Das SDSC-BW päppelt Pflanzenbabys auf

Wie Smart Data gestützte Bildanalysen das Pflanzenwachstum überwachen.

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.

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.