Pheno-Inspect

2019/06 – 2021/02, EFRE-gefördertes Start-Up, TRANSFER.NRW

Die Überwachung von Kulturen ist unerlässlich, um den Landwirten einen Einblick in die Gesundheit und Entwicklung der Pflanzen zu geben. Ertragsvorhersagen für Frischprodukte sind besonders wichtig, um den täglichen Betrieb und das Management der Lieferkette zu optimieren. Derzeit wird die Überwachung hauptsächlich von Hand durchgeführt, was arbeitsintensiv, kostspielig und ungenau ist. TOMEYE wird die Ertragsvorhersage deutlich verbessern, ohne dass manuelle Arbeit erforderlich ist, und dadurch sowohl die Einkommensverluste der Landwirte als auch die Arbeitskosten erheblich senken.  Das Konsortium wird TOMEYE vorstellen, eine Revolution in der autonomen Überwachung von Innenkulturen. TOMEYE kombiniert eine neuartige agile Drohnennavigation für Innenräume mit künstlicher Intelligenz zur Ertragsvorhersage bei Tomaten, dem größten Markt für Gewächshauskulturen in der EU. Eine Ausweitung auf andere Kulturen und Dienstleistungen im Zusammenhang mit Pflanzenentwicklung und -krankheiten wird folgen.

Die Beschleunigung und Verbesserung der Züchtung hin zu leistungsfähigeren Pflanzen und Sorten ist der Schlüssel zur Ertragssteigerung und Verbesserung der Widerstandsfähigkeit von Pflanzen. Für Pflanzenzüchter ist es wichtig, phänotypische Merkmale zu beobachten und zu dokumentieren, die das Erscheinungsbild der Pflanzen auf dem Feld beschreiben, um die Qualität und den Erfolg des Züchtungsprozesses zu bewerten. Mit Pheno-Inspect wollen wir Züchtern und Landwirten neuartige Softwarelösungen für die automatisierte Hochdurchsatz-Phänotypisierung auf dem Feld anbieten. Für die Sensorik setzen wir auf kleine und leichte Flugplattformen, die eine flexible, großflächige und zeiteffiziente Erfassung von Feldern und Parzellenversuchen ermöglichen. Mit unserer Software-Toolchain geben wir Züchtern und Landwirten ein Werkzeug an die Hand, mit dem sie genaue Kenntnisse über die Kultur und einzelne Pflanzen gewinnen können. Wir erkennen automatisch phänotypische Merkmale von Kulturpflanzen, die Pflanzenarten und Unkräuter auf dem Feld und leiten daraus standort- oder parzellenspezifische Statistiken ab. Unser Ansatz stützt sich auf modernste, für den landwirtschaftlichen Bereich optimierte maschinelle Lernverfahren, um die erfassten Bilddaten semantisch zu interpretieren und die gewünschten Parameter über die Pflanzen zu extrahieren. Die von uns entwickelten Lernverfahren nutzen das vom Anwender eingebrachte Expertenwissen, um sich effizient anzupassen und so schnell und effektiv die gewünschten Ergebnisse im Hinblick auf individuelle Problemstellungen und lokale Besonderheiten der Umgebung zu liefern.

Dieses Projekt wird durch die Europäische Union und das Land Nordrhein-Westfalen gefördert

RegisTer

2021/03 – 2024/02, BMEL & BLE,

RegisTer zielt auf den Einsatz von künstlicher Intelligenz und optischen Sensoren in der Sortenbeschreibung des Bundessortenamtes bei der Prüfung auf Unterscheidbarkeit, Homogenität und Beständigkeit sowie den landeskulturellen Wert im Rahmen der Sortenzulassung für Zuckerrüben.

