DE4329343A1 - Feldtaugliches bildanalytisches Verfahren zur automatischen Erkennung und Bekämpfung von Unkrautarten - Google Patents
Feldtaugliches bildanalytisches Verfahren zur automatischen Erkennung und Bekämpfung von UnkrautartenInfo
- Publication number
- DE4329343A1 DE4329343A1 DE4329343A DE4329343A DE4329343A1 DE 4329343 A1 DE4329343 A1 DE 4329343A1 DE 4329343 A DE4329343 A DE 4329343A DE 4329343 A DE4329343 A DE 4329343A DE 4329343 A1 DE4329343 A1 DE 4329343A1
- Authority
- DE
- Germany
- Prior art keywords
- weed
- weeds
- poa
- pol
- species
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 42
- 239000004009 herbicide Substances 0.000 claims abstract description 21
- 230000004069 differentiation Effects 0.000 claims abstract description 6
- 240000006694 Stellaria media Species 0.000 claims description 20
- 240000008488 Thlaspi arvense Species 0.000 claims description 19
- 235000008214 Thlaspi arvense Nutrition 0.000 claims description 19
- 244000303225 Lamium amplexicaule Species 0.000 claims description 18
- 235000009198 Lamium amplexicaule Nutrition 0.000 claims description 18
- 230000002363 herbicidal effect Effects 0.000 claims description 18
- 241001166549 Veronica hederifolia Species 0.000 claims description 16
- 240000005702 Galium aparine Species 0.000 claims description 15
- 235000014820 Galium aparine Nutrition 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 240000006503 Lamium purpureum Species 0.000 claims description 7
- 235000009193 Lamium purpureum Nutrition 0.000 claims description 7
- 244000042664 Matricaria chamomilla Species 0.000 claims description 7
- 235000007232 Matricaria chamomilla Nutrition 0.000 claims description 7
- 241000602336 Anthemis arvensis Species 0.000 claims description 6
- 244000022181 Atriplex patula Species 0.000 claims description 6
- 235000009066 Atriplex patula Nutrition 0.000 claims description 6
- 235000008427 Brassica arvensis Nutrition 0.000 claims description 6
- 244000024671 Brassica kaber Species 0.000 claims description 6
- 235000004977 Brassica sinapistrum Nutrition 0.000 claims description 6
- 240000006122 Chenopodium album Species 0.000 claims description 6
- 235000009344 Chenopodium album Nutrition 0.000 claims description 6
- 244000044980 Fumaria officinalis Species 0.000 claims description 6
- 235000006961 Fumaria officinalis Nutrition 0.000 claims description 6
- 241000221026 Mercurialis annua Species 0.000 claims description 6
- 241000205407 Polygonum Species 0.000 claims description 6
- 244000061457 Solanum nigrum Species 0.000 claims description 6
- 235000002594 Solanum nigrum Nutrition 0.000 claims description 6
- 241000394440 Viola arvensis Species 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 241001621841 Alopecurus myosuroides Species 0.000 claims description 4
- 241001666377 Apera Species 0.000 claims description 4
- 235000011305 Capsella bursa pastoris Nutrition 0.000 claims description 4
- 240000008867 Capsella bursa-pastoris Species 0.000 claims description 4
- 244000292693 Poa annua Species 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 235000013339 cereals Nutrition 0.000 claims description 4
- 241000125144 Aethusa Species 0.000 claims description 3
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 claims description 3
- 240000002791 Brassica napus Species 0.000 claims description 3
- 241000220244 Capsella <angiosperm> Species 0.000 claims description 3
- 241001101998 Galium Species 0.000 claims description 3
- 235000017945 Matricaria Nutrition 0.000 claims description 3
- 244000170788 Persicaria vulgaris Species 0.000 claims description 3
- 235000021536 Sugar beet Nutrition 0.000 claims description 3
- 240000005592 Veronica officinalis Species 0.000 claims description 3
- 230000002902 bimodal effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims description 3
- 241000219198 Brassica Species 0.000 claims description 2
- 235000011331 Brassica Nutrition 0.000 claims description 2
- 244000286177 Raphanus raphanistrum Species 0.000 claims description 2
- 235000000241 Raphanus raphanistrum Nutrition 0.000 claims description 2
- 244000061456 Solanum tuberosum Species 0.000 claims description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 claims description 2
- 244000274883 Urtica dioica Species 0.000 claims description 2
- 235000009108 Urtica dioica Nutrition 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 235000014101 wine Nutrition 0.000 claims description 2
- 241000894007 species Species 0.000 description 16
- 239000002689 soil Substances 0.000 description 5
- 239000005503 Desmedipham Substances 0.000 description 4
- 239000005594 Phenmedipham Substances 0.000 description 4
- WZJZMXBKUWKXTQ-UHFFFAOYSA-N desmedipham Chemical compound CCOC(=O)NC1=CC=CC(OC(=O)NC=2C=CC=CC=2)=C1 WZJZMXBKUWKXTQ-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- IDOWTHOLJBTAFI-UHFFFAOYSA-N phenmedipham Chemical compound COC(=O)NC1=CC=CC(OC(=O)NC=2C=C(C)C=CC=2)=C1 IDOWTHOLJBTAFI-UHFFFAOYSA-N 0.000 description 4
- 239000004480 active ingredient Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- IRCMYGHHKLLGHV-UHFFFAOYSA-N 2-ethoxy-3,3-dimethyl-2,3-dihydro-1-benzofuran-5-yl methanesulfonate Chemical compound C1=C(OS(C)(=O)=O)C=C2C(C)(C)C(OCC)OC2=C1 IRCMYGHHKLLGHV-UHFFFAOYSA-N 0.000 description 2
- 239000005512 Ethofumesate Substances 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 241000743985 Alopecurus Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 241000065675 Cyclops Species 0.000 description 1
- 108010001515 Galectin 4 Proteins 0.000 description 1
- 102100039556 Galectin-4 Human genes 0.000 description 1
- 241001397173 Kali <angiosperm> Species 0.000 description 1
- 239000005579 Metamitron Substances 0.000 description 1
- 241000136257 Poa media Species 0.000 description 1
- 240000004120 Syzygium malaccense Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- VHCNQEUWZYOAEV-UHFFFAOYSA-N metamitron Chemical compound O=C1N(N)C(C)=NN=C1C1=CC=CC=C1 VHCNQEUWZYOAEV-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 239000004476 plant protection product Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
- A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
- A01M21/043—Apparatus for destruction by steam, chemicals, burning, or electricity by chemicals
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pest Control & Pesticides (AREA)
- Insects & Arthropods (AREA)
- Toxicology (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Agricultural Chemicals And Associated Chemicals (AREA)
Description
Die vorliegende Erfindung betrifft ein feldtaugliches Verfahren zur automatischen
Erkennung und Unterscheidung und anschließenden Bekämpfung von Unkrautarten.
