 GBV_ILN_73 GBV_ILN_95 GBV_ILN_105 GBV_ILN_110 GBV_ILN_151 GBV_ILN_161 GBV_ILN_213 GBV_ILN_230 GBV_ILN_235 GBV_ILN_285 GBV_ILN_293 GBV_ILN_602 GBV_ILN_2014 GBV_ILN_2018 GBV_ILN_2034 GBV_ILN_2055 GBV_ILN_2147 GBV_ILN_2148 GBV_ILN_4012 GBV_ILN_4037 GBV_ILN_4112 GBV_ILN_4125 GBV_ILN_4126 GBV_ILN_4249 GBV_ILN_4305 GBV_ILN_4306 GBV_ILN_4307 GBV_ILN_4313 GBV_ILN_4322 GBV_ILN_4323 GBV_ILN_4324 GBV_ILN_4325 GBV_ILN_4335 GBV_ILN_4367 GBV_ILN_4700 |
title_short |
Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen |
url |
https://doi.org/10.5073/jka.2020.464.034 https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899 https://www.openagrar.de/receive/openagrar_mods_00056667 https://doaj.org/toc/1868-9892 https://doaj.org/toc/2199-921X |
remote_bool |
true |
author2 |
Pflanz, Michael Pohl, Jan-Philip Nordmeyer, Henning |
author2Str |
Pflanz, Michael Pohl, Jan-Philip Nordmeyer, Henning |
ppnlink |
618327355 |
callnumber-subject |
QK - Botany |
mediatype_str_mv |
c |
isOA_txt |
true |
hochschulschrift_bool |
false |
doi_str |
10.5073/jka.2020.464.034 |
callnumber-a |
QK1-989 |
up_date |
2024-07-04T01:52:26.759Z |
_version_ |
1803611481589153792 |
fullrecord_marcxml |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000naa a22002652 4500</leader><controlfield tag="001">DOAJ097603228</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20240413190340.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">240413s2020 xx |||||o 00| ||ger c</controlfield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.5073/jka.2020.464.034</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)DOAJ097603228</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DOAJ8531592cf7424664bc9cb86ff23e2899</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ger</subfield><subfield code="a">eng</subfield></datafield><datafield tag="050" ind1=" " ind2="0"><subfield code="a">QK1-989</subfield></datafield><datafield tag="100" ind1="0" ind2=" "><subfield code="a">Wellhausen, Christina</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2020</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Moderne Applikationstechnik, wie z. B. Mehrkammersysteme, ermöglicht inzwischen sowohl eine an die räumlich variable Unkrautverteilung angepasste Herbizidaufwandmenge als auch die Herbizidwahl. Für die Umsetzung einer solchen teilflächenspezifischen Applikation ist neben einem geeigneten Pflanzenschutzgerät auch die Integration von Metainformationen zur exakten Charakterisierung von Teilflächen und zur Berücksichtigung von Abstandsauflagen in Randbereichen sinnvoll. Dazu wird zurzeit ein Assistenzsystem entwickelt, das unter anderem auch Informationen über die Unkrautverteilung beinhaltet. Ein möglicher Ansatz, die für eine teilflächenspezifische Herbizidapplikation notwendigen Unkrautverteilungskarten zu generieren, ist die objektbasierte Analyse von georeferenzierten Bilddaten unter Verwendung von Modellen des maschinellen Lernens. Beispielhaft wurde ein Bag-of-Visual-Words (BoVW) Ansatz für die Erkennung von Unkrautarten in Luftbildaufnahmen aus UAV-Befliegungen (unmanned aerial vehicle) erfolgreich angewendet. Zur Erstellung von Unkrautverteilungskarten mit umfassenderem Unkrautartenspektrum ist jedoch die Analyse größerer Datensätze notwendig, für die die Verwendung von deep learning Algorithmen erforderlich ist. Die Eignung dieser Algorithmen wurde in dieser Studie unter Verwendung von convolutional neural nets (CNN)s anhand von Bildaufnahmen aus Feldversuchen überprüft. Dabei zeigte sich, dass die Präzision des verwendeten Klassifikators, mit Ausnahme von Ehrenpreis-Arten (VERSS), für die jeweiligen Klassen bei über 84 % lag. Bei Anwendung der CNN-Modelle auf Aufnahmen aus geringer Höhe konnte ermittelt werden, dass sich die getesteten Algorithmen grundsätzlich für eine Vorhersage der richtigen Pflanzen- bzw. Bodenkategorie eignen. Bei einem geringen Anteil von Acker-Fuchsschwanzpflanzen (ALOMY) in den Aufnahmen wurde jedoch der vorhergesagte Flächenanteil von ALOMY deutlich überschätzt.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">assistance system</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">image recognition</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">site-specific weed control</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">weed distribution maps</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Agriculture</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">S</subfield></datafield><datafield tag="653" ind1=" " ind2="0"><subfield code="a">Botany</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Pflanz, Michael</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Pohl, Jan-Philip</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="0" ind2=" "><subfield code="a">Nordmeyer, Henning</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">In</subfield><subfield code="t">Julius-Kühn-Archiv</subfield><subfield code="d">Julius Kühn-Institut, 2013</subfield><subfield code="g">464(2020), Seite 222-227</subfield><subfield code="w">(DE-627)618327355</subfield><subfield code="w">(DE-600)2537684-6</subfield><subfield code="x">2199921X</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:464</subfield><subfield code="g">year:2020</subfield><subfield code="g">pages:222-227</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doi.org/10.5073/jka.2020.464.034</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doaj.org/article/8531592cf7424664bc9cb86ff23e2899</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://www.openagrar.de/receive/openagrar_mods_00056667</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/1868-9892</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="u">https://doaj.org/toc/2199-921X</subfield><subfield code="y">Journal toc</subfield><subfield code="z">kostenfrei</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_DOAJ</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_20</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_22</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_24</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_31</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_39</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_40</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_60</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_62</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_63</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_65</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_69</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_70</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_73</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_95</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_105</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_110</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_151</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_161</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_213</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_230</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_235</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_285</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_293</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_602</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2014</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2018</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2034</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2055</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2147</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2148</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4012</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4037</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4112</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4125</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4126</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4249</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4305</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4306</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4307</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4313</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4322</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4323</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4324</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4325</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4335</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4367</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4700</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">464</subfield><subfield code="j">2020</subfield><subfield code="h">222-227</subfield></datafield></record></collection>
|
score |
7.4003944 |