Der Kunde


Die da-cons GmbH vertreibt Produkte zur Phänotypisierung bzw. zur Ermittlung einer Vielzahl von Pflanzeneigenschaften. Dazu hat sie das System PhenoScreen entwickelt, das die Saatgutindustrie in der Pflanzenzüchtung unterstützt (www.phenoscreen.com). Die Kunden stammen aus dem Agrar- und Züchtungsmarkt; Thema: Agrar 4.0. www.da-cons.de

„Durch das Projekt mit dem SDSC-BW konnten wir unsere Analyse zur Bildauswertung optimieren. Die Profis haben uns die richtigen Ansatzpunkte für ein erfolgreiches Produkt geliefert.“

Dr.-Ing. Sebastian Pfeier, Geschäftsführer

Die Daten


Das Modellprojekt setzte auf der von da-cons entwickelten Lösung PhenoScreen auf. Unter- nehmen der Saatgutindustrie können mit dieser Anwendung das Wachstum ihrer Pflanzen mittels Bildaufzeichnung überwachen. Bei der industriellen Aufzucht von Nutzpflanzen ist eine flächendeckende und effektive Beobachtung von herausragender Bedeutung. PhenoScreen ist ein System zur Dokumentation und Überwachung von Pflanzen, das sensorbasiert agiert (z.B. Kameras, Hygrometer, Luxmeter). Die Sensoren nehmen in Intervallen Daten der Pflanzen auf. Komplexe Algorithmen bei der Datenanalyse ermöglichen es, vom Saatguthersteller benötigte Merkmale (z.B. Bodenbedeckungsgrad, Farben) zu bestimmen.

Die Herausforderung


Während des Wachstums der Pflanzen werden mit PhenoScreen erhebliche Mengen an Bildern aufgenommen, die bislang manuell verarbeitet werden mussten. Der Wunsch nach einer automatisierten Auswertung lag auf der Hand. Sie ermöglicht eine schnellere, vor allem aber zuverlässigere Verarbeitung der Bilderserien.

Im Rahmen der Potentialanalyse untersuchte das SDSC-BW die Frage, ob es digital möglich ist, in den Bilddateien Pflanzen zuverlässig zu erkennen und diese anschließend vom Bildhintergrund zu trennen. Mit Hilfe dieses Pflanzensegments können dann weitere Untersuchungen im Hinblick auf den Entwicklungsstand der Pflanze durchgeführt und Handlungsempfehlungen gegeben werden.

Die Potentialanalyse


Zur Vorbereitung der Segmentierung entwickelte das SDSC-BW zunächst Methoden zur Vorverarbeitung. Hiermit konnten nicht interessierende Hintergrundbereiche weitestgehend ausgeblendet werden, um den Fokus auf den Vordergrund, die Pflanze, zu lenken. Erreicht wurde dies mit speziellen Algorithmen der Bildverarbeitung, mit deren Hilfe die Saatkästen einzeln ausgeschnitten und abgespeichert wurden. Im nächsten Schritt wurden die Farbtöne analysiert und eine Einteilung jedes Farbtons in entweder Pflanze oder Hintergrund vorgenommen. Der so gewonnene Datensatz wurde an verschiedene maschinelle Lernverfahren übergeben.

Das Resultat


Mittels der vom SDSC-BW durchgeführten Analyse konnten sowohl die Saatkästen aus einem Bild extrahiert als auch Modelle trainiert werden, mit denen Bildpunkte als Pflanze oder Hintergrund klassifiziert werden können. Einzelne Verfahren erzielten dabei eine Genauigkeit von 94 – 98 Prozent.

Wie es weiter geht


Das SDSC-BW stellte die gewählte Vorgehensweise und die daraus resultieren- den Erkenntnisse den Verantwortlichen von da-cons in einer Abschlusspräsentation vor. Dabei übergab das SDSC-BW auch eine detaillierte Vorgehensbeschreibung und die zugehörige Werkzeugsammlung. Auf dieser Basis können die IT-Mitarbeiter von da-cons in Zukunft ähnliche Analysen selbst durchführen.