In den letzten Jahren wurde Kritik an der Höhe des Herbizidaufwandes deutlich
(SHEARER et al. (1991) Transactions of the ASAE 34(4), 1661-1666). Rückstände von
Pflanzenschutzmitteln in Böden, Wasser und Nahrungsmitteln berechtigen zu der
Forderung nach einer Reduzierung des Herbizideinsatzes ebenso sehr wie die Tatsache,
daß im Durchschnitt etwa 50% der Herbizideinsätze in Wintergetreide unwirtschaftlich
sind, da der Mehrerlös durch eine chemische Unkrautbekämpfung die Kosten für das
Herbizid und die Ausbringung nicht decken (KÜHBAUCH et al. (1984). Die Wirkung des
Herbizideinsatzes in Wintergetreide nach Versuchen der Landwirtschaftskammer
Rheinland von 1981-1983. Diplomarbeit am Lehrstuhl für Allgemeinen Pflanzenbau der
Universität Bonn (unveröffentlicht)).
Eine gezielte Bekämpfung der Problemunkräuter unter Beachtung der Art sowie ihrer
jeweiligen Größe könnte den Aufwand der chemischen Unkrautbekämpfung reduzieren.
So schwankt beispielsweise der erforderliche Aufwand eines Herbizids, je nach Art und
Größe der Unkräuter, zwischen 0,3 und 3,0 Liter/ha.
Voraussetzung für eine gezielte Bekämpfung der Unkräuter ist die schnelle Erfassung der
vorkommenden Unkrautarten ggf. kombiniert mit einer genauen Kartierung der
Unkrautverteilung, Art und Wachstumsphase im Feld. Diese Erfassung war bisher zu
zeitaufwendig. Daher wäre es sinnvoll, ein automatisiertes Bildverarbeitungssystem zur
Arten- und Größenerkennung einzusetzen, wobei die erhaltenen Daten für eine gezielte
Bekämpfung des Unkrauts verwendet werden können.
Es ist bereits bekannt, daß verschiedene Unkrautarten und Kulturpflanzen mit Hilfe
digitaler Bildverarbeitung unterschieden werden können, wobei gezeigt wird, daß die
Konturform eines arttypischen Merkmal zur Beschreibung einer Spezies ist (Petry et al.
(1989), J. Agronomy and Crop Science 163, 345-351 und Franz et al. (1991),
Transactions of the ASAE, 34(2) 673-681).
Der Nachteil vieler Verfahren bzw. Systeme liegt darin, daß diese nur aktive Biomasse
erkennen können. Eine Unterscheidung zwischen Unkraut und Ertragspflanze und
zwischen Unkrautarten ist nicht möglich. Ferner sind die bekannten Systeme nicht
feldtauglich, was u. a. auf die Wetterabhängigkeit, wie z. B. Sonnenstand und auf die
Bodenabhängigkeit, wie z. B. hoher Kontrast bei dunklen Böden, geringer Kontrast bei
hellen Böden, zurückzuführen ist.
Aufgabe der vorliegende Erfindung ist es nun, ein feldtaugliches Verfahren zur
automatischen Unkrautbekämpfung bereitzustellen.
Es wurde nun gefunden, daß das Unkraut auf einem Feld mit einem automatischen
Verfahren gezielt, d. h. entsprechend seiner Größe und Art bekämpft werden kann, indem
- i) zunächst eine Erkennung und Unterscheidung des Unkrauts durchgeführt wird, wobei
man
- a) mit einer infrarotsensiblen elektronischen Kamera mit vorgeschaltetem Infrarotfilter auf dem Feld Unkräuter aufnimmt,
- b) diese Aufnahmen mit einem Bildverarbeitungssystem nach dem bimodalen System binarisiert,
- c) die erhaltenen Daten des Binärbildes des Unkrauts einer Konturextraktion unterwirft,
- d) diese Daten des Unkrauts in eine Polar-Vektor-Beschreibung transformiert,
- e) diese Polar-Vektor-Beschreibung als Winkelfunktion interpretiert und einer Fourierreihenentwicklung unterwirft und anschließend
- f) zusätzlich einen Formfaktor als Merkmal für die Kompaktheit eines Unkrauts berechnet,
- g) zusätzlich die Spannweite als Merkmal für den Schwerpunkt eines Unkrauts berechnet,
- h) eine Größenskalierung vornimmt und damit bereits eine Vorauswahl im Hinblick auf kleine und große Unkräuter trifft,
- i) die daraus erhaltenen Daten automatisch in einer Wissensbasis abspeichert und schließlich
- j) die Kontur unbekannter Unkräuter extrahiert, die Merkmale bestimmt und mit den in der Wissenbasis gespeicherten Werten nach dem Prinzip der künstlichen Intelligenz (Fuzzy Logik) vergleicht, was die Erkennung ermöglicht, und
- ii) nach der Erkennung und der Unterscheidung das Unkraut auf dem zu behandelnden Feld mit geeigneten Vorrichtungen und mit geeigneten Herbiziden zielgerichtet bekämpft werden kann.
Der vor die Kamera geschaltete Infrarotfilter ist derart konstruiert, daß er Licht der
Wellenlänge λ = 650-1100 nm, insbesondere Licht der Wellenlänge λ = 720-850 nm
passieren läßt. Mit diesem Filter werden u. a. die Wetter und Bodenabhängigkeiten
eliminiert.
Das Verfahren findet in Wein-, Obst und Getreidekulturen, wie z. B. in Mais vorzugsweise
in Kartoffel- oder in Hackfruchtkulturen, wie z. B. in Zuckerrübenkulturen Verwendung.
Mit dem erfindungsgemäßen Verfahren können im Prinzip alle bekannten Unkrautarten
sowohl im Laubblatt-, als auch im Keimblattstadium zunächst erkannt und anschließend
spezifisch bekämpft werden.
Im Laubblattstadium können vorzugsweise die Unkrautarten Veronica hederifolia L.
(VER), Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera
spica-venti L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa
pastoris L. (CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) und
Galium aparine L. (GAL) zunächst erkannt und anschließend spezifisch bekämpft werden.
Im Keimblattstadium können vorzugsweise die Unkrautarten Atriplex patula (ATR),
Capsella bursa-pastor (CAP), Chenopodium album (CHE), Lamium amplexicaule (LAM),
Lamium purpureum (LAM), Polygonum convolvolus (POL CON), Polygonum lapathifol.
(POL LAP), Sinapis arvensis (SIN), Thlaspi arvense (THL), Stellaria media (STE),
Veronica spp. (VER), Fumaria officinalis (FUM), Galium aperine (GAL), Mercurialis
annua (MER), Poligonum aviculare (POL AVI), Poligonum persicaria (POL PER),
Solanum nigrum (SOL), Viola arvensis (VIO), Aethusa zynapium (AET), Urtica urens,
Anthemis arvensis (ANT), Ausfallraps-Brassica (RAPS), Matricaria chamonilla (MAT)
und Raphanus raphanistrum zunächst erkannt und anschließend spezifisch bekämpft
werden.
