Automatische Erkennung von Pflanzenkrankheiten

Algorithmen aus Daten lernen lassen, Zusammenhänge automatisch erkennen und komplexe Aufgaben dadurch lösen – diese Hoffnung ist mit dem Einsatz von Methoden der Künstlichen Intelligenz und des maschinellen Lernens oft verbunden.

Eine komplexe Aufgabe in der Agrarforschung ist die Bewertung von Pflanzenkrankheiten. Ähnlich wie in der Humanmedizin werden für den Pflanzenschutz ständig neue Wirkstoffe untersucht, die Krankheiten von Kulturpflanzen möglichst effektiv und gleichzeitig umweltschonend bekämpfen. Für die Entwicklung neuer Pflanzenschutzmittel sind umfangreiche Versuchsreihen (v.a. an der Kulturpflanze) essentiell. In diesen werden Pflanzen mit neuen Wirkstoffen behandelt und mit einem Erreger infiziert. Anschließend wird die Wirkung des neuen Wirkstoffes fotodokumentiert und bewertet. Letzteres erfolgt durch die visuelle Bewertung des Befalls mit dem Schaderreger der Pflanze, die sog. Bonitur. Diese benötigt wissenschaftliche Expertise (= Experten), die nicht immer gegeben ist.

Von der Arbeitsgruppe Digitale Technologien in der Pflanzenproduktion an der Hochschule Anhalt wurde eine Software entwickelt, welche die Bewertung des Mehltaubefalls auf Getreideblättern (= Bonitur des Befalls) unterstützt. Die durch die Fotodokumentation erhaltenen Bilder können mit der Software zusätzlich ausgewertet werden. Mittels Clusterverfahren werden typische Muster in den Bilddaten identifiziert. Es können mithilfe der Software jene Blattbereiche markiert werden, die als „befallen“ bzw. „nicht befallen“ in der Bonitur bewertet werden würden. Sehr schnell entsteht eine Übersicht, welche Blattteile gesund und welche befallen sind. So kann die Bonitur durch einen Experten unterstützt und eine Vielzahl von Blättern objektiv bewertet werden. Gleichzeitig entsteht eine Datenbasis, anhand derer die Entscheidung des Experten später nachvollzogen werden kann. Mit diesen Daten können nun auch KI-Modelle trainiert werden, welche die Aufgabe vollständig automatisieren können. Die Unterstützung des Experten durch ein Programm zur Erfassung des Mehltaubefalls ermöglicht es, die notwendigen und zuvor nicht vorhandenen Referenzdaten für den Einsatz von Künstlicher Intelligenz nebenbei zu erheben, den Experten gleichzeitig zu entlasten und den Bewertungsprozess objektiver und nachvollziehbar zu gestalten.

Blattsegmenttest. Fotodokumentation der Wirkung eines pflanzlichen Extraktes gegen den Gerstenmehltau Blumeria graminis sp. hordei nach 14 Tagen. A: Kontrollprüfglied, Behandlung der Gerstenblätter nur mit Lösungsmittel des Wirkstoffes. B-D: Behandlung der Gerstenblätter mit dem Wirkstoff in unterschiedlichen Konzentrationsstufen, wobei die Einsatzkonzentration des Wirkstoffes von B zu D sinkt. Zu finden in: Gillmeister, Marit (2019)
Kontakt:

Professor Uwe Knauer
Digitale Technologien in der Pflanzenproduktion
Hochschule Anhalt
Strenzfelder Allee 28
06406 Bernburg

Tel.: +49 (0)3471-355-1278
Mail:
uwe.knauer@hs-anhalt.de