Robuste automatisierte Auswertung von Drohnenbildern in der Pflanzenzucht mittels Künstlicher Intelligenz

Die globale Ernährungssicherheit wird durch Pflanzenkrankheiten ernsthaft bedroht, wobei eine der gefährlichsten epidemischen Pilzkrankheiten in der Getreideproduktion der Befall mit Fusarium ist. Einerseits wird der Ertrag reduziert, andererseits die Qualität der Ernte drastisch geschädigt. Im schlimmsten Fall besteht eine ernsthafte Gesundheitsgefährdung durch die aus dem Pilzbefall resultierenden Mykotoxine im Getreide. Daher ist das Ziel, resistente Sorten zu entwickeln, um die von dieser Krankheit ausgehenden Probleme abzuwenden. In der Pflanzenzüchtung müssen so diejenigen Sorten und neuen Zuchtlinien erkannt und selektiert werden, die gegen die Krankheit resistent sind, wobei diese Aufgabe in der Regel von geschulten Personen übernommen wird. Da die klassische Selektion sehr zeitaufwendig, teuer und durch den Faktor Mensch fehleranfällig ist, ist eine derartige Vorgehensweise bei größeren Selektionsprogrammen in der Praxis enorm aufwändig: ein automatischer Ansatz ist erforderlich. Um diese Probleme zu vermeiden, ist das Ziel des Projekts, mithilfe einer Drohne automatisch hochauflösende Bilder der Feldparzellen aufzunehmen und die unterschiedlichen Versuchslinien zu klassifizieren. Da es für die konkrete Aufgabenstellung (hochaufgelöste Bilder, extreme Flughöhe, schräge Bildaufnahmen) keine geeignete Technologie gibt, muss hierzu ein neues System für die Bildaufnahme entwickelt werden. Zudem sind existierende Verfahren zur Bildanalyse aufgrund der stark wechselnden Umgebungsbedingungen im vorliegenden Setup nicht geeignet. Ein neuer robuster und allgemein anwendbarer Ansatz ist erforderlich. Darüber hinaus muss der Aufwand für das Labeln der Daten reduziert werden, um ein praktisch anwendbares und in der Pflanzenzucht akzeptiertes System zu gewährleisten. Dazu ist eine enge Zusammenarbeit zwischen Züchter:innen (aus pflanzenwissenschaftlicher Sicht) und Informatiker:innen (aus technischer Sicht) erforderlich.