Geeignete Vorrichtungen gemäß Verfahrensschritt ii) sind z. B. Positionierungssysteme
und sensorgesteuerte Herbizidspritzen.
Gemäß dem Verfahren wird für die Unkrautbekämpfung das Unkraut zunächst
automatisch erkannt und anschließend mit einer positionsgesteuerten (GPS)
Herbizidspritze gemäß einer vorab erstellten Unkrautkarte bekämpft oder mit einer
sensorgesteuerten Herbizidspritze "Online" zielgerichtet behandelt.
Die folgenden Versuchsbeispiele erläutern das erfindungsgemäße Verfahren.
Acht verschiedene Unkrautarten im Laubblattstadium: Veronica hederifolia L. (VER),
Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera spica-venti
L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa-pastoris L.
(CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) und Galium
aparine L. (GAL) wurden im Herbst 1991 auf den Versuchsflächen Dikopshof bei
Wesseling und Bonn-Poppelsdorf mit einer elektronischen CCD-Still-Farbvideokamera
aus einer Höhe von ca. 50 cm aufgenommen. Im Folgenden werden die in Klammern
geschriebenen Abkürzungen der Spezies verwendet. Bei der Auswahl der Individuen
wurde darauf geachtet, verschiedene Jugendstadien jeder Art zu berücksichtigen. In Fig. 1
sind einige Beispiele der aufgenommenen Bildproben gezeigt.
22 verschiedene Unkrautarten im Keimblattstadium: Atriplex patula (ATR), Capsella
bursa-pastor (CAP), Chenopodium album (CHE), Lamium amplexicaule (LAM), Lamium
purpureum (LAM), Polygonum convolvolus (POL CON), Polygonum lapathifol. (POL
LAP), Sinapis arvensis (SIN), Thlaspi arvense (THL), Stellaria media (STE), Veronica
spp. (VER), Fumaria officinalis (FUM), Galium aperine (GAL), Mercurialis annua
(MER), Poligonum aviculare (POL AVI), Poligonum persicaria (POL PER), Solanum
nigrum (SOL), Viola arvensis (VIO), Aethusa zynapium (AET), Anthemis arvensis
(ANT), Ausfallraps-Brassica (RAPS) und Matricaria chamonilla (MAT) wurden mit einer
elektronischen CCD-Still-Farbvideokamera aus einer Höhe von ca. 50 cm aufgenommen.
Im Folgenden werden die in Klammern geschriebenen Abkürzungen der Spezies
verwendet. Bei der Auswahl der Individuen wurde darauf geachtet, verschiedene
Jugendstadien jeder Art zu berücksichtigen (s. auch Anwendungsbeispiel 5).
Die Binarisierung der farbigen Unkrautaufnahmen erfolgte mit einem von KÜHBAUCH
und BESTAJOSVSKY ((1983) Angewandte Botanik 57, 381-389, KÜHBAUCH ((1985)
Angewandte Botanik 59, 209-228) und PETRY und KÜHBAUCH ((1988) Kali Briefe
19, 1-16), entwickelten Bildverarbeitungssystem nach dem "Hillclimbing-Verfahren" im
Merkmalsraum. Mit diesem System hat der Anwender die Möglichkeit, interaktiv in die
Binarisierung einzugreifen, wodurch Mängel des Originalbildes, wie z. B. nicht
ausreichender Kontrast zwischen Objekt und Hintergrund, korrigiert werden können. Je
zwei Beispiele der entstandenen Binärbilder sind in Fig. 2 dargestellt.
WISEKO ist ein Bildverarbeitungssystem zur Erkennung komplexer Objekte. Es wurde
von NABOUT und NOUR ELDIN (1992) an der Universität Wuppertal entwickelt und
basiert auf dem Vergleich unbekannter Objekte mit denen in einer Wissensbasis
gespeicherten Prototypen. Das WISEKO-System ist mit Methoden der künstlichen
Intelligenz (KI) realisiert worden. Mittels der speziellen Komponente "Extraktion
elementarer Objektbestandteile" (s. DE-OS 41 35 881.3) extrahiert das WISEKO-System
alle für die Erkennung eines Objektes benötigten Merkmale und generiert
programmgesteuert sämtliche Objektdaten sowie die Wissensbasis automatisch.
Als Bildverarbeitungsbaustein diente die CYCLOP-2.1 Karte der Firma DIGITAL
VISION, die in einem Mikrocomputer mit einer Taktfrequenz von 33 Mhz integriert ist.
Die Bildaufnahmeeinheit besteht aus einer CCD-Schwarz-Weiß Camera, die 625 Zeilen
und 50 Halbbilder pro Sekunde abtastet. Als Bildausgabeelement fungiert ein
Grauwertmonitor. Der Analog/Digital Wandler digitalisiert das von der Kamera
abgegebene Signal in einer Auflösung von 8 Bit. Damit stehen insgesamt 256 Graustufen
zur Verfügung. Die örtliche Auflösung beträgt 512×512 Bildpunkte. Die CYCLOP Karte
verfügt über 4 Videoeingänge und 8 Look Up Tables (LUT′s) zur schnellen
Grauwerttransformation. Die Binarisierung erfolgt automatisch nach dem bimodalen
Prinzip, d. h. das Minimum zwischen den beiden Grauwertmaxima wird als
Grauwertschwelle zur Segmentierung von Unkraut und Hintergrund verwendet. Weitere
Module zur Binärbilderzeugung, welche bei stark gestörten Bildaufnahmen eingesetzt
werden, sind verfügbar. Aus dem Binärbild wird zunächst die äußere Kontur des Unkrauts
extrahiert. Dies erfolgt mittels des objektorientierten Konturextraktionsverfahrens
(OKE-Verfahren, NABOUT 1991). In seiner realisierten Hardware Version erlaubt das
OKE-Verfahren die Extraktion der Objektkonturen in Echtzeit (25 Bilder pro Sekunde). Dies
gilt für eine beliebige Anzahl von Objekten im Bild. Die extrahierten Konturen sind
garantiert geschlossen (NABOUT 1992).
In diesem Schritt werden die Konturen in eine höhere mathematische Beschreibungsform
(Polar-Vektor-Beschreibung "PVB") transformiert. Bildaufnahme- und
Binarisierungsrauschen in den Konturen werden durch eine krümmungsabhängige
Konturapproximation erfaßt und eleminiert.
Die PVB einer Kontur wird als Winkelfunktion interpretiert und einer
Fourierreihenentwicklung unterworfen. Die erhaltenen Fourierkoeffizienten sind für den
Konturverlauf spezifisch (COSGRITT (1960) Technical report, Ohia State Univ. RS.
