Projekte in den Förderprogrammen des BMEL, betreut durch den Projektträger BLE (PT BLE)
Ergebnis der Suche
| Titel: | Verbundprojekt: Entwicklung eines KI-basierten Expertensystems zur Beurteilung der Effektivität von Unkrautbekämpfungsmaßnahmen unter Berücksichtigung des Schadschwellenprinzips am Beispiel von sensorgeführten Hackmaschinen (WeedAI) - Teilprojekt A |
|---|---|
| Titel (englisch): | Collaborative project: Development of an AI-based expert system to assess the effectiveness of weed control measures under consideration of the damage threshold principle using the example of sensor-guided hoe (WeedAI) - subproject A |
| Akronym: | WeedAI |
| Beschreibung (dt.): | Aus der Grundlagenforschung stammende Verfahren der Pflanzenerkennung (Deep Learning, KI) sollen für Anwendungen in der Landwirtschaft weiterentwickelt werden. Über bildanalytische Verfahren soll sowohl zwischen Kultur- und Unkrautpflanzen, als auch zwischen den Unkrautarten differenziert werden. Unter Berücksichtigung des Schadschwellenprinzips lassen sich die potenzielle Schadwirkung bzw. Bekämpfungswürdigkeit abschätzen, die Arbeitsqualität / der Bekämpfungserfolg von (sensorgeführten) Hackmaschinen im Bestand (Reihenerkennung und –steuerung) und Effektivität derer Werkzeuge bestimmen. Sensorgeführte Hackmaschinen sollen Fahrer entlasten, Flächenleistung steigern und auch effektiver Unkräuter bekämpfen. Dementsprechend sind Neuentwicklungen in Industrie und Forschung ein hoch aktuelles Thema. Über den tatsächlichen Nutzen ist aber aus wissenschaftlicher Sicht wenig bekannt, dieser ist jedoch für Landwirte, Lohnunternehmer und Maschinenringen kaufentscheidend. Um diese Wissenslücke zu schließen, soll unter anderem in Verbindung mit den oben beschriebenen bildanalytischen Verfahren eine reproduzierbare, möglichst objektive Prüfmethodik entwickelt werden.Nutzer von Maschinenhacken und Maschinenhersteller erhalten die Möglichkeit, ihre Techniken (Fertigprodukte oder Prototypen) zu testen und weiterzuentwickeln. Eine erleichterte automatisierte Bonitur von Unkrautbekämpfungs-strategien unterstützt zudem wesentlich das Versuchswesen. Es ergeben sich somit drei Ziele:1.Weiterentwicklung der vorhandenen Deep-Learning Verfahren und Algorithmen für die Beurteilung vorhandener Kulturpflanzen, Unkrautflora und deren Entwicklung nach Pflanzenschutzmaßnahmen.2. Entwicklung eines reproduzierbaren Testverfahrens alternativer Pflanzenschutzmethoden unter Nutzung der oben beschriebenen Pflanzenerkennung. 3.Anwendung der Pflanzenerkennung und Testmethodik zur Beurteilung des Unkrautstatus und der sensorgeführten Hackmaschinen. |
| Beschreibung (engl.): | Methods of plant recognition (Deep Learning, AI) derived from basic scientific research should make progress for applications in agriculture. Vision-processing methods will be used to differentiate between crop and weed plants as well as between weed species. Taking into account the damage threshold principle, the potential damaging effect or control worthiness can be estimated, the work quality / weeding success of (sensor-guided) hoes in the crop (row recognition and control) and the effectiveness of their tools can be evaluated. Sensor-guided hoeing machines should relieve drivers, increase area output and also control weeds more effectively. Accordingly, new developments in industry and research are a highly topical issue. From a scientific point of view, not much is known about the actual benefits, but they are important for farmers, contractors and machinery rings in their purchasing decisions. In order to close this knowledge gap, a reproducible test method that is as objective as possible is to be developed in conjunction with the vision-control methods described above. Users of machine hoes and manufacturers get the opportunity to test and further develop their technologies (finished products or prototypes). A facilitated automated assessment of weed control strategies also supports the testing process considerably. This results in three goals: 1. further development of existing deep learning methods and algorithms for the assessment of existing crops, weed flora and their development after crop protection measures. 2. development of a reproducible test procedure of alternative plant protection methods using the above described plant recognition. 3. application of plant recognition and test methodology for the assessment of weed status and sensor-guided hoes. |
| Laufzeit: | Beginn: 19.04.2021 / Ende: 18.10.2024 |
| Ausf. Einrichtung: | Rheinische Friedrich-Wilhelms-Universität Bonn - Landwirtschaftliche Fakultät - Institut für Landtechnik, Bonn |
| Themenfelder: | Pflanzenbau, crop production |
| Förderprogramme: | Digitalisierung in der Landwirtschaft |
| Schlagworte: | Unkraut/Beikraut, weed, Pflanzenschutz, Pflanzengesundheit, crop protection, plant health, Nachhaltigkeit, sustainability, Ackerbau, crop production, Landtechnik, agricultural engineering, Präzise Landwirtschaft, precision farming, Zuckerrübe, sugar beet, Datensammlung, data collection, Integrierter Pflanzenschutz, integrated plant protection, Künstliche Intelligenz, AI Artificial Intelligence |
| Förderkennzeichen: | 28DK121A20 |
| Dokument zum Download: | Kein Dokument vorhanden! |
Kontakt: |
Benutzen Sie unser Kontaktformular
oder E-Mail an digitalisierung-landwirtschaft@ble.de |
Erweiterte Suche
Hier gibt es die Möglichkeit, nach Stichworten, Themenfeldern, Projektstatus, Förderprogrammen, Laufzeiten und Einrichtungen zu suchen:
