Klassifizierung von Weizenkrankheiten mithilfe von Deep-Learning-Netzwerken mit Feld- und Gewächshausbildern

Pflanzenkrankheiten können erhebliche Ertragseinbußen verursachen, weshalb die Fähigkeit, sie in frühen Stadien zu erkennen und zu identifizieren, wichtig für die Krankheitskontrolle ist. Methoden des Deep Learning haben vielversprechende Ergebnisse bei der Klassifizierung mehrerer Krankheiten gezeigt; jedoch verwenden viele Studien keine Datensätze, die reale Feldbedingungen repräsentieren, was entweder eine weitere Bildverarbeitung oder eine Verringerung ihrer Anwendbarkeit erforderlich macht. In diesem Papier stellen wir einen Datensatz von Weizennbildern vor, die unter realen Wachstumsbedingungen, einschließlich Feld- und Gewächshausbedingungen, aufgenommen wurden, mit fünf Kategorien: gesunde Pflanzen und vier Blattkrankheiten: Gelbrost, Braunrost, Mehltau und Septoria-Blattflecken. Dieser Datensatz wurde verwendet, um ein Deep-Learning-Modell zu trainieren. Das resultierende Modell, genannt CerealConv, erreichte eine Klassifikationsgenauigkeit von 97,05 %. Bei Tests gegen ausgebildete Pathologen auf einem Teilsatz von Bildern aus dem größeren Datensatz lieferte das Modell eine Genauigkeitsbewertung, die 2 % höher war als die des bestbewerteten Pathologen. Bildmasken wurden verwendet, um zu zeigen, dass das Modell die richtigen Informationen für seine Klassifikationen nutzte. Diese Ergebnisse zeigen, dass Deep-Learning-Netzwerke ein praktikables Werkzeug zur Erkennung und Klassifizierung von Krankheiten im Feld sind, und die Krankheitsquantifizierung ist ein logischer nächster Schritt.