Foundation, Columb. 25, Rep. 820.11, ASTIA AD 245 729) und werden für die
Konturformerkennung eingesetzt. Die adequate normierte Winkelfunktion ist translations-,
rotations- und zoominginvariant. Sie ist somit unabhängig von der Objektposition, -lage
und -größe. Die Koeffizienten der fouriertransformierten Objekte behalten diese
Eigenschaft. Insbesonders sind die Amplituden der Fourierkoeffizienten vom
Konturanfangspunkt unabhängig.
Zusätzlich zu den Fourierdeskriptoren werden weitere Faktoren einbezogen:
- 6.1 Formfaktor als Merkmal für die Kompaktheit eines Unkrauts aus dem Verhältnis der
Konturlänge im Quadrat und der Fläche nach der folgenden Formel berechnet
(Verfahrensstufe f):
FF: Formfaktor
U: Konturlänge
A: Fläche - 6.2 Spannweite zur Beschreibung des Schwerpunktes des Objekts - kleinstes Rechteck, das das Unkraut umschließt - (Verfahrensstufe g)).
- 6.3 Größenskalierung, d. h. Bestimmung der absoluten Größe - Flächen oder Konturlänge - des Unkrauts (Verfahrensstufe h)).
Das automatische Anlegen einer Wissensbasis erfolgt aus den berechneten
Fourierdeskriptoren und den weiteren Faktoren 6.1-6.3. Diese Merkmale werden von
einigen repräsentativen Individuen jeder Unkrautart berechnet und im Speicher des
Rechners abgelegt. Sie dienen zur Erkennung unbekannter Individuen dieser Spezies.
In dieser Stufe wird die Kontur unbekannter Unkräuter extrahiert, die Merkmale bestimmt
und mit den in der Wissensbasis gespeicherten Werten verglichen.
Nach dem Prinzip der minimalen euklidischen Distanz wird ein unbekanntes Unkraut dem
ähnlichsten Unkraut in der Wissensbasis zugeordnet. Die Berechnung der minimalen
Distanz wird für n Fourierkoeffizienten nach der folgenden Formel vorgenommen:
d: Distanz
n: Anzahl der Fourierdeskriptoren
Ak: Amplituden der Fourierdeskriptoren der in der Wissensbasis enthaltenen Pflanze
Ák: Amplituden der Fourierdeskriptoren der zu erkennenden Pflanze
M: kleine reale Zahl
n: Anzahl der Fourierdeskriptoren
Ak: Amplituden der Fourierdeskriptoren der in der Wissensbasis enthaltenen Pflanze
Ák: Amplituden der Fourierdeskriptoren der zu erkennenden Pflanze
M: kleine reale Zahl
Zur Erkennung und Unterscheidung der Unkräuter kommen alternativ Verfahren zur
künstlichen Intelligenz - Fuzzy Logik - zur Anwendung.
Die folgenden Versuchsbeispiele erläutern die Anwendung des erfindungsgemäßen
Verfahrens:
Die Anzahl der Fourierdeskriptoren ist ein Maß für die Genauigkeit der Beschreibung
einer Unkrautkontur. Je höher die Anzahl, desto genauer ist die Beschreibung. Eine zu
hohe Anzahl kann jedoch dazu führen, daß Fehler und Störungen sowie Bildrauschen, die
z. B. während der Binarisierung entstanden sind, mit in die Fourieranalyse eingehen und
dadurch Fehler bei der Wiedererkennung verursachen. In der folgenden Tabelle ist die
mittlere prozentuale Wiedererkennungsrate in Abhängigkeit von der Anzahl der
Fourierdeskriptoren ohne Berücksichtigung des Formfaktors dargestellt:
Anzahl der Fourierdeskriptoren | |
% Wiedererkennung | |
10 | |
37,5 | |
20 | 45,7 |
30 | 45,7 |
Eine Fourieranalyse mit 10 Deskriptoren ergab eine mittlere Wiedererkennung von
37,5%. Eine Steigerung der Deskriptoren von 10 auf 20 erhöhte die
Wiedererkennungsrate auf 45,7%. Eine weitere Erhöhung der Fourierdeskriptoren auf 30
hatte keine höhere Wiedererkennungsrate zur Folge. Sie stagnierte bei 45,7%. Im weiteren
Verlauf der Untersuchungen wurden 30 Fourierdeskriptoren beibehalten. In Fig. 4 sind
exemplarisch für zwei Alopecurus myosoroides Huds. (POA)-Pflanzen und eine Galium
aparine L. (GAL)-Pflanze die Amplituden der 30 Fourierdeskriptoren dargestellt.
In der folgenden Tabelle wird der Zusammenhang zwischen der Anzahl der Unkräuter je
Art in der Wissensbasis und der mittleren prozentualen Wiedererkennungsrate über acht
Unkräuter Veronica hederifolia L. (VER), Thlaspi arvense Beauv. (THL), Alopecurus
myosuroides Huds. (POA), Apera spica-venti L. (POA), Poa annua L. (POA), Stellaria
media L. (STE), Capsella bursa-pastoris L. (CAP), Lamium purpureum L. (LAM),
Matricaria chamomilla L. (MAT) und Galium aparine L. (GAL) verdeutlicht. Der
Formfaktor wurde hier nicht berücksichtigt:
Anzahl der Individuen in der Wissensbasis | |
% Wiedererkennung | |
3 | |
40,0 | |
5 | 49,9 |
8 | 42,5 |
10 | 45,7 |
Mit drei Unkräutern je Spezie betrug die mittlere Wiedererkennungsrate 40%. Fünf
Objekte in der Wissensbasis je Art erhöhte die Wiedererkennung auf 49,9%. Durch eine
weitere Erhöhung der Objektzahl auf 8 wurde ein Rückgang der Wiedererkennungsrate auf
42,7% festgestellt. Dies liegt daran, daß die zusätzlich in die Wissensbasis
aufgenommenen aber nicht gezielt ausgewählten Unkräuter Konturen aufweisen, die zur
Überlappung der Konturklassen führen. Die Wiedererkennungsrate stieg bei 10 Objekten
wieder auf 45,7% an.
Im weiteren Verlauf der Untersuchungen wurde der Formfaktor in das
Erkennungsprogramm implementiert. Dadurch wurde das Verhältnis aus Umfang und
Fläche eines Unkrauts als Maß der Kompaktheit berücksichtigt. In der folgenden Tabelle
ist die prozentuale Wiedererkennungsrate der acht untersuchten Unkrautarten (s.
Anwendungsbeispiel 2) mit und ohne Formfaktor im Laubblattstadium dargestellt.
Aus den Ergebnissen der Tabelle wird deutlich, daß mit Berücksichtigung des Formfaktors
die mittlere Wiedererkennungsrate um mehr als 20% gesteigert werden konnte. Besonders
hoch ist die Steigerung der Wiedererkennungsrate bei THL von 36,4 auf 81,8% und bei
POA von 33,3 auf 91,7%. Auch STE und CAP weisen eine um etwa 20% höhere
Wiedererkennungsrate auf. VER wurde durch den Formfaktor zu 100% richtig
identifiziert. Die Wiedererkennungsraten für LAM, MAT und GAL wurden durch den
Formfaktor nicht beeinflußt.
