27.05.2024, 14:30 Uhr
Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien
Titel: Artificial Intelligence for Airborne Phenotyping
Kurzfassung:
In dieser Arbeit wird die Anwendung von Techniken des maschinellen Lernens (ML)
für diePhänotypisierung unter VerwendungmultispektralerundmultitemporalerDaten
aus der Luft untersucht, wobei der Schwerpunkt auf der Identifizierung von Gelbrost
bei Weizen liegt. DasHauptziel besteht darin, die Wirksamkeit derML-basiertenPhänotypisierung
aus der Luft als Alternative zu herkömmlichen in-situ-Methoden zu bewerten.
Ein bahnbrechender Aspekt dieser Studie ist die Erstellung eines neuartigen
Datensatzes mit multispektralen Zeitreihenbildern, die jeweils eine Versuchsparzelle
in einem Weizenfeld zeigen, zusammen mit entsprechenden Gelbrost Krankheitsbewertungen
durch Experten. Anschließend wird eine vergleichende Analyse zwischen
verschiedenen grundlegendenML-ModellenundDeep-Learning-Modellen zur Vorhersage
von Gelbrost anhand des Datensatzes durchgeführt. Unsere Ergebnisse zeigen
die Herausforderungen, denen sichML-Basismodelle bei der genauen Vorhersage von
Gelbrost gegenübersehen, imGegensatz zudenvielversprechenden Ergebnissen eines
Deep-Learning-Modells, dasdenMerkmalsextraktorResNet34 verwendet. Diese Ergebnisse
unterstreichen das Potenzial von ML-Ansätzen bei der Fernphänotypisierung
für die Pflanzenzüchtung, insbesondere wenn Deep-Learning-Modelle mit Aufmerksamkeitsmechanismen
integriert werden. Die Studie liefert wertvolle Einblicke in
die Techniken der Phänotypisierung aus der Ferne, was sich auf die Verbesserung
der Krankheitsüberwachung und der Anbaupraktiken auswirkt. Allerdings ist eine
weitere Verfeinerung erforderlich. Die beobachtete geringere Leistung bei einem der
Testsätze deutet auf einen Mangel an Daten hin, die für die Gewährleistung der Robustheit
des Modells und seiner Verallgemeinerungsfähigkeit unerlässlich sind. Künftige
Forschungsarbeiten könnten zusätzliche Spektralindizes und die automatische
Auswahl von Spektralbändern untersuchen. Schließlich könnte das Modell mit mehr
Daten auch so trainiert werden, dass es robuster gegenüber beliebigen Zeitschritten
ist, was eine entscheidende Eigenschaft für seine praktische Anwendbarkeit ist.