Die Zuckerrübe ist eine wichtige und leistungsfähige Pflanzenart für vielfältige Fruchtfolgen. Überdies stellt sie einen wichtigen Wirtschaftsfaktor für den ländlichen Raum dar. Moderne Sorten müssen wichtige Eigenschaften wie Krankheits- und Stresstoleranz und ein hohes Ertragspotential besitzen. Diese Eigenschaften müssen im Züchtungs- und Zulassungsprozess schnell und sicher erkannt werden. Zudem muss jede Sorte eindeutig beschrieben werden können. Während Züchter immer mehr Sorten entwickeln und prüfen, muss das Bundessortenamt im Zulassungsverfahren feststellen, ob diese Sorte unterscheidbar, homogen und beständig ist und einen landeskulturellen Wert besitzt. Für die dafür notwendige Beschreibung und Bewertung der Sorten müssen in den Anbauprüfungen phänotypische Merkmale mit großem Aufwand manuell erfasst werden.

Ziel des interdisziplinären Verbundprojektes RegisTer ist die Entwicklung von automatisierten Routinen zur Charakterisierung und Bewertung von Zuckerrübensorten anhand von geometrischen und optisch/reflektiven Eigenschaften der Pflanzen, welche mithilfe von ultraleichten Flugdrohnen und modernen Sensoren erfasst werden. Besonders hochauflösenden RGB- und 3D Sensoren erfassen optische Eigenschaften und die Geometrie von Zuckerrübenpflanzen. Die millimetergenaue Erfassung der Pflanzen ist die Grundlage  für eine automatische Analyse der Daten mit modernster Bildverarbeitung auf Basis von maschinellem Lernen bis auf die Einzelpflanzenebene. Ziel ist die automatische Extraktion von (neuen) Merkmalen für die Sortenbeschreibung und Sortenbewertung. Durch diesen Ansatz kann eine Automatisierung, Standardisierung und Verbesserung der Merkmalserfassung bei Sortenprüfungen sowohl in der praktischen Pflanzenzüchtung als auch in der amtlichen Sortenprüfung und im Versuchswesen, erreicht werden.

Herbizidfreie Unkrautregulierung

2021/09 – 2023/12, DBU

Wo Unkraut wächst, wird gespritzt. Chemische Beikrautregulierung ist nach wie vor auf rund 90 % aller landwirtschaftlich genutzten Flächen in Deutschland die gängige Praxis. Zahlreiche Studien belegen den Zusammenhang zwischen Pestizidanwendung und dem deutlichen Rückgang der Biodiversität. Der ökologische Anbau führt im Vergleich zu einer deutlichen Steigerung der Biodiversität und leistet so einen wichtigen Beitrag zu einem funktionierenden Ökosystem. Nichtchemische Beikrautregulierung ist vielfach aufwändiger und teurer, da hierbei händisches Jäten immer noch unverzichtbar ist, insbesondere beim Anbau von von gesäten, langsam wachsenden Kulturen wie Möhren und anderen Hackfrüchten. Das Start-Up tiefgrün precision weeding hat zum Ziel, auf Basis selbstlernender Pflanzenerkennung eine ökologische Methode zur Praxisreife zu bringen, welche langfristig wirtschaftlich konkurrenzfähig zur Herbizidausbringung sein kann. Die Pheno-Inspect GmbH übernimmt im Projekt die Entwicklung der dafür notwendigen bildbasierten Klassifikation der Pflanzen und Unkräuter. Projektziel ist eine Demonstrationsmaschine für die automatisierte Beikrautregulierung im ökologischen Möhrenanbau: der KelvinR370. Die Maschine soll Pflanzen kamerabasiert erfassen, Kulturpflanzen mit hoher Sicherheit von Beikräutern unterscheiden und letztere punktgenau regulieren. Das Projekt umfasst die Entwicklung, den Bau und die Felderprobung eines Prototyps sowie darauf aufbauend die Umsetzung und praktische Evaluierung der Demonstrationsmaschine KelvinR370 durch tiefgrün. Für den Einsatz im sensiblen Kulturpflanzenbestand entwickelt tiefgrün eine präzise, punktgenaue Unkrautregulierung, integriert sie in die Maschine und untersucht ihre Wirkung unter Praxisbedingungen. Gleichzeitig entwickelt Pheno-Inspect eine auf das System maßgeschneiderte Bildverarbeitungs-Pipeline zur robusten Klassifikation von Möhren und Unkräutern und gleichzeitigen Detektion ihrer Wurzelpunkte – bei höchster Zuverlässigkeit unter verschieden Feldbedingungen.