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 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. Ausführliche Beschreibung

Gespeichert in:

Autor*in:	Wellhausen, Christina [verfasserIn] Pflanz, Michael [verfasserIn] Pohl, Jan-Philip [verfasserIn] Nordmeyer, Henning [verfasserIn]

Format:	E-Artikel
Sprache:	Deutsch ; Englisch

Erschienen:	2020

Schlagwörter:	assistance system image recognition site-specific weed control weed distribution maps

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 Link aufrufen Link aufrufen Journal toc Journal toc

DOI / URN:	10.5073/jka.2020.464.034

Katalog-ID:	DOAJ097603228

Internformat


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

Indexfelder

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

Nicht das Richtige dabei?

Schreiben Sie uns!

Generierung von Unkrautverteilungskarten auf der Basis automatischer Annotierungen in Feldaufnahmen

Nicht das Richtige dabei?

Zugang & Verfügbarkeit

Vorhandene Bände

Nicht das Richtige dabei?