E Smarte Drohnen zur Überwachung von Schädlingen in der Landwirtschaft

Smart Farming und Präzisionslandwirtschaft verändern, wie wir Pflanzen anbauen, und machen das Ganze effizienter und nachhaltiger. Kleine Drohnen, etwa so gross wie eine Handfläche, können als smarte Sensoren eingesetzt werden, um frühzeitig Schädlinge in den Pflanzen zu erkennen. Aber ein funktionierendes System aufzubauen, erfordert einen sorgfältigen Ausgleich zwischen Hardware und Software, damit die Drohnen die Schädlinge genau erkennen, ohne dabei zu viel Strom oder Speicher zu verbrauchen.

#Der Bedarf an Schädlingsüberwachung

Schnelle Identifizierung von Schädlingen ist im Landwirtschaftsbereich entscheidend. Schnelles Handeln kann erhebliche Schäden an den Ernten verhindern, wirtschaftliche Verluste reduzieren und die Umweltauswirkungen von Schädlingsbekämpfungsmassnahmen verringern. Zum Beispiel können Landwirte anstelle von chemischen Spritzungen über ein ganzes Feld nur betroffene Bereiche oder spezifische Pflanzen behandeln. Traditionelle Methoden verwendeten breit gefächerte Strategien zur Schädlingsbekämpfung, die weniger effektiv sind und nicht-zielgerichtete Arten schädigen können.

Früher basierte die Überwachung von Schädlingen auf Fallen, die von menschlichen Experten überprüft und ausgewertet werden mussten, was zeitaufwändig und teuer war. Der Aufstieg der Internet-of-Things (IoT)-Technologien und kleiner, energieeffizienter Systeme hat diesen Prozess verändert. Eingebettete Geräte können jetzt die Überwachung automatisieren, indem sie kleine Kameras und Sensoren verwenden, die mit Batterien betrieben werden.

#Herausforderungen mit bestehenden Lösungen

Trotz Verbesserungen benötigen aktuelle automatisierte Systeme immer noch externe Unterstützung wie Server und Hochgeschwindigkeits-Internetverbindungen, was zu hohen Betriebskosten und Energieverbrauch führt. Kleine batteriebetriebene Geräte haben begrenzten Speicher und Verarbeitungsleistung, was ihre Fähigkeiten einschränken kann. Hier entsteht der Bedarf nach einem neuen Ansatz.

#Ein neuer Ansatz: Taschen-Drohnen

Unsere aktuelle Arbeit führt ein System ein, das winzige Drohnen zur Schädlingsüberwachung einsetzt. Diese Drohnen können Pflanzen inspizieren, indem sie sich ausschliesslich auf ihre internen Sensoren und Rechenfähigkeiten verlassen. Der entscheidende Vorteil von Mini-Drohnen ist ihre Flexibilität. Sie können Orte erreichen, die grössere Geräte nicht können, und sind somit ideal für verschiedene Umgebungen, einschliesslich Gewächshäuser.

Dennoch erfordert das Design dieses Systems, bedeutende Hürden in Bezug auf die begrenzten Ressourcen dieser kleinen Drohnen zu überwinden. Die Herausforderung besteht darin, leistungsstarke Deep-Learning-Modelle zu erstellen, die schädliche von harmlosen Insekten unterscheiden können, insbesondere da einige von ihnen in Bildern sehr ähnlich aussehen.

#Die richtige Hardware auswählen

Um dies zu erreichen, haben wir zwei Arten von kleinen, effizienten Computer-Boards ausgewählt: das Arduino Portenta H7 und die Greenwaves Technologies (GWT) GAP9. Das Portenta H7 ist ein Dual-Core-Board, während das GAP9 über mehrere Kerne verfügt, was unterschiedliche Verarbeitungsleistungen ermöglicht.

Wir haben zwei Deep-Learning-Modelle verwendet, die für die Erkennung eines bestimmten Schädlings, Popillia japonica, geeignet sind. Das erste Modell, FOMO-MobileNetV2, ist leicht und funktioniert gut mit dem Portenta H7. Das zweite, SSDLite-MobileNetV3, ist komplexer und passt zu den Fähigkeiten des GAP9.

