Zusammenfassung
Die voranschreitende Digitalisierung revolutioniert sämtliche Wirtschaftszweige und bringt somit auch langfristige Veränderungen für den landwirtschaftlichen Sektor mit sich, wo auf Basis intelligenter Informationssysteme zahlreiche Daten gesammelt und im Zuge neuer Geschäftsmodelle ausgewertet werden. Vor diesem Hintergrund präsentiert der vorliegende Beitrag 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, wie zum Beispiel das Zählen von Reben, die Identifikation von Rebfehlstellen oder die Prognose von potentiellem Erntegut, realisieren zu können. Hierbei bestand 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 Bewältigung derartiger Herausforderungen werden einige Lösungsansätze vorgestellt, die auf modernen Deep-Learning-Verfahren der bildbasierten Objekterkennung basieren. Der Beitrag wird abgerundet mit einer Diskussion und Implikationen für analytische Anwendungen in der landwirtschaftlichen Praxis.
Abstract
The transformation towards a digitized world introduces major changes to all economic sectors, among them the sector of agriculture, where intelligent information systems help to gather and analyze vast amounts of data to provide new business functions and models. Given this background, this article describes a big data analytics case study from the field of viticulture, where extensive image material was recorded using mobile recording devices in order to implement automated object detection to support operational vineyard activities, such as counting vines, identifying missing plants or predicting potential harvests. One of the challenges here was to correctly identify relevant wine objects such as vines, grapes and berries across their different hierarchical levels and to consistently count them in relation to moving image material. The authors provide a solution to those challenges by designing a data analysis process based on a deep learning framework for object detection. Additionally, the results as well as implications for the application of the proposed models in the field of agrarian management are discussed at the end of the article.
This is a preview of subscription content, log in via an institution to check access.
Notes
Computer Vision ist ein interdisziplinäres Forschungsgebiet, das sich mit der Entwicklung von Modellen und Methoden zur maschinellen Erfassung, Verarbeitung und Auswertung von Bildmaterial oder anderweitig hochdimensionalen Daten beschäftigt (Szeliski 2010).
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
Bundesministerium für Ernährung und Landwirtschaft (BMEL) (2017) Digitalisierung in der Landwirtschaft: Chancen und Risiken. https://www.bmel.de/DE/Landwirtschaft/_Texte/Digitalisierung-Landwirtschaft.html. Zugegriffen: 25. Jan. 2019
Dai J, Li Y, He K, Sun J (2016) R‑FCN: Object detection via region-based fully Convolutional networks. Adv Neural Inf Process Syst 29:379–387
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
He K, Gkioxari G, Dollár P, Girshick R (2017) Mask R‑CNN. In: Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV). Italy, Venice, 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. https://www.bauernverband.de/situationsbericht-2015-16. Zugegriffen: 25. Jan. 2019 (Deutscher Bauernverband e. V.)
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: 25. Jan. 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: Proceedings of the 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 Materiomics 3(3):159–177. https://doi.org/10.1016/j.jmat.2017.08.002
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--1489512765771.html. Zugegriffen: 15. Febr. 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: Proceedings of the 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 24. Symposium für Angewandte Geoinformatik, Salzburg, S 72–77
Szeliski R (2010) Computer vision: Algorithms and applications. Springer, Heidelberg, Berlin, New York
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
Zschech P, Fleißner V, Baumgärtel N, Hilbert A (2018) Data Science Skills and Enabling Enterprise Systems: Eine Erhebung von Kompetenzanforderungen und Weiterbildungsangeboten. HMD 55(1):163–181. https://doi.org/10.1365/s40702-017-0376-4
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
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Heinrich, K., Zschech, P., Möller, B. et al. Objekterkennung im Weinanbau – Eine Fallstudie zur Unterstützung von Winzertätigkeiten mithilfe von Deep Learning. HMD 56, 964–985 (2019). https://doi.org/10.1365/s40702-019-00514-9
Received:
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1365/s40702-019-00514-9
Schlüsselwörter
- Deep Learning
- Landwirtschaft
- Maschinelle Bildverarbeitung
- Objekterkennung
- Objektverfolgung
- Objektzählung
- Weinanbau