Alle Unkräuter der Wissensbasis, die nicht zur Wiedererkennung benötigt wurden und
zudem noch zu Verwechslungen mit anderen Arten führten, wurden aus der Wissensbasis
entfernt. Danach bestand die Wissensbasis aus einer gezielt ausgewählten und
uneinheitlichen Anzahl pro Art, welche in der folgenden Tabelle aufgeführt ist:
Spezies | |
Anzahl der Individuen in der Wissensbasis | |
VER | |
3 | |
THL | 7 |
POA | 9 |
STE | 4 |
CAP | 5 |
LAM | 6 |
MAT | 6 |
GAL | 4 |
Durch die Optimierung der Wissenbasis stieg die durchschnittliche Wiederkennungsrate
im Laubblattstadium von 66,3% auf 81,89%. In der folgenden Tabelle sind die
Endergebnisse der Untersuchungen in Form einer Klassifikations-matrix dargestellt.
Anhand dieser Darstellung werden nicht nur die Wiedererkennungsraten für jede Art
sondern auch die Verwechslungen mit anderen Arten aufgezeigt.
Die Arten VER und POA werden zu 100% richtig klassifiziert. MAT wurde zu 91,7%
wiedererkannt; 8,3% der MAT-Individuen wurden POA zugeordnet. Die
Wiedererkennungsrate von THL betrug 91%; die restlichen 9,0% wurden als STE
klassifiziert. Es folgt CAP mit 83,3%; 16,7% der Pflanzen dieser Art wurden als THL
identifiziert. STE wurde zu 77,0% richtig eingeordnet, hier traten Verwechslungen mit
VER zu 15,4% und LAM zu 7,6% auf. LAM wurde zu 66,7% richtig erkannt, 16,7%
wurden als THL klassifiziert, und jeweils 8,3% als STE und VER. Die geringste
Wiedererkennungsrate mit 45,4% weist GAL auf, bei dieser Art liegen die falschen
Klassifizierungen zu 18,2% bei POA und STE, und zu jeweils 9,1% bei LAM und MAT.
Die mittlere Wiedererkennungsrate aller acht Arten erreicht einen Wert von 81,89%. Die
Geschwindigkeit der Wiedererkennung betrug pro Unkraut beim Einsatz eines
AT-Rechners (33 MHz) zwischen 8 bis 10 Sekunden. Sie ist abhängig von der Größe der
Wissensbasis sowie der Komplexität der Unkrautkontur.
Verfahrensgemäß wurden die in der Tabelle aufgeführten 22 Pflanzenspezies auf dem Feld
im Keimblattstadium zunächst mit einer Kamera aufgenommen und anschließend mit einer
Erkennungsstrategie aus 40 Fouriertranskriptoren, dem Formfaktor, der Spannweite und
Fuzzy Logik wiedererkannt.
Die Ergebnisse sind in der folgenden Tabelle aufgeführt:
Durch geeignete Wahl der Erkennungsstrategie und durch Gruppenbildung bei den
Unkräutern nach Herbizidsensibilität kann sogar im Keimblattstadium eine ähnlich hohe
Wiedererkennungsrate wie bei Unkräutern im Laubblattstadium erzielt werden.
Ein Beispiel für die Unkrautbekämpfung im Keimblattstadium für Zuckerrübenfelder gibt
folgende Tabelle:
In der Tabelle bedeuten:
Gruppe I: Herbizidmischung, bestehend aus Phenmedipham (PMP), Desmedipham (DMP) und Ethofumesate als Wirkstoffe in einer Aufwandmenge von 1,5 l/ha.
Gruppe II: Herbizidmischung, bestehend aus Phenmedipham (PMP), Desmedipham (DMP) und Ethofumesate als Wirkstoffe in einer Aufwandmenge von 2,0 l/ha.
Gruppe III: Herbizidmischung, bestehend aus Metamitron als Wirkstoff in einer Aufwandmenge von 1,5 kg/ha.
Gruppe I: Herbizidmischung, bestehend aus Phenmedipham (PMP), Desmedipham (DMP) und Ethofumesate als Wirkstoffe in einer Aufwandmenge von 1,5 l/ha.
Gruppe II: Herbizidmischung, bestehend aus Phenmedipham (PMP), Desmedipham (DMP) und Ethofumesate als Wirkstoffe in einer Aufwandmenge von 2,0 l/ha.
Gruppe III: Herbizidmischung, bestehend aus Metamitron als Wirkstoff in einer Aufwandmenge von 1,5 kg/ha.
Mit dem vorgestellten Verfahren zur automatischen Bonitur können die Unkräuter eines
Feldes ohne den bisher üblichen ernormen Zeitaufwand kartiert und anschließend
zielgerichtet bekämpft werden.
Dazu wird zunächst das Feld in ein Gittersystem (Grid System) eingeteilt, wobei die
Koordinaten eines jeden Gitters bekannt sind und in ein geographisches
Informationssystem (GIS) gespeichert werden. Durch Stichprobennahme im Feld, d. h.
Erstellen von Videoaufnahmen für jedes Gitter, wird die Unkrautpopulation eines jeden
Gitters aufgenommen. Die durch die Kamera erstellten Digitalbilder werden dem
Computer zur Auswertung übergeben. Entsprechend der Unkrautpopulation eines jeden
Gitters berechnet ein Herbizid-Optimierungsprogramm die jeweils optimale
Aufwandmenge des Herbizids für jedes Gitter. Die so im geographischen
Informationssystem erstellte Dosiskarte wird einem geeigneten Bordcomputer bzw.
Spritzcomputer einer Pflanzenschutzspritze übergeben. Während der Applikation auf dem
Feld fragt der Computer laufend die Position des Schleppers ab und vergleicht diese Daten
mit der Dosiskarte. Entsprechend wird dann die Ausbringungsmenge des Herbizids durch
den Computer nach oben bzw. unten korrigiert (s. Anwendungsbeispiel 4-6).
Zur Positionsbestimmung wird ein Geopositionierungssystem (GPS) benutzt, das über ein
entsprechendes Korrekturverfahren (DGPS, Differential GPS) eine Ortungsgenauigkeit
von bis zu 1 m ermöglicht.
Bisher scheiterte eine derartige Unkrautbekämpfung in der Praxis an dem enormen
Zeitaufwand, der für die Bonitur eines jeden Gitters erforderlich war.
Mit dem vorgestellten Verfahren zur automatischen Bonitur wird bei entsprechender
Rechengeschwindigkeit des verwendeten Computers auf dem Feld eine "Echtzeit-
Erkennung" und entsprechende Bekämpfung möglich.
