KI-gesteuerte Nährstoffbewertung von Saatgutmischungen verbessert nachhaltige Anbaumethoden

19.01.2024
computer generated picture

symbolisches Bild

Der Anbau von Saatgutmischungen für lokale Weiden ist eine uralte Methode, um kosteneffizientes und ausgewogenes Tierfutter zu erzeugen, das die landwirtschaftliche Autonomie und die Umweltfreundlichkeit im Einklang mit den sich entwickelnden europäischen Vorschriften und den Anforderungen der Verbraucher an den ökologischen Landbau verbessert. Trotz ihrer Vorteile stehen die Landwirte aufgrund der asynchronen Reifung von Getreide und Hülsenfrüchten und der Schwierigkeit, den Nährwert von heterogenem Saatgut zu beurteilen, vor Herausforderungen bei der Einführung. Eine vorgeschlagene Lösung ist die Entwicklung einer mobilen App oder eines Online-Dienstes, ähnlich wie Pl@ntNet, für die automatische Bewertung des Nährwerts von Saatgutmischungen, wobei die Beteiligung der Landwirte und die Anreicherung der Datenbank gefördert wird. Dies erfordert jedoch die Überwindung von Herausforderungen in den Bereichen Landwirtschaft und Computer Vision. Die Bewältigung dieser Herausforderungen sowie die Optimierung von Modellen für tiefe neuronale Netze und Verlustfunktionen bleiben ein wichtiger Forschungsschwerpunkt, um diese nachhaltige landwirtschaftliche Praxis zugänglicher und effizienter zu machen.

Plant Phenomics

The 11 cereal and legume cultivated varieties of seeds.

Im November 2023 veröffentlichte die Zeitschrift Plant Phenomics einen Forschungsartikel mit dem Titel "Estimating Compositions and Nutritional Values of Seed Mixes Based on Vision Transformers ".

Darin wird ein neuartiger Ansatz vorgestellt, bei dem künstliche Intelligenz eingesetzt wird, um den Nährwert von geernteten Saatgutmischungen abzuschätzen und Landwirte bei der Verwaltung von Ernteerträgen und der Förderung eines nachhaltigen Anbaus zu unterstützen. Ein Datensatz mit 4.749 Bildern von 11 Saatgutsorten wurde erstellt, um zwei Deep-Learning-Modelle zu trainieren: Convolutional Neural Networks (CNN) und Vision Transformers (ViT). Die Ergebnisse sprachen deutlich für das ViT-basierte BeiT-Modell, das das CNN in allen Metriken übertraf, einschließlich eines mittleren absoluten Fehlers (MAE) von nur 0,0383 und eines Bestimmtheitsmaßes(R2) von 0,91. Techniken zur Datenerweiterung und Variationen der Modellgröße verbesserten die Leistung weiter. Obwohl größere Modelle einige Verbesserungen bieten, erwies sich die Basisversion von BeiT als am effizientesten in Bezug auf das Gleichgewicht zwischen Leistung und Rechenressourcen. Die Studie untersuchte auch Verlustfunktionen und stellte fest, dass der klassische KLDiv-Verlust die Sparsemax-Variante übertraf. Eine detaillierte Analyse nach Saatgutart ergab unterschiedliche Leistungen in den verschiedenen Kategorien, wobei die Modelle im Allgemeinen bei der Erkennung von Gerste, Lupine, Roggen, Dinkel und Weizen hervorragend abschnitten, während sie bei Wicke und Hafer Probleme hatten. Die Aggregation von Vorhersagen aus mehreren Bildern der gleichen Mischung verbesserte die Robustheit und Genauigkeit erheblich. Die Forschung gipfelte in der Entwicklung von "ESTI'METEIL" (https://c4c.inria.fr/carpeso/), einer frei zugänglichen Webkomponente, die es den Nutzern ermöglicht, die Zusammensetzung und den Nährwert von Saatgut anhand von Bildern zu schätzen. Dieses Tool demonstriert die praktische Anwendung und das Potenzial der Forschung für reale landwirtschaftliche Szenarien.

Zusammenfassend lässt sich sagen, dass die Studie fortschrittliche Deep-Learning-Techniken, insbesondere das selbstüberwachte BeiT-Modell, effektiv auf die landwirtschaftliche Herausforderung der Schätzung der Zusammensetzung von Saatgutmischungen und ihres Nährwerts anwendet. Die Forschung zeigte nicht nur vielversprechende Ergebnisse mit einem hohenR2-Wert, sondern lieferte auch ein praktisches Werkzeug für Landwirte, was einen wichtigen Schritt in Richtung nachhaltigerer und informierterer landwirtschaftlicher Praktiken darstellt. Zukünftige Arbeiten werden darauf abzielen, die Datenbilanz zu verbessern und die Erzeugung synthetischer Bilder zu erforschen, um die Leistung des Modells und seine praktische Anwendbarkeit weiter zu verbessern.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Weitere News aus dem Ressort Wissenschaft

Weitere News von unseren anderen Portalen

Fleisch aus dem Labor