Zeitraum
01.Okt.2001 - 30.Sep.2011
Ansprechpartner
Projektleiter
Weitere Mitarbeiter
Zusammen-
fassung
Ziel dieses Projekts ist die Früherkennung von Pflanzenkrankheiten und Unkräutern mit Hilfe von Support Vector Machines. Das Projekt basiert auf einer Zusammenarbeit innerhalb des Graduiertenkollegs mit der Herbologie der Universität Hohenheim und der Phytomedizine der Universität Bonn. In diesem Vorhaben werden basierend auf hyperspektralen Reflexionsdaten zur Erkennung von Pflanzenkrankheiten oder verschiedenen Formparametern zur Detektion von Unkräutern Verfahren der Mustererkennung aus dem Bereich des maschinellen Lernens eingesetzt. Die Selektion geeigneter Merkmale innerhalb der spektralen Signatur ist ebenfalls von großer Bedeutung. Aufgrund vieler verschiedener Einflüsse ist die Interpretation der spektralen Signatur gerade im Frühstadium sehr anspruchsvoll. Die Auswirkungen von präsymptomatischen Vorgängen innerhalb der Pflanze sind nur schwer vom Sensorrauschen oder von Variationen in der biologischen Vielfalt zu differenzieren. Bei der frühzeitigen Detektion und Unterscheidung von Unkräutern liegt die Schwierigkeit in den feinen Unterschieden der Unkräuter im Frühstadium.

Zur Identifikation dieser präsymptomatischen Veränderungen oder der subtilen Unterscheidung der Unkräuter im Frühstadium werden Verfahren benötigt, die eine große Anzahl Merkmale simultan auswerten können. Hierfür haben sich die Methoden des Maschinellen Lernens und die Mustererkennung in Kombination mit Verfahren der Merkmalsgewichtung als geeignet erwiesen.

Mit Hilfe von Support Vector Machines ist es gelungen, basierend auf nur wenigen Wellenlängen in Form von Vegetationsindizes unterschiedliche Krankheiten vor der Bildung von Symptomen zu erkennen. Darüber hinaus konnten für die Früherkennung relevante Wellenlängen innerhalb der spektralen Signatur identifiziert werden und eigene krankheitsspezifische Indizes entwickelt werden.

Durch eine sequentielle Anwendung von Support Vector Machines war es möglich unterschiedliche Unkräuter im Frühstadium zu detektieren und anschließend in Abhängigkeit von der Höhe der Schadschwelle zu differenzieren.
Projektträger
und -partner
Dieses Projekt wird im Rahmen des Graduiertenkollegs 722: Use of Information Technologies in Precision Crop Protection (3. Phase 10/07 - 09/11) gefördert.



Projektpartner:
• INRES-Phytomedizin, Universität Bonn
• Institut für Phytomedizin-Herbologie, Universität Hohenheim
Bilder, Beispiele
Weitere Information
Publikationen zum Projekt
Rumpf, Till / Römer, Christoph / Weis, Martin / Sökefeld, Martin / Gerhards, Roland / Plümer, Lutz:
Sequential Support Vector Machine classification for small-grain weed species discrimination with special regard to Cirsium arvense and Galium aparine
In: Computers and Electronics in Agriculture, 80. Jg. 2012, S. 89-96.
[ BibTeX ]

Extern
Römer, Christoph / Bürling, Kathrin / Rumpf, Till / Hunsche, Mauricio / Noga, Georg / Plümer, Lutz:
Early identification of leaf rust on wheat leaves with robust fitting of hyperspectral signatures
In: Proc. of 10th International Conference Precision Agriculture. Denver, USA 2010.
Rumpf, Till / Mahlein, Anne-Katrin / Römer, Christoph / Plümer, Lutz:
Optimal wavelengths for an early identification of Cercospora beticola with Support Vector Machines based on hyperspectral reflection data
In: IEEE (Hg.): 2010 IEEE International Geoscience and Remote Sensing Symposium. 2010.
Rumpf, Till / Mahlein, Anne-Katrin / Steiner, Ulrike / Oerke, Erich-Christian / Plümer, Lutz:
Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance
In: Computers and Electronics in Agriculture, 74. Jg. 2010, Heft 1, S. 91-99.

Extern
Rumpf, Till / Mahlein, Anne-Katrin / Dörschlag, Dirk / Plümer, Lutz:
Identification of combined vegetation indices for the early detection of plant diseases
In: Neale, Christopher M.U. / Maltese, Antonio (Hg.): Proceedings of the SPIE Conference on Sensing for Agriculture, Ecosystems and Hydrology. 2009.

Extern
Spickermann, Gregor:
GIS-basierte Erfassung und Prognose der räumlichen Verteilung von Pflanzenkrankheiten
Dissertation, 2005.