http://dl.gi.de/handle/20.500.12116/38372 2026-07-22T22:10:45Z http://dl.gi.de/handle/20.500.12116/38433 Akustische Insektenerkennung – Deep Learning zur Klassifikation leisester Fluggeräusche Branding, Jelto; von Hoersten, Dieter; Wegener, Jens Karl Gandorfer, Markus; Hoffmann, Christa; El Benni, Nadja; Cockburn, Marianne; Anken, Thomas; Floto, Helga Assistenzsysteme und Apps bieten ein großes Potenzial für die Steigerung der Effizienz und Nachhaltigkeit im Gartenbau. Im Bereich der Schädlingsbekämpfung haben alle aktuellen Apps und Systeme gemein, dass sie eine große Schwachstelle in der digitalen Erfassung der Insektenpopulationen im Gewächshaus aufweisen. Aus diesem Grund werden im Projekt IPMaide verschiedene sensorische Ansätze für die automatisierte Detektion von Insekten untersucht. Eine vielversprechende Möglichkeit ist die akustische Insektenerkennung. Hier sollen Methoden aus der Schädlingserkennung im Vorratsschutz mit neuesten Ansätzen im Bereich der Klassifikation von Geräuschen zusammengebracht werden, um eine Sensorlösung für die Insektenerkennung im Gewächshaus zu entwickeln. Für die nötige Datensatzerstellung wurde eine schallgeschützte Messumgebung entworfen und High- und Low-Cost-Messtechnik für akustische Aufnahmen unter Labor- und Realbedingungen verglichen. Die Ergebnisse zeigen, dass kostengünstigere Mikrofone gerade im relevanten tiefen Frequenzbereich unempfindlicher sind. Ein Lösungsansatz zur Filterung von Nutz- und Störgeräuschen stellen Array-Anordnungen der Mikrofone dar. 2022-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/38432 AI-supported data annotation in the context of UAV-based weed detection in sugar beet fields using Deep Neural Networks Jonas Boysen, Jonas; Stein, Anthony Gandorfer, Markus; Hoffmann, Christa; El Benni, Nadja; Cockburn, Marianne; Anken, Thomas; Floto, Helga Recent Deep Learning-based Computer Vision methods proved quite successful in various tasks, also involving the classification, detection and segmentation of crop and weed plants with Convolutional Neural Networks (CNNs). Such solutions require a vast amount of labeled data. The annotation is a tedious and time-consuming task, which often constitutes a limiting factor in the Machine Learning process. In this work, an approach for an annotation pipeline for UAV-based images of sugar beet fields of BBCH-scale 12 to 17 is presented. For the creation of pixel-wise annotated data, we utilize a threshold-based method for the creation of a binary plant mask, a row detection based on Hough Transform and a lightweight CNN for the classification of small, cropped images. Our findings demonstrate that an increased image data annotation efficiency can be reached by using an AI approach already at the crucial Machine Learning-process step of training data collection. 2022-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/38431 Indicator plant species detection in grassland using EfficientDet object detector Basavegowda, Deepak Hanike; Mosebach, Paul; Schleip, Inga; Weltzien, Cornelia Gandorfer, Markus; Hoffmann, Christa; El Benni, Nadja; Cockburn, Marianne; Anken, Thomas; Floto, Helga Extensively used grasslands (meadows and pastures) are ecologically valuable areas in the agricultural landscape and part of the multifunctional agriculture. In Germany, the quality of these grasslands is assessed based on the occurrence of certain plant species known as indicator or character species, with indicators being defined at regional level. Therefore, the recognition of these indicators on a spatial level is a prerequisite for monitoring grassland biodiversity. The identification of indicator species for the status quo of grassland using traditional methods was found to be challenging and tedious. Deep learning-algorithms applied to high-resolution UAV imagery could be the key solution, where UAV with remote sensors can map a large area of grassland in comparison to manual or ground mapping methods and deep learning-algorithms can automate the detection process. In this research work, we use an EfficientDet based algorithm to train an object detection model capable of recognizing indicators on RGB data. The experimental results show that this approach is very promising in contrast to the difficult and time-consuming manual recognition methods. The model was trained with the momentum-SGD optimizer with a momentum value of 0.9 and a learning rate of 0.0001. The model was trained and tested on 1200 images and achieves 45.7 AP (and 85.7 AP50) on test data set. The dataset includes images of four distinct indicator plant species: Armeria maritima, Campanula patula, Cirsium oleraceum, and Daucus carota 2022-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/38430 42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft - Komplettband Gesellschaft für Informatik in der Land- Forst- und Ernährungswirtschaft e.V. Gandorfer, Markus; Hoffmann, Christa; El Benni, Nadja; Cockburn, Marianne; Anken, Thomas; Floto, Helga 2022-01-01T00:00:00Z