Eine bahnbrechende Studie wurde kürzlich mit Hilfe modernster Bildgebungs- und maschineller Lernverfahren durchgeführt, um die Bewertung der Qualität und der Schwere von Krankheiten bei Kartoffelknollen zu revolutionieren. Dieser innovative Ansatz führte zur Entwicklung einer benutzerfreundlichen Anwendung namens ScabyNet und zeigt das Potenzial modernster Technologien im landwirtschaftlichen Sektor auf.
Das Hauptziel der Studie bestand darin, verschiedene morphologische Merkmale von Kartoffelknollen wie Länge, Breite, Fläche und Farbe zu bewerten, um wertvolle Erkenntnisse über die Qualität dieser Knollen für den potenziellen Markteinsatz zu gewinnen. Darüber hinaus wollten die Forscher mit Hilfe von Convolutional Neural Networks (CNNs), einer Form des maschinellen Lernens, den Befall mit dem weit verbreiteten Kartoffelkrebs (CS) in den Knollen erkennen und quantifizieren. Abschließend sollte die Studie diese Funktionen in eine benutzerfreundliche Anwendung integrieren.
Um ihre Ziele zu erreichen, analysierten die Forscher insgesamt 7200 Knollen verschiedener Kartoffel-Genotypen in Norwegen, die mit einer Canon PowerShot G9 X Mark II Kamera aufgenommen wurden. Diese Bilder wurden anschließend mit OpenCV und TensorFlow innerhalb der ScabyNet-Benutzeroberfläche verarbeitet. Die grafische Benutzeroberfläche (GUI) der Anwendung bestand aus zwei Hauptmodulen: einem zur Bewertung der Morphologie von Knollen und einem zur Beurteilung von CS-bedingten Läsionen.
Die von ScabyNet verwendete Bildverarbeitungspipeline umfasste mehrere entscheidende Schritte, darunter das Entfernen des Hintergrunds, die Farbumwandlung, die Objekterkennung und die Segmentierung. Um Genauigkeit zu gewährleisten, nutzten die Forscher ein maschinelles Lernwerkzeug namens Trainable Weka Segmentation (TWS), gefolgt von manueller Validierung. Das Deep Learning-Modul von ScabyNet verwendete verschiedene Architekturen wie VGG16, VGG19 und ResNet50V2, um die Schwere des CS vorherzusagen.
Zusätzlich bietet ScabyNet eine Farbanalyse im L*a*b-Farbraum und nutzt eine K-Means-Farbquantisierung. Die Ergebnisse einzelner Bilder wurden auf dem Bildschirm angezeigt, während die Ergebnisse der Stapelverarbeitung in einem bestimmten Ordner gespeichert wurden, zusammen mit den zugehörigen Messungen. Diese bahnbrechende Methodik schafft im Wesentlichen einen robusten Rahmen für die Bewertung der Qualität und der Schwere von Kartoffelknollen und kann damit landwirtschaftliche Praktiken und Marktbewertungen verbessern.
Durch den Einsatz modernster Technologien wie fortschrittlicher Bildgebung und maschinellem Lernen zeigt die Studie das immense Potenzial für Innovationen im landwirtschaftlichen Sektor auf. Mit der Entwicklung von ScabyNet haben Landwirte und Forscher nun ein benutzerfreundliches Werkzeug zur genauen Bewertung der Qualität und Schwere von Kartoffelknollen, was zu informierten landwirtschaftlichen Praktiken und einer verbesserten Marktbewertung führt.
The source of the article is from the blog maestropasta.cz