Dazu wird eine Pflanzenschutzspritze mit optoelektronischen Sensoren so ausgerüstet, daß
einzelne Düsen bzw. Teilbereiche der Spritze vom Sensor kontrolliert werden. Bei der
Fahrt über das Feld wird die Unkrautpopulation eines Beobachtungsbereiches erkannt und
eine optimale Herbizid-Aufwandmenge berechnet, die dann entsprechend ausgebracht wird
(s. auch Anwendungsbeispiel 5).
Als geeignete Pflanzenschutzspritze bieten sich Direkteinspeisungssysteme an, die neben
einer Dosisvariation auch noch verschiedene Herbizide - je nach vorhandener
Unkrautpopulation - miteinander kombinieren können.
Claims (7)
1. Automatisches Verfahren zur gezielten Bekämpfung des Unkrauts entsprechend seiner
Größe und Art, dadurch gekennzeichnet, daß auf einem Feld
- i) zunächst eine Erkennung und Unterscheidung des Unkrauts durchgeführt wird, wobei
man
- a) mit einer infrarotsensiblen elektronischen Kamera mit vorgeschaltetem Infrarotfilter, der Licht der Wellenlänge λ = 650-1100 nm passieren läßt, auf dem Feld Unkräuter aufnimmt,
- b) diese Aufnahmen mit einem Bildverarbeitungssystem nach dem bimodalen System binarisiert,
- c) die erhaltenen Daten des Binärbildes des Unkrauts einer Konturextraktion unterwirft,
- d) diese Daten des Unkrauts in eine Polar-Vektor-Beschreibung transformiert,
- e) diese Polar-Vektor-Beschreibung als Winkelfunktion interpretiert und einer Fourierreihenentwicklung unterwirft und anschließend
- f) zusätzlich einen Formfaktor als Merkmal für die Kompaktheit eines Unkrauts berechnet,
- g) zusätzlich die Spannweite als Merkmal für den Schwerpunkt eines Unkrauts berechnet,
- h) eine Größenskalierung vornimmt und damit bereits eine Vorauswahl im Hinblick auf kleine und große Unkräuter trifft,
- i) die daraus erhaltenen Daten automatisch in einer Wissensbasis abspeichert und schließlich
- j) die Kontur unbekannter Unkräuter extrahiert, die Merkmale bestimmt und mit den in der Wissenbasis gespeicherten Werten nach dem Prinzip der künstlichen Intelligenz (Fuzzy Logik) vergleicht, was die Erkennung ermöglicht, und
- ii) nach der Erkennung das Unkraut auf dem zu behandelnden Feld mit geeigneten Vorrichtungen und mit geeigneten Herbiziden zielgerichtet bekämpft werden kann.
2. Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, daß das Verfahren in Wein-,
Obst- und Getreidekulturen verwendet wird.
3. Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, daß das Verfahren in
Kartoffel- und Hackfruchtkulturen verwendet wird.
4. Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, daß das Verfahren in
Zuckerrübenkulturen verwendet wird.
5. Verfahren gemäß den Ansprüchen 1-4, dadurch gekennzeichnet, daß mit dem
Verfahren im Laubblattstadium mindestens die Unkrautarten Veronica hederifolia L.
(VER), Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera
spica-venti L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa
pastoris L. (CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) und
Galium aparine L. (GAL) zunächst erkannt und anschließend spezifisch bekämpft werden
können.
6. Verfahren gemäß den Ansprüchen 1-4, dadurch gekennzeichnet, daß mit dem
Verfahren im Keimblattstadium mindestens die Unkrautarten Atriplex patula (ATR),
Capsella bursa-pastor (CAP), Chenopodium album (CHE), Lamium amplexicaule (LAM),
Lamium purpureum (LAM), Polygonum convolvolus (POL CON), Polygonum lapathifol.
(POL LAP), Sinapis arvensis (SIN), Thlaspi arvense (THL), Stellaria media (STE),
Veronica spp. (VER), Fumaria officinalis (FUM), Galium aperine (GAL), Mercurialis
annua (MER), Poligonum aviculare (POL AVI), Poligonum persicaria (POL PER),
Solanum nigrum (SOL), Viola arvensis (VIO), Aethusa zynapium (AET), Urtica urens,
Anthemis arvensis (ANT), Ausfallraps-Brassica (RAPS) und Matricaria chamonilla
(MAT) und Raphanus raphanistrum zunächst erkannt und anschließend spezifisch
bekämpft werden können.
7. Verfahren gemäß den Ansprüchen 1-6, dadurch gekennzeichnet, daß für die
Unkrautbekämpfung das Unkraut zunächst automatisch erkannt und anschließend mit einer
positionsgesteuerten (GPS) Herbizidspritze gemäß einer vorab erstellten Unkrautkarte
bekämpft wird oder mit einer sensorgesteuerten Herbizidspritze "Online" zielgerichtet
behandelt wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4329343A DE4329343A1 (de) | 1993-08-27 | 1993-08-27 | Feldtaugliches bildanalytisches Verfahren zur automatischen Erkennung und Bekämpfung von Unkrautarten |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4329343A DE4329343A1 (de) | 1993-08-27 | 1993-08-27 | Feldtaugliches bildanalytisches Verfahren zur automatischen Erkennung und Bekämpfung von Unkrautarten |
Publications (1)
Publication Number | Publication Date |
---|---|
DE4329343A1 true DE4329343A1 (de) | 1995-03-09 |
Family
ID=6496468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4329343A Ceased DE4329343A1 (de) | 1993-08-27 | 1993-08-27 | Feldtaugliches bildanalytisches Verfahren zur automatischen Erkennung und Bekämpfung von Unkrautarten |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4329343A1 (de) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2718921A1 (fr) * | 1994-04-20 | 1995-10-27 | Deutsche Forsch Luft Raumfahrt | Procédé pour la délivrance dosée, spécifique et adéquate de substances nutritives et phytosanitaires dans l'agriculture ou l'horticulture, et dispositif pour la mise en Óoeuvre dudit procédé. |
NL1002710C2 (nl) * | 1996-03-26 | 1997-09-30 | Kamps De Wild B V | Werkwijze en inrichting voor het toevoeren van materiaal aan op een oppervlak staand gewas. |
EP0900451A1 (de) * | 1996-04-03 | 1999-03-10 | Patchen, Inc. | Baumwollfeldunkrautherbizidsprühvorrichtung und -verfahren |
WO1999017606A1 (en) * | 1997-09-24 | 1999-04-15 | Hardi International A/S | A method and an apparatus for detecting, classifying and treatment of vegetation |
FR2770969A1 (fr) * | 1997-11-14 | 1999-05-21 | Cemagref | Dispositif de desherbage electrique, selectif et dirige |
DE10258347A1 (de) * | 2002-12-12 | 2004-07-08 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Einrichtung zur Detektion von Objekten, wie Vogelgelegen und Tieren im Acker- und Pflanzenbau |
DE102010048298A1 (de) | 2010-10-14 | 2012-04-19 | Johnson Controls Systems & Service Gmbh | Einrichtung zur Erfassung des Wachstums einer Vielzahl biologischer Proben |
WO2012122988A1 (en) * | 2011-03-16 | 2012-09-20 | Syddansk Universitet | Spray boom for selectively spraying a herbicidal composition onto dicots |
EP2591654A1 (de) | 2011-11-09 | 2013-05-15 | Deere & Company | Anordnung und Verfahren zur automatischen Dokumentation von Situationen bei der Feldarbeit |
DE202016004430U1 (de) | 2016-07-20 | 2016-08-04 | Christian Schlemmer | System zur automatischen Erkennung von Pflanzen |
EP3262935A1 (de) * | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
DE102016224781A1 (de) * | 2016-12-13 | 2018-06-14 | Robert Bosch Gmbh | Verfahren zum Betreiben eines Pflanzenschutzsystems, Pflanzenschutzsystem |
DE102017124934A1 (de) | 2017-10-25 | 2019-04-25 | M-Farms Gmbh | System zur halbautomatischen und/oder automatischen Unkrautentfernung |
US10817755B2 (en) | 2018-06-22 | 2020-10-27 | Cnh Industrial Canada, Ltd. | Measuring crop residue from imagery using a machine-learned classification model in combination with principal components analysis |
US11560680B2 (en) * | 2017-07-06 | 2023-01-24 | Bayer Aktiengesellschaft | Apparatus for weed control |
US11832609B2 (en) | 2020-12-21 | 2023-12-05 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
US11944087B2 (en) | 2020-12-21 | 2024-04-02 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3906215A1 (de) * | 1989-02-28 | 1990-08-30 | Robert Prof Dr Ing Massen | Automatische klassifikation von pflaenzlingen |
DE4135881A1 (de) * | 1991-10-31 | 1993-05-06 | Hassan Prof. Duebendorf Ch Nour Eldin | Verfahren und vorrichtung zur extraktion der konturen von objekten |
DE4211171A1 (de) * | 1992-04-03 | 1993-10-07 | Diehl Gmbh & Co | Verfahren zum Erkennen von interessierenden Mustern |
-
1993
- 1993-08-27 DE DE4329343A patent/DE4329343A1/de not_active Ceased
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3906215A1 (de) * | 1989-02-28 | 1990-08-30 | Robert Prof Dr Ing Massen | Automatische klassifikation von pflaenzlingen |
DE4135881A1 (de) * | 1991-10-31 | 1993-05-06 | Hassan Prof. Duebendorf Ch Nour Eldin | Verfahren und vorrichtung zur extraktion der konturen von objekten |
DE4211171A1 (de) * | 1992-04-03 | 1993-10-07 | Diehl Gmbh & Co | Verfahren zum Erkennen von interessierenden Mustern |
Non-Patent Citations (5)
Title |
---|
ERNST: "Einführung in die digitale Bildverar- beitung", Franzis-Verlag GmbH, München 1991, S. 21, 222-225, 234-237 * |
FRANZ/GEBHARDT/UNKLESBAY "Shape Description of Completely Visible and Partially Occluded Leaves for Identifying Plants in Digital Images" in: Trans. of the ASAE, Vol. 34(2), 1991, pp.673-681 * |
KÜHBAUCH/BESTAJOVSKY"Bestimmung der Liquifizierungin Lucerne mjit Hilfe der Quantitativern Bild- analyse" in: angew. Botanik 57, 1983, S.381-389 * |
PETRY/KÜHBAUCH "Automatisierte Unterscheidung von Unkrautsorten nach Fermparametern mit Hilfe der Quantitiven Bildanalyse" in J. Agronomy & Crop Science 163, 1989, pp.345-351 * |
THOMPSON et al.: "Potential for automatic weed detection and selective herbicide application" in: Crop Protection, Vol. 10, August 1991, pp. 254-259 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL1000061C2 (nl) * | 1994-04-20 | 1996-06-03 | Deutsche Forsch Luft Raumfahrt | Werkwijze voor het gericht, specifiek, gedoseerd opbrengen van voedings- en behandelingsmiddelen in de akker- of tuinbouw en inrichting voor het uitvoeren van de werkwijze. |
FR2718921A1 (fr) * | 1994-04-20 | 1995-10-27 | Deutsche Forsch Luft Raumfahrt | Procédé pour la délivrance dosée, spécifique et adéquate de substances nutritives et phytosanitaires dans l'agriculture ou l'horticulture, et dispositif pour la mise en Óoeuvre dudit procédé. |
NL1002710C2 (nl) * | 1996-03-26 | 1997-09-30 | Kamps De Wild B V | Werkwijze en inrichting voor het toevoeren van materiaal aan op een oppervlak staand gewas. |
EP0797916A1 (de) * | 1996-03-26 | 1997-10-01 | Kamps de Wild B.V. | Verfahren und Vorrichtung für die Aufgabe von Material an Wachstum auf einer Oberfläche |
EP0900451A4 (de) * | 1996-04-03 | 1999-11-24 | Patchen Inc | Baumwollfeldunkrautherbizidsprühvorrichtung und -verfahren |
EP0900451A1 (de) * | 1996-04-03 | 1999-03-10 | Patchen, Inc. | Baumwollfeldunkrautherbizidsprühvorrichtung und -verfahren |
WO1999017606A1 (en) * | 1997-09-24 | 1999-04-15 | Hardi International A/S | A method and an apparatus for detecting, classifying and treatment of vegetation |
FR2770969A1 (fr) * | 1997-11-14 | 1999-05-21 | Cemagref | Dispositif de desherbage electrique, selectif et dirige |
WO1999025186A1 (fr) | 1997-11-14 | 1999-05-27 | Exel Industries | Dispositif de desherbage electrique selectif et dirige |
DE10258347A1 (de) * | 2002-12-12 | 2004-07-08 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Einrichtung zur Detektion von Objekten, wie Vogelgelegen und Tieren im Acker- und Pflanzenbau |
DE10258347B4 (de) * | 2002-12-12 | 2005-03-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Einrichtung zur Detektion von Objekten, wie Vogelgelegen und Tieren im Acker- und Pflanzenbau |
DE102010048298A1 (de) | 2010-10-14 | 2012-04-19 | Johnson Controls Systems & Service Gmbh | Einrichtung zur Erfassung des Wachstums einer Vielzahl biologischer Proben |
WO2012122988A1 (en) * | 2011-03-16 | 2012-09-20 | Syddansk Universitet | Spray boom for selectively spraying a herbicidal composition onto dicots |
EP2685813A1 (de) * | 2011-03-16 | 2014-01-22 | Syddansk Universitet | Spritzgestänge zur selektiven sprühung einer herbizidzusammensetzung auf dikotylen |
