Erforschung der Grenzen von Computer-Vision-Verfahren zur automatisierten Identifizierung giftiger Unkräuter

Computer Vision und Digitalisierung entwickeln sich zu wirkungsvollen Instrumenten in der Präzisionslandwirtschaft. In diesen Bereichen bietet die Objekterkennung mittels Deep-Learning-Technologien vielfältige Anwendungsmöglichkeiten; eine davon ist die automatisierte Erkennung giftiger Unkräuter, die die Lebensmittelsicherheit gefährden. Im Rahmen dieser Dissertation wird eine Methodik zur automatisierten Erkennung giftiger Unkrautarten – wie etwa verschiedener Senecio-Arten, die hochgiftige Pyrrolizidinalkaloide (PAs) enthalten – entwickelt. Zur Umsetzung dieses Vorhabens kommen verschiedene Multispektralkameras und Kameraplattformen zum Einsatz, wobei der Schwerpunkt auf Drohnen (UAVs) liegt. Mithilfe von Vision-Transformern und anderen für Edge-Computing optimierten Erkennungsmodellen soll untersucht werden, ob eine Unterscheidung zwischen verschiedenen Senecio-Arten und anderen Unkräutern möglich ist. Auf unterschiedlichen Kräuter- und Gewürzfeldern werden wiederholt hochauflösende UAV-Aufnahmen erstellt, um phänologische Schwankungen und Umweltbedingungen zu erfassen. Zudem werden durch Interviews und Umfragen mit niederösterreichischen Landwirten die Prioritäten, Bedenken und praktischen Auswirkungen der automatisierten Erkennung giftiger Unkräuter analysiert. Die entwickelte Prozesskette zielt darauf ab, die PA-Belastung zu verringern, Ressourcenverschwendung zu minimieren und die Einhaltung von EU-Richtlinien zu unterstützen. Darüber hinaus lässt sich die im Rahmen dieser Studie entwickelte Methodik auch auf weitere Bereiche des nachhaltigen Pflanzenbaus und der Lebensmittelsicherheit übertragen, etwa auf die Erkennung anderer Unkräuter oder von Pflanzenkrankheiten.