Nachhaltigkeit und Effizienz sind in der Landwirtschaft bedeutende Themen. Precision Farming und insbesondere die Anwendung der automatisierten Unkrautbekämpfung stellt ein zunehmend wichtiges Forschungsgebiet dar. Während Neurale Netzwerke für Erkennungs-, Klassifizierungs- und Segmentierungsaufgaben bereits in anderen Anwendungsbereichen erfolgreich angewandt wurden, fehlt es derzeit auf diesem Gebiet mit seinem stark datengetriebenen Ansatz an der erforderlichen Quantität und Qualität von Trainingsdaten.

Forscher:innen am AIT Center for Vision, Automation & Control (Competence Unit Assistive & Autonomous Systems) haben einen neuartigen, groß angelegten Bilddatensatz entwickelt, der auf die präzise Identifizierung von 74 relevanten Kulturpflanzen und Beikräuterarten spezialisiert ist.

Annotierter Datensatz mit Nutzpflanzenerkennung

Der Schwerpunkt lag dabei auf der Datenvariabilität. Sie stellen Annotationen für etwa 112.000 Instanzen in mehr als 8.000 hochauflösenden Bildern bereit. Dabei handelt es sich um Daten sowohl von landwirtschaftlich genutzten Flächen als auch von speziell kultivierten Freilandflächen mit seltenen Beikrautarten. Zusätzlich wurde jedes Beispiel mit einem umfangreichen Satz von Meta-Annotationen zu Umweltbedingungen und Aufnahmeparametern ergänzt. Darüber hinaus wurden Benchmark-Experimente für mehrere Lernaufgaben an verschiedenen Varianten des Datensatzes durchgeführt. Damit konnten die Vielseitigkeit aufgezeigt und Beispiele für nützliche Mapping-Schemata geliefert werden - so beispielsweise, wie annotierte Daten an die Anforderungen spezifischer Anwendungen angepasst werden können, um eigene Datensätze zu produzieren. Im Verlauf der Evaluierung wurde überdies demonstriert, wie sich die Genauigkeit in der Pflanzenerkennung erhöht, wenn man Informationen zu verschiedenen Beikrautarten in den Lernprozess integriert. Damit schließt der vorgeschlagene Datensatz die Datenlücke und unterstützt so weitere Forschungen im Bereich von Precision Farming.

Hier gehts zur Publikation:

Steininger D., Trondl A., Croonen G., Simon J., Widhalm V.: The CropAndWeed Dataset - A Multi-Modal Learning Approach for Efficient Crop and Weed Manipulation, in Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), January 2023, pp.3729-3738.

Rückfragehinweis:
AIT AUSTRIAN INSTITUTE OF TECHNOLOGY GMBH
Giefinggasse 4
1210 Vienna
Austria
office@ait.ac.at
+43 50550-0