Computer-Vision-Ansätze zur Bestimmung phänotypischer Parameter von Pflanzen

Der Klimawandel und das Bevölkerungswachstum sind große Herausforderungen im globalen Agrarszenario. Hochwertige Pflanzengenotypen sind unerlässlich, um diesen Herausforderungen zu begegnen. In der Pflanzenzüchtung ist die Messung phänotypischer Merkmale notwendig, um verbesserte Pflanzensorten zu entwickeln. Pflanzenphänotypisierung bezieht sich auf das Studium der morphologischen und physiologischen Eigenschaften der Pflanze. Pflanzenphänotypische Merkmale wie die Anzahl der Ähren/Rispen bei Getreidepflanzen und die Quantifizierung der Seneszenz spielen eine wichtige Rolle bei der Beurteilung der funktionellen Pflanzenbiologie, Wachstumsanalyse und der Nettoprimärproduktion. Allerdings ist die herkömmliche Pflanzenphänotypisierung zeitaufwendig, arbeitsintensiv und fehleranfällig. Computervision-basierte Verfahren haben sich in den letzten zwei Jahrzehnten zu effizienten Methoden für die nichtinvasive und zerstörungsfreie Pflanzenphänotypisierung entwickelt. Daher werden zur Hochdurchsatz- und zerstörungsfreien Messung dieser Merkmale Computervision-basierte Verfahren empfohlen. Zur Erkennung und Zählung der Anzahl von Ähren aus visuellen Bildern von Weizenpflanzen wurde ein auf Deep Learning basierendes Encoder-Decoder-Netzwerk entwickelt. Präzision, Genauigkeit und Robustheit (F1-Score) des Ansatzes für die Erkennung von Ähren liegen bei 98,97 %, 98,07 % bzw. 98,97 %. Für die Zählung von Ähren betragen die durchschnittliche Präzision, Genauigkeit und Robustheit  jeweils 98 %, 93 % und 97 %. Diese Performance zeigt, dass der auf dem Encoder-Decoder-Netzwerk basierende Ansatz effektiv und robust für die Ährenerkennung und -zählung ist. Für die Quantifizierung der Seneszenz wird ein auf maschinellem Lernen basierender Ansatz vorgeschlagen, der die Weizenpflanze in verschiedene Seneszenz- und Greenness-Klassen segmentiert. Die sechs auf maschinellem Lernen basierende Klassifikatoren Entscheidungsbaum, Random Forest, k-nearest Neighbor, Gradient Boosting, Naive Bayes und künstliches neuronales Netzwerk (ANN) wurden trainiert, um den Seneszenzanteil von Weizenpflanzen zu segmentieren. Alle Klassifikatoren haben gut abgeschnitten, ANN zeigte mit 97,28 % die höchste Genauigkeit. Nach der Seneszenzsegmentierung wird auch der Prozentsatz der Seneszenzfläche berechnet. Eine GUI-basierte Desktopanwendung, m – Senescencica, wurde entwickelt, die die Input-Aufnahmen verarbeitet und Outputs für den Seneszenzprozentsatz, die Pflanzenhöhe und die Pflanzenfläche erzeugt.