Logo des Repositoriums

Auflistung nach Autor:in "Enders, Matthias"

1 - 2 von 2
  • Konferenzbeitrag
    Canola seed or not? Autoencoder-based Anomaly Detection in AgriculturalSeedProduction