#Modelle trainieren

Unsere Modelle begannen mit vortrainierten Versionen, die bereits wussten, wie man Objekte erkennt. Wir haben sie dann mit einem benutzerdefinierten Satz von Bildern des Zielschädlings feinjustiert. Dieser Satz umfasste über 3.300 sorgfältig ausgewählte Bilder, um sicherzustellen, dass es keine Duplikate gab.

Das Training beinhaltete die Anpassung der Modelle, damit sie gut mit unseren Bildern arbeiten und den zielgerichteten Insekt genau erkennen konnten. Das Training umfasste auch einen Prozess zur Grössenreduzierung der Modelle, damit sie innerhalb der Speichergrenzen unserer Geräte passen.

#Leistungsbewertung

Nach dem Training haben wir getestet, wie gut jedes Modell funktioniert hat. Das FOMO-MobileNetV2-Modell erzielte eine mittlere durchschnittliche Präzisionsbewertung von 0,66 bei der Erkennung von Popillia japonica, während das SSDLite-MobileNetV3 eine Bewertung von 0,79 erreichte. Diese Werte zeigen die Genauigkeit der Modelle und ihre Fähigkeit, den Zielschädling korrekt zu identifizieren.

In Bezug auf die Geschwindigkeit konnte das FOMO-MobileNetV2 Bilder mit einer Rate von 16,1 Frames pro Sekunde verarbeiten, während das SSDLite-MobileNetV3 6,8 Frames pro Sekunde erreichte. Beide Modelle verbrauchten minimalen Strom und wurden entwickelt, um innerhalb der Grenzen batteriebetriebener Geräte zu arbeiten.

#Vorteile von Mini-Drohnen

Der Einsatz von Mini-Drohnen bietet mehrere Vorteile gegenüber traditionellen Methoden. Sie können operieren, ohne eine ständige Kommunikation mit externen Servern zu benötigen, was eine schnellere, lokalere Schädlingsdetektion ermöglicht. Der geringere Energieverbrauch bedeutet auch, dass die Drohnen längere Zeit betrieben werden können, ohne häufig aufgeladen werden zu müssen.

Durch die Implementierung unserer Modelle in Mini-Drohnen schaffen wir ein System, das Pflanzen dynamisch überwachen und Schädlinge effektiv erkennen kann. Das Ziel ist es, diese Drohnen zu nutzen, um Landwirten zu helfen, informierte Entscheidungen zur Schädlingsbekämpfung zu treffen und die Gesamtbelastung für die Umwelt zu reduzieren.

#Zukünftige Aussichten

In Zukunft ebnet diese Technologie den Weg für autonomere Systeme in der Landwirtschaft. Diese smarten Drohnen können in verschiedenen Umgebungen eingesetzt werden, um Landwirten Echtzeitdaten zu liefern und gezieltere Schädlingsbekämpfungsmassnahmen zu ermöglichen.

Die potenziellen Anwendungen sind enorm. Landwirte können diese Drohnen verwenden, um grosse Felder schnell und effizient zu inspizieren, was zu einem reduzierten Chemikalieneinsatz und besserem Pflanzenmanagement führt. Dieser Ansatz steht im Einklang mit nachhaltigen landwirtschaftlichen Praktiken und fördert gesündere Ökosysteme, während die Produktivität erhalten bleibt.

#Fazit

Zusammenfassend konzentriert sich unsere Arbeit auf die Entwicklung eines Schädlingsdetektionssystems mithilfe kleiner Drohnen, die von fortschrittlichen Deep-Learning-Modellen angetrieben werden. Diese Innovation bietet eine zuverlässige Lösung für moderne Landwirtschaftstechniken und betont Effizienz und Nachhaltigkeit. Durch die Nutzung der Fähigkeiten von Mini-Drohnen und leistungsstarken neuronalen Netzwerken bereiten wir den Boden für eine neue Art der Überwachung und Verwaltung von Schädlingpopulationen in der Landwirtschaft. Die Zukunft der Landwirtschaft könnte mit diesen Technologien heller werden, was zu gesünderen Pflanzen und einem gesünderen Planeten führt.