Projekte in den Förderprogrammen des BMLEH, betreut durch den Projektträger BLE (PT BLE)
Ergebnis der Suche
| Titel: | Verbundprojekt: Entwicklung einer automatisierten Lösung für die drohnengestützte Bonitur von Feldversuchen (AutoDGB) - Teilprojekt 2 |
|---|---|
| Titel (englisch): | Collaborative project: Development of an automated solution for the drone-assisted assessment of field trials (AutoDGB) - subproject 2 |
| Akronym: | AutoDGB |
| Beschreibung (dt.): | Die vermehrten Entwicklungen und Forschungsarbeiten in der sensorgestützten Phänotypisierung bieten eine wachsende Anzahl an Möglichkeiten, Pflanzen- oder Bestandeseigenschaften zuverlässig und objektiv auf eine nicht destruktive Weise sowohl qualitativ als auch quantitativ zu erfassen. Zudem weisen vorhergehende Untersuchungen darauf hin, dass einzelne Sensoren (Multispektral) mehrere Merkmale gleichzeitig erfassen können. Zum jetzigen Zeitpunkt ist aber noch keine praxistaugliche Lösung am Markt verfügbar, welche die eigenständige Erhebung und Auswertung von sensorgestützten Daten ermöglichen würde. Grund dafür ist im Wesentlichen die bestehende Automatisierungslücke zwischen der Erfassung und der Verrechnung der Daten. Hauptziel des Projektes ist es daher, diese Lücke zu schließen und eine praxistaugliche, weitgehend automatisierte und optimierte Lösung für die Anwendung der drohnengestützten Bonitur in der Weizenzüchtung zu entwickeln. |
| Beschreibung (engl.): | Increased developments and research in sensor-assisted phenotyping provide a growing number of opportunities to reliably and objectively assess plant or canopy characteristics both qualitatively and quantitatively in a non-destructive manner. In addition, previous studies indicate that individual sensors (multispectral) can detect several features simultaneously. However, at the moment no practicable solution which would allow the independent collection and evaluation of sensor-based data is available on the market. The reason for this is the existing automation gap between the recording and the computing of the data. Therefore, the main goal of the project is to close this gap and develop a practicable, largely automated and optimized solution for the application of the drone-based assessment in the breeding of wheat. |
| Ergebnis (dt.): | "Das Projekt AutoDGB (Entwicklung einer automatisierten Lösung für die drohnengestützte Bonitur von Feldversuchen) hatte das Ziel die aufwändige Verarbeitung von mit UAV erhobenen Aufnahmen von RGB- und Multispektralkameras zu automatisieren. Die Bearbeitung erfolgte in Zusammenarbeit mit den Firmen Saatzucht Breun und geo-konzept GmbH sowie der Technischen Universität München. Von besonderem Interesse waren dabei die automatiserte Zuordnung der Aufnahmen zu Versuchsparzellen und diesen zugeordneten Zielgrößen (Ertrag, Pflanzenkrankheiten) sowie die KI-basierten Modellierung der Zielgrößen aus den UAV-Bildern. Dazu wurden im Projekt zwei Prozessketten und eine Datenbank entwickelt. Die zentrale Erkenntnis aus vier Versuchsjahren ist, dass die Modellgüte stark von unterschiedlichen Parametern abhängig ist (Standort, Witterung, Aufnahmezeitpunkte, spektrale Indizes, Aggregationsmethoden, Anteil der Trainingsdaten, KI-Modelle, Hyperparametrisierung). Die Modellierung des Ertrags von Weizen ist auch bei hoher Aufnahmefrequenz mit den eingesetzten Kameras und KI-Modellen nur bedingt und nicht zuverlässig möglich." |
| Ergebnis (engl.): | "The AutoDGB project (development of an automated solution for drone-based assessment of field trials) aimed to automate the time-consuming processing of images taken by UAVs using RGB and multispectral cameras. The processing was carried out in collaboration with the companies Saatzucht Breun and geo-konzept GmbH, as well as the Technical University of Munich. Of particular interest was the automated assignment of the images to trial plots and the target variables associated with them (yield, plant diseases), as well as the AI-based modelling of the target variables from the UAV images. To this end, two process chains and a database were developed in the project. The key finding from four years of trials is that the model quality is highly dependent on various parameters (location, weather, recording times, spectral indices, aggregation methods, proportion of training data, AI models, hyperparameterisation). Even with high capturing frequencies, modelling wheat yield using the cameras and AI models employed is only possible to a limited extent and not reliable" |
| Laufzeit: | Beginn: 01.10.2019 / Ende: 30.06.2025 |
| Ausf. Einrichtung: | Technische Universität München - Lehrstuhl für Analytische Lebensmittelchemie, Fak. Wissenschaftszentrum Weihenstephan, Freising |
| Themenfelder: | Pflanzenzüchtung, plant breeding |
| Förderprogramme: | Programm zur Innovationsförderung des Bundesministeriums für Ernährung und Landwirtschaft |
| Schlagworte: | Sensorik, sensor technology, Pflanzenzüchtung, plant breeding, Digitalisierung, Digitale Welt, digital world, Ackerbau, crop production, Weizen, wheat, Schadstoffe / Toxine, poison / toxins, Resistenz, resistance, Fernerkundung, remote sensing, Klimaanpassung, climate change adaptation |
| Förderkennzeichen: | 2818407B18 |
| Dokument zum Download: | 8407B_PublizierbarerSchlussbericht.pdf (2,5 MB) |
Kontakt: |
Benutzen Sie unser Kontaktformular
oder E-Mail an innovation@ble.de |
Erweiterte Suche
Hier gibt es die Möglichkeit, nach Stichworten, Themenfeldern, Projektstatus, Förderprogrammen, Laufzeiten und Einrichtungen zu suchen:
