Detektion von Echtem Mehltau an Salat (Lactuca sativa L.) mithilfe hyperspektraler Bilddaten

Das Kapitel untersucht die Detektion von Echtem Mehltau an Salat (Lactuca sativa L.) mittels hyperspektraler Bilddaten und digitaler Bildanalyse. Es wird die Entwicklung eines photogrammetrischen Multisensor-Messsystems beschrieben, das mit einer SWIR-Hyperspektralkamera und RGB-Kameras ausgestattet ist. Dieses System ermöglicht die berührungslose Erfassung von Krankheitsbefall in Echtzeit oder mit minimaler Zeitverzögerung. Die Untersuchung war Teil eines Vorhabens, das die Möglichkeiten und die Entwicklung einer solchen Apparatur erforscht, um Handlungsempfehlungen für den Pflanzenanbau zu geben. Die Ergebnisse zeigen, dass verschiedene Algorithmen des maschinellen Lernens erfolgreich zur Differenzierung zwischen gesunden und infizierten Pflanzen eingesetzt werden können. Die Anwendung von maschinellem Lernen zur Auswertung der Daten wird detailliert beschrieben, wobei verschiedene Algorithmen auf ihre Eignung hin geprüft und miteinander verglichen wurden. Die Ergebnisse der Untersuchung legen die Grundlage für die zukünftige Entwicklung eines Systems, das den Gesundheitszustand von Pflanzen autonom überwacht und entsprechende Handlungsbefehle an automatische Applikationssysteme weitergibt. Die detaillierte Analyse der Reflexionseigenschaften von Blattflächen im SWIR-Bereich und die Anwendung von maschinellem Lernen zur Klassifikation von Krankheitsbefall stellen eine innovative Methode dar, die das Potenzial hat, die Effizienz und Präzision der Pflanzenüberwachung erheblich zu steigern.