EP2685813A4 (de) * | 2011-03-16 | 2014-12-03 | Univ Syddansk | Spritzgestänge zur selektiven sprühung einer herbizidzusammensetzung auf dikotylen |
RU2605775C2 (ru) * | 2011-11-09 | 2016-12-27 | Дир Энд Компани | Система и способ автоматического документирования ситуаций при полевых работах |
EP2591654A1 (de) | 2011-11-09 | 2013-05-15 | Deere & Company | Anordnung und Verfahren zur automatischen Dokumentation von Situationen bei der Feldarbeit |
DE102011086021A1 (de) | 2011-11-09 | 2013-05-16 | Deere & Company | Anordnung und Verfahren zur automatischen Dokumentation von Situationen bei der Feldarbeit |
CN109414005B (zh) * | 2016-06-28 | 2022-08-23 | 巴斯夫欧洲公司 | 害虫控制方法 |
CN109414005A (zh) * | 2016-06-28 | 2019-03-01 | 巴斯夫欧洲公司 | 害虫控制方法 |
EP3262934A1 (de) * | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
WO2018001893A1 (de) * | 2016-06-28 | 2018-01-04 | Bayer Cropscience Aktiengesellschaft | Verfahren zur bekämpfung von schadorganismen |
US11778939B2 (en) | 2016-06-28 | 2023-10-10 | Basf Agro Trademarks Gmbh | Method for pest control |
EP3262935A1 (de) * | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
US10939607B2 (en) | 2016-06-28 | 2021-03-09 | Basf Agro Trademarks Gmbh | Method for pest control |
DE202016004430U1 (de) | 2016-07-20 | 2016-08-04 | Christian Schlemmer | System zur automatischen Erkennung von Pflanzen |
US10997416B2 (en) | 2016-07-20 | 2021-05-04 | M-Farms Gmbh | System for automatically recognizing plants |
WO2018015030A1 (de) | 2016-07-20 | 2018-01-25 | M-Farms Gmbh | System zur automatischen erkennung von pflanzen |
DE102017103486A1 (de) | 2016-07-20 | 2018-01-25 | M-Farms Gmbh | System zur automatischen Erkennung von Pflanzen |
US11798275B2 (en) | 2016-07-20 | 2023-10-24 | M-Farms Gmbh | System for automatically recognizing plants |
DE102016224781A1 (de) * | 2016-12-13 | 2018-06-14 | Robert Bosch Gmbh | Verfahren zum Betreiben eines Pflanzenschutzsystems, Pflanzenschutzsystem |
US11560680B2 (en) * | 2017-07-06 | 2023-01-24 | Bayer Aktiengesellschaft | Apparatus for weed control |
DE102017124934A1 (de) | 2017-10-25 | 2019-04-25 | M-Farms Gmbh | System zur halbautomatischen und/oder automatischen Unkrautentfernung |
WO2019081542A1 (de) | 2017-10-25 | 2019-05-02 | M-Farms Gmbh | System zur halbautomatischen und/oder automatischen unkrautentfernung |
US11589570B2 (en) | 2017-10-25 | 2023-02-28 | M-Farms Gmbh | System for semi-automatic and/or automatic weed removal |
US10817755B2 (en) | 2018-06-22 | 2020-10-27 | Cnh Industrial Canada, Ltd. | Measuring crop residue from imagery using a machine-learned classification model in combination with principal components analysis |
US11832609B2 (en) | 2020-12-21 | 2023-12-05 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
US11944087B2 (en) | 2020-12-21 | 2024-04-02 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4329343A1 (de) | Feldtaugliches bildanalytisches Verfahren zur automatischen Erkennung und Bekämpfung von Unkrautarten | |
EP3782467B1 (de) | Verfahren zum identifizieren von beikräutern innerhalb einer definierten pflanzenreihe einer landwirtschaftlichen fläche | |
DE102018217742A1 (de) | Verfahren zum Ausbringen eines Spritzmittels auf ein Feld | |
DE4132637C2 (de) | Verfahren zur gesteuerten Unkrautbekämpfung | |
DE102020215874A1 (de) | Verfahren zum Ausbringen eines Spritzmittels auf eine landwirtschaftliche Fläche | |
DE102019218189A1 (de) | Verfahren zum Generieren einer Vielzahl von annotierten Bildern | |
EP4064819B1 (de) | Verfahren zum bearbeiten von pflanzen auf einem feld, zum generieren von trainingsdaten und zum trainieren eines neuronalen netzes | |
EP4262381A1 (de) | Verfahren zum klassifizieren von pflanzen für landwirtschaftlichen zwecke | |
WO2021105017A1 (de) | Verfahren zum bearbeiten von pflanzen auf einem feld | |
Kehlenbeck et al. | Impact assessment of partial or complete abandonment of glyphosate application for farmers in Germany. | |
DE102022212169A1 (de) | Verfahren zum Klassifizieren von Pflanzen in und/oder zwischen Pflanzenreihen einer landwirtschaftlichen Fläche | |
DE102020215877A1 (de) | Verfahren zum Klassifizieren von Pflanzen für landwirtschaftliche Zwecke | |
EP4064818B1 (de) | Verfahren zum bearbeiten von pflanzen auf einem feld | |
DE102022212162A1 (de) | Verfahren zum Ermitteln einer Pflanzenkennzahl von Pflanzen einer Pflanzenreihe einer landwirtschaftlichen Fläche | |
DE102022212171A1 (de) | Verfahren zum Klassifizieren von Pflanzen in und/oder zwischen Pflanzenreihen einer landwirtschaftlichen Fläche | |
DE102022207830A1 (de) | Unkrauterkennung mit Polarmasken | |
DE102022212161A1 (de) | Verfahren zum Ermitteln einer Breitenkennzahl von Pflanzen einer Pflanzenreihe einer landwirtschaftlichen Fläche | |
DE202022100123U1 (de) | Intelligentes System zur Überwachung landwirtschaftlicher Felder mit IOT-Sensoren und maschinellem Lernen | |
DE102022115549A1 (de) | Verfahren zur optimierten Konfiguration eines Kamerasystems zur Reihenerkennung in einem Feldbestand | |
Dücker et al. | Potential of herbicide reduction by automatic spot spraying in sugar beet with regard to weed control and biodiversity. | |
WO2021105006A1 (de) | Verfahren zum schätzen eines verlaufs von pflanzenreihen | |
Sökefeld et al. | Sektion 2: Precision Farming und Anwendungstechnik | |
DE102022206224A1 (de) | Verfahren zum automatischen Labeln von Eingangsbildern, Trainingsbilder, Verfahren zum Trainieren oder Nachtrainieren eines Unkrautanalysators, Analysevorrichtung, Computerprogramm sowie maschinenlesbares Speichermedium | |
WO2023066562A1 (de) | Verfahren zum identifizieren von beikräutern in einer pflanzenreihe einer landwirtschaftlichen fläche | |
DE102022131973A1 (de) | Arbeitsmaschine zum Spritzen von Nutzpflanzen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8125 | Change of the main classification |
Ipc: G06T 7/40 |
|
8131 | Rejection |