Zusammenfassung
Der ubiquitäre Einsatz moderner Informations- und Kommunikationstechnologie verändert sämtliche Wirtschaftszweige und revolutioniert somit auch die Landwirtschaft. Der vorliegende Beitrag präsentiert dahingehend eine Big-Data-Analytics-Fallstudie aus dem Bereich des Weinanbaus, wo mithilfe von mobilen Aufnahmegeräten umfangreiches Bildmaterial aufgezeichnet wurde, um eine automatisierte Objekterkennung zur Unterstützung von operativen Winzertätigkeiten realisieren zu können. Dazu gehören zum Beispiel das Zählen von Reben, die Identifikation von Rebfehlstellen und die Prognose von potenziellem Erntegut. Hierbei besteht die Herausforderung unter anderem darin, landwirtschaftlich relevante Weinobjekte wie Reben, Trauben und Beeren über die einzelnen Hierarchieebenen hinweg erkennen zu können und diese auch in Bezug auf bewegtes Bildmaterial folgerichtig zu zählen. Zur Realisierung werden einige Lösungsansätze vorgestellt, die auf modernen Deep-Learning-Verfahren der bildbasierten Objekterkennung aufbauen. Der Beitrag wird abgerundet mit einer Diskussion und Implikationen für analytische Anwendungen in der landwirtschaftlichen Praxis.
Überarbeiteter Beitrag basierend auf Heinrich K, Zschech P, Möller B, Breithaupt L, Maresch J (2019) Objekterkennung im Weinanbau – Eine Fallstudie zur Unterstützung von Winzertätigkeiten mithilfe von Deep Learning. HMD – Praxis der Wirtschaftsinformatik 56:964–985.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Künstliche neuronale Netze sind Modelle des maschinellen Lernens, deren Aufbau dem biologischen Vorbild von neuronalen Vernetzungen im Gehirn nachempfunden ist.
Literatur
Bishop C (2006) Pattern recognition and machine learning. Springer, New York
Blume T, Stasewitsch I, Schattenberg J, Frerichs L (2018) Objekterkennung und Positionsbestimmung in der Landwirtschaft am Beispiel eines Ankoppelassistenten. LANDTECHNIK Agric Eng 73(1):1–9. https://doi.org/10.15150/lt.2018.3176
BMEL (2017) Digitalisierung in der Landwirtschaft: Chancen und Risiken. Bundesministerium für Ernährung und Landwirtschaft (BMEL). https://www.bmel.de/DE/Landwirtschaft/_Texte/Digitalisierung-Landwirtschaft.html. Zugegriffen am 25.01.2019
Cohen JP, Boucher G, Glastonbury CA, Lo HZ, Bengio Y (2017) Count-ception: counting by fully convolutional redundant counting. In: 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), S 18–26. https://doi.org/10.1109/ICCVW.2017.9
Dai J, Li Y, He K, Sun J (2016) R-FCN: object detection via region-based fully convolutional networks. In: Advances in neural information processing systems, S 379–387. https://dl.acm.org/doi/10.5555/3157096.3157139
Everingham M, Van Gool L, Williams CKI, Winn J, Zisserman A (2010) The pascal visual object classes (VOC) challenge. Int J Comput Vis 88(2):303–338. https://doi.org/10.1007/s11263-009-0275-4
Fayyad U, Piatetsky-Shapiro G, Smyth P (1996) From data mining to knowledge discovery in databases. AI Mag 17(3):37–54. https://doi.org/10.1609/aimag.v17i3.1230
Friederich J, Zschech P (2020) Review and systematization of solutions for 3D object detection. In: Proceedings of the 15th international conference on Wirtschaftsinformatik (WI). GITO, Potsdam, S 1699–1711. https://doi.org/10.30844/wi_2020_r2-friedrich
He K, Gkioxari G, Dollár P, Girshick R (2017) Mask R-CNN. In: IEEE International Conference on Computer Vision (ICCV). Venice, Italy, S 2980–2988. https://doi.org/10.1109/ICCV.2017.322
Heinrich K, Roth A, Breithaupt L, Möller B, Maresch J (2019a) Yield prognosis for the Agrarian Management of Vineyards using deep learning for object counting. In: Tagungsband 14. Internationale Tagung Wirtschaftsinformatik, Siegen
Heinrich K, Roth A, Zschech P (2019b) Everything counts: a taxonomy of deep learning approaches for object counting. In: Proceedings of the 27th European conference on information systems. Stockholm, Schweden
Hemmerling U, Pascher P, Naß S, König A, Gaebel C (2015) Situationsbericht 2015/16: Trends und Fakten zur Landwirtschaft. Deutscher Bauernverband e.V. https://www.bauernverband.de/situationsbericht-2015-16. Zugegriffen am 25.01.2019
Kuznetsova A, Rom H, Alldrin N et al (2018) The open images dataset V4: unified image classification, object detection, and visual relationship detection at scale. http://arxiv.org/abs/1811.00982. Zugegriffen am 25.01.2019
LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521:436–444. https://doi.org/10.1038/nature14539
Lin TY, Maire M, Belongie S et al (2014) Microsoft COCO: common objects in context. In: 13th European conference on computer vision. Zürich, S 740–755. https://doi.org/10.1007/978-3-319-10602-1_48
Liu Y, Zhao T, Ju W, Shi S (2017) Materials discovery and design using machine learning. J Mater 3(3):159–177. https://doi.org/10.1016/j.jmat.2017.08.002
Marsden M, McGuinness K, Little S, Keogh CE, O’Connor NE (2018) People, penguins and petri dishes: adapting object counting models to new visual domains and object types without forgetting. In: 2018 IEEE/CVF conference on computer vision and pattern recognition. IEEE, Salt Lake City, UT, S 8070–8079. https://doi.org/10.1109/CVPR.2018.00842
MathWorks (2017) Introduction to deep learning: what are convolutional neural networks? MathWorks Videos and Webinars. https://www.mathworks.com/videos/introduction-to-deep-learning-what-are-convolutional-neural-networks%2D%2D1489512765771.html. Zugegriffen am 15.02.2019
Oquab M, Bottou L, Laptev I, Sivic J (2014) Learning and transferring mid-level image representations using convolutional neural networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition, S 1717–1724. https://doi.org/10.1109/CVPR.2014.222
Raykar VC, Saha A (2015) Data split strategies for evolving predictive models. In: Joint European conference on machine learning and knowledge discovery in databases. Porto, Portugal, S 3–19. https://doi.org/10.1007/978-3-319-23528-8_1
Ren S, He K, Girshick R, Sun J (2017) Faster R-CNN: towards real-time object detection with region proposal networks. IEEE Trans Pattern Anal Mach Intell 39(6):1137–1149. https://doi.org/10.1109/TPAMI.2016.2577031
Ritter M, Möller M, Schellmann G (2012) Objektbasierte Klassifikation landwirtschaftlicher Nutzflächen. In: Beiträge zum 2. Symposium für Angewandte Geoinformatik4. Salzburg, S 72–77
Szeliski R (2010) Computer vision: algorithms and applications. Springer Science & Business Media, Berlin
TensorFlow (2020) GitHub TensorFlow object detection API. https://github.com/tensorflow/models/tree/master/research/object_detection. Zugegriffen am 10.08.2020
Völker A, Müterthies A (2008) Landschaftsökologische Modellierung und automatisierte Erfassung von Landschaftselementen für das Monitoring und die Bewertung einer nachhaltigen Kulturlandschaft. In: 28. Wissenschaftlich-Technische Jahrestagung der DGPF. Oldenburg, S 161–170
Wamba SF, Akter S, Edwards A, Chopin G, Gnanzou D (2015) How ‚big data‘ can make big impact: findings from a systematic review and a longitudinal case study. Int J Prod Econ 165:234–246. https://doi.org/10.1016/j.ijpe.2014.12.031
Wang C, Zhang H, Yang L, Liu S, Cao X (2015) Deep people counting in extremely dense crowds. In: Proceedings of the 23rd ACM international conference on multimedia. ACM, New York, NY, S 1299–1302. https://doi.org/10.1145/2733373.2806337
Zschech P, Heinrich K, Pfitzner M, Hilbert A (2017) Are you up for the challenge? Towards the development of a big data capability assessment model. In: Proceedings of the 25th European conference on information systems. Guimarães, Portugal, S 2613–2624
Zschech P, Fleißner V, Baumgärtel N, Hilbert A (2018) Data Science Skills and Enabling Enterprise Systems: Eine Erhebung von Kompetenzanforderungen und Weiterbildungsangeboten. HMD Praxis der Wirtschaftsinformatik 55(1):163–181. https://doi.org/10.1365/s40702-017-0376-4
Zschech P, Sager C, Siebers P, Pertermann M (2021) Mit Computer Vision zur automatisierten Qualitätssicherung in der industriellen Fertigung: Eine Fallstudie zur Klassifizierung von Fehlern in Solarzellen mittels Elektrolumineszenz-Bildern. HMD Praxis der Wirtschaftsinformatik 58(2). https://doi.org/10.1365/s40702-020-00641-8
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Zschech, P., Heinrich, K., Möller, B., Breithaupt, L., Maresch, J., Roth, A. (2021). Deep Learning in der Landwirtschaft – Analyse eines Weinbergs. In: D'Onofrio, S., Meier, A. (eds) Big Data Analytics. Edition HMD. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-32236-6_8
Download citation
DOI: https://doi.org/10.1007/978-3-658-32236-6_8
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-32235-9
Online ISBN: 978-3-658-32236-6
eBook Packages: Computer Science and Engineering (German Language)