Detailansicht
Digital field twin for weed detection
Mathias Höller
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Stefanie Rinderle-Ma
DOI
10.25365/thesis.71466
URN
urn:nbn:at:at-ubw:1-26723.36694.946750-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Kamerabasierte Systeme in der Landwirtschaft können die Menge an benötigten Unkraut-bekämpfungsmitteln reduzieren. Die Systeme müssen dabei beurteilen können, ob es sichbei einer Pflanze um Unkraut oder eine Nutzpflanze handelt. Die Grundlage hierfür sindNeuronale Netze, die sich ihr „Wissen“ auf Basis von Daten aneignen. Diese Daten müssenzunächst gesammelt und anschließend aufbereitet werden. Die Aufbereitung dieser Datenist in der Regel sehr zeitintenstiv und benötigt in vielen Fällen spezifisches Fachwissen.Die gegenständliche Masterarbeit beschäftigt sich mit dem Einsatz von Neuronalen Netzenfür die Erkennung von Unkraut auf Fotos eines Ackers. Es wird aufgezeigt, dass Datensetserweitert werden können, indem die Pflanzen (Unkräuter und Nutzpflanzen) aus denBildern ausgeschnitten, in einer Datenbank gespeichert und in anderer Form wiederzusammengesetzt werden. Diese neu generierten Datensets werden „Digital Field Twin“genannt und erzielen genauere Ergebnisse bei der Segmentierung von neuem Bildmaterialder selben Nutzpflanze. Diese Bilder können einer bestehenden Datenbank entnommenwerden oder von Landwirten am Feld mittels Smartphone aufgenommen werden. FürLetzteres wurde ein eigener Arbeitsablauf erstellt und implementiert, welcher den An-wender am Smartphone durch den Prozess des Fotografierens und Beschriften einer neuenPflanze führt. Das Sammeln neuer Daten bedarf keiner händischen Kennzeichnung derPflanzen im Bild. Am Beispiel eines echten Sojafeldes wird in der Arbeit aufgezeigt, dassmit den Daten, die mit einem Smartphone in einem Teilstück des Feldes aufgenommenwurden, ein Model trainiert werden kann, welches Bilder von anderen Teilstücken desFeldes mit hoher Genauigkeit segmentieren kann.
Abstract
(Englisch)
Camera-based systems in agriculture can reduce the amount of herbicides needed. To do this, however, the systems must be able to judge whether a plant is a weed or a crop. The basis for this are neural networks, which acquire their "knowledge" on the basis of data. This data must first be collected and then processed. The processing of this data is usually very time-consuming and in many cases requires specific expert knowledge. This master thesis deals with the use of neural networks for the detection of weeds on photos of a field. It is shown that datasets can be extended by cutting out the plants (weeds and crops) from the images, storing them in a database and reassembling them in a different form. These newly generated datasets are called "Digital Field Twin" and achieve more accurate results when segmenting new images of the same crop. These images can be taken from an existing database or captured by farmers in the field using smartphones. For the latter, a workflow was created and implemented that guides the user on the smartphone through the process of photographing and labeling a new plant. When acquiring new data, it is not necessary to manually outline the plants in the image. Using a real soybean field as an example, the thesis demonstrates that data taken with a smartphone in one section of the field can be used to train a model that can segment images from other sections of the field with high accuracy.
Schlagwörter
Schlagwörter
(Deutsch)
Unkrauterkennung Synthetische Daten Semantische Segmentierung Neuronales Netz
Schlagwörter
(Englisch)
Weed detection Synthetic data Semantic segmentation Neuronal network
Autor*innen
Mathias Höller
Haupttitel (Englisch)
Digital field twin for weed detection
Paralleltitel (Deutsch)
Digital Field Twin zur Unkrauterkennung
Publikationsjahr
2022
Umfangsangabe
v, 63 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Stefanie Rinderle-Ma
Klassifikationen
48 Land- und Forstwirtschaft > 48.20 Landtechnik, Forsttechnik ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16562454
Utheses ID
62675
Studienkennzahl
UA | 066 | 921 | |