Sensorgestütztes Erkennen von Krankheiten und Schädlingen im Gartenbau - Martin Geyer
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Sensorgestütztes Erkennen von Krankheiten und Schädlingen im Gartenbau Martin Geyer mit Unterstützung von W. Herppich, M. Pflanz, K.-H. Dammer, J. Intress, (alle ATB) und A. Ruckelshausen (HS Osnabrück)
Was kann/muss erkannt werden und wann, um
frühzeitig Gegenmaßnahmen einzuleiten?
Schädlinge
Eier, Sporen, …
Entwicklungsstufen
Imago
Schaden
rechtzeitig und unter Berücksichtigung
von Schadensschwelle
03.07.2019 2
Vielfalt gartenbaulicher Kulturen
• Obst
• Gemüse
• Pilze
• Zierpflanzen
• Baumschule
• Mehrere Hundert unterschiedliche Kulturen im Freiland und im
geschützten Anbau mit unterschiedlichen pflanzenbaulichen
Ansprüchen und unterschiedlichen Empfindlichkeiten für
Schaderreger
03.07.2019 3
Gartenbauliche Schadorganismen (ortsgebunden, beweglich, fliegend / offen, versteckt, geschützt) • Pilze • Bakterien • Viren • Hefen • Insekten (Läuse, Thripse, Schmetterlinge (Raupen), Fliegen (Maden), Käfer (Larven, Engerlinge), Zikaden • Milben (rote Spinne) • Nematoden • Schnecken • Wirbeltiere (Mäuse) • (Unkraut) 03.07.2019 4
Schadsymptome an Pflanzen
• Fraßschäden an Blatt, Hypokotyl, Wurzel
• Belag (Mehltau, Rost) auf Blattober- bzw. -unterseite
• Verfärbung (Vergilbung, Chlorophyllabbau)
• Verformung, Verkrümmung
• Welke (nachlassende Turgeszenz und Blattglanz)
• Wachstumsdepressionen
• Fäulen, Nekrosen
03.07.2019 5
Problem des frühzeitigen Erkennen von Schädlingen
(Auflösung und Kamerachip)
https://www.google.de/search?q=kohl
wei%C3%9Fling&rlz=1C2GCEU_deD
E846DE846&tbm=isch&source=iu&ict
x=1&fir=7Ta3U9UvQdjPkM%253A%2
52C4rVcTJO167fH-
M%252C%252Fm%252F03cvmz&vet
=1&usg=AI4_-
kS9lWQtL2T_lvOWuJU3q8D-
Fa_rbg&sa=X&ved=2ahUKEwjW8Ju8
6OjhAhVBLewKHUaWDIwQ_B0wCno
ECA0QBg#imgrc=ik554D0wFEzb0M:
&vet=1
G: Gegenstand (Größe)
B: Gegenstand im Bild (auf dem Chip)
b: Abstand Hauptebene - Bild (Chip) G = ((g / f) - 1) * B
g: Abstand Gegenstand - Hauptebene
f: Brennweite
Aus Brennweite und Gegenstandsabstand (und Gegenstandsgröße) ergibt
sich die Pixelanzahl je Gegenstand.
03.07.2019 6
Messverfahren / Sensoren • RGB- und Falschfarben Kamera inkl. Computer Bildverarbeitung • Hyper- und Multispektralkamera • UV, VIS, NIR Spektroskopie • Chlorophyll Fluoreszenz Spektroskopie bzw. Bildanalyse • Wärmebildkamera (Thermografie) • Fallen (Gelbtafel, Pheromone, Licht) • Elektrochemische Sensoren, Elektronische Nase (VOCs) • Akustik (Lagerschädlinge) 03.07.2019 7
Messverfahren / Sensoren • RGB- und Falschfarben Kamera inkl. Computer Bildverarbeitung • Hyper- und Multispektralkamera • UV, VIS, NIR Spektroskopie • Chlorophyll Fluoreszenz Spektroskopie bzw. Bildanalyse • Wärmebildkamera (Thermografie) • Fallen (Gelbtafel, Pheromone, Licht) • Elektrochemische Sensoren, Elektronische Nase (VOCs) • Akustik (Lagerschädlinge) 03.07.2019 8
RGB und Falschfarben
Erkennen von Larven des Kartoffelkäfers
RGB, Falschfarben S/W Darstellung
Rot-Filter IR
03.07.2019 (Quelle: K.-H. Dammer, ATB, nicht veröffentlicht) 9
Computer Bildverarbeitung Erkennen von Blattschäden, Unkraut und Fremdpflanzen (z.B. Ambrosia / Beifuß) (Quelle: Karl-Heinz Dammer, ATB)
Optische Erkennung von Läusen
Quelle: Ulrich Stachow / ZALF
(Quelle: www.be-bots.com)
03.07.2019 11Triangel-Kamerasystem zum Überwachen von
Kohlfliegen bei der Eiablage am Hypokotyl
Bild: Hortipendium,
Josef Schlaghecken
Foto des Kamerasystems
Schema des Triangel Kamerasystems
Originalbildausschnitt mit Insekt
Erfolgreich detektiertes Insekt
nach Plausibilitätsprüfung Binäres Bild des Insekts nach
Filterung des Hintergrund
(Quelle: A. Ruckelshausen, HS Osnabrück)
03.07.2019 12Bekämpfung von Fluginsekten mit Drohnen
(Bild: M. Zude, ATB)
• Our drones target flying insects
in greenhouses. In the future we
also aim for open fields.
• Our current focus is on several
types of moths.
• Other insects that we are
studying are Lyprauta, Sciara
and other small flies.
(Andere Bilder: pats-drones
www.pats-drones.com)
03.07.2019 13Bekämpfung von Nacktschnecken
Slugbot (2003)
http://news.bbc.co.uk/olmedia/1540000/i
mages/_1542588_slug1.jpg
http://media2.intoday.in/indiatoday//images/2057/09
0724034036_EATR2.jpg https://ai2-s2-
public.s3.amazonaws.com/figures/2017-08-
08/3fa3f885033c7d9e501641221a6d64762a
9dea76/7-Figure2-1.png
MSRBot
(Quelle: KommTec, Uni Kassel,
JKI (seit 12.2016))
https://ai2-s2-public.s3.amazonaws.com/figures/2017-
08-
08/ae654ff74dd15d032cf345fc966e73e59172a73d/4-
Figure2-1.png
03.07.2019 Kelly, I, 2003. The design of a robotic predator: The SlugBot 14
ROBOTICA Volume: 21 Pages: 399-406 Part: 4Hyperspektral-Bildanalyse
Detektion von Fusariuminfektion an Winterweizen
25 50
diseased, classified in %
45
control, classified in %
20 40
Proportion of diseased
classified pixel in %
diseased, rating in %
35
Rating in %
15
control, rating in % 30
25
10 20
15
5 10
5
0 0
8 11 14 16 18 21 29
Days after inoculation
Bauriegel et al. 2011. COMPAG 75:304-312Chlorophyllfluoreszenz-Bildanalyse
Detektion von Fusariuminfektion an Winterweizen
50% befallen 60% befallen 100% befallen
21.03.08 starke Symptome (5.5) 25.03.08 starke Symptome (5.5) 07.04.08 starke Symptome (5.5) Fv/Fm-
0.006 0.006 0.007
Skala
0.006
0.005 0.005
0.005
0.004 0.004
Fv /Fm in % (%)
amount
0.004
amount
amount
0.003 0.003
0.003 100
0.002 0.002
0.002
Pixelanteil
0.001 0.001 0.001 90
0 0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
80
value value value
70
percentage of
Kontrollen 60 2%
Relativer kumulativer Pixelanteil (%)
kumulativer
starke Symptome
schwache Symptome 3%
50
10%
40
40%
Cumulative
30 50%
Relativer 60%
20
90%
10
100%
0
05
15
25
35
45
55
65
75
85
1
2
3
4
5
6
7
8
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
Klassen
Classvon Fvof/F
groups Fv /Fm
m
Tage nach Inokulation
Bauriegel et al. 2011. JABFQ 83:196-203; Sensors 11:3765-3779Chlorophyllfluoreszenz-Bildanalyse
Selektion neuer Bremia lactucae resistenter Salatlinien
Fv/Fm
0,1
0,8
CFBA Züchter
resistente / anfällige
Sorte
0.8
0.7 Neckarriesen, 13. dai
0.6
Fv/Fm [rel. Einheiten]
0.5
0.4
0.3
0.2
0.1
0
0 20 40 60 80 100
Befall in %
Bauriegel et al. 2014. COMPAG 105:74-82;
Brabandt et al. 2014. Sci. Hortic. 180:123-129Messverfahren / Sensoren • RGB- und Falschfarben Kamera inkl. Computer Bildverarbeitung • Hyper- und Multispektralkamera • UV, VIS, NIR Spektroskopie • Chlorophyll Fluoreszenz Spektroskopie bzw. Bildanalyse • Wärmebildkamera (Thermografie) • Fallen (Gelbtafel, Pheromone, Licht) • Elektrochemische Sensoren, Elektronische Nase (VOCs) • Akustik (Lagerschädlinge) 03.07.2019 18
Lockfallen bzw. Gelbtafeln / Maschinelles Lernen Erkennen von Individuen (Bild: KOB, Bavendorf) (Bild ATB, Pflanz, Schirrmann, Landwehr) Beispiel einer Lockfalle für manuelle Bonituren von Insektenpopulationen im Erwerbsobstbau. Ergebnis der Vorhersage von vier Insektenarten mit Hilfe eines kalibrierten ResNet18-Modells. Es zeigte sich, dass eine automatische Annotierung von Gelbtafeln prinzipiell möglich ist.
Maschinelles Lernen Erkennen von Individuen Pflanz, M.; Pfaff, A.; Böckmann, E. 2019: „Automated pest and natural enemy detection“
Maschinelles Lernen Erkennen von Individuen kommerzielle Lösungen (Quelle: http://www.trapview.com)
Zählung/Erkennung von Fluginsekten (Quelle: Potamitis I. et al. 2018 Novel bimodal optoelectronic sensor based on Fresnel lenses and the associated stereo-recording device that records the wingbeat event of an insect in flight as backscattered and extinction light) 03.07.2019 22
Elektrochemische Sensoren (Elektronische Nase)
Pashalidou, Foteini G., 2016: To be in time: egg deposition enhances plant-mediated detection
of young caterpillars by parasitoids, OECOLOGIA, Volume 177
Verschiedene Messprinzipien
der „Nasen“:
Hier Messung des elektrischen
Widerstandes der
Datenfluss
Sensorschichten
Messkuevette Luft Produkt-
Laptop küvette
Durch-
flussmeterMessgas
35
100°C-ending signal ]
30
[starting signal
Difference
25
20
15
10
5
0
(Quelle: ATB) Tag 1 Tag 2 Tag 5Akustische Verfahren (Erkennen von Lagerschädlingen)
„Beetle Sound Tube-System“
Abhörtechnik für Kornkäfer in Getreidelagern
(Bild: V. Misgaiski)
(Bild: Christina Müller-Blenkle, JKI)
03.07.2019 24Schädlingssuche - die Zukunft
automatisierte, sensortechnische Phänotypisierung
Scout - Autonome Drohne
New Atlas, 16.12.2017
• Quadrocopter mit visuellen und
multispektralen Kameras
• bleibt in wetterfestem Shelter
• für Inspektionsflüge öffnet Shelterdach,
Drohne startet automatisch.
• folgt festem Ablauf, oder startet auf
Abruf
(Quelle:
http://www.american-robotics.com/)Zusammenfassung
• Das Erkennen von Schadorganismen und deren Schäden an
gartenbaulichen Kulturen in einem frühen Entwicklungszustand ist
schwierig
• Größe und Sichtbarkeit der Erreger erschweren das Erkennen
• Optische Verfahren sind am weitesten entwickelt
• Bestehende Erkennungsverfahren müssen weiterentwickelt und
neue Verfahren erforscht und entwickelt werden. Hierzu bedarf es
dringenden Forschungsbedarf
03.07.2019 26https://de.wikipedia.org/wiki/Gro%C3%9Fer_Kohlwei%C3%9Flin
g#/media/File:Gro%C3%9Fer_Kohlwei%C3%9Fling.jpg
Vielen Dank für Ihre
Aufmerksamkeit
03.07.2019 27Sie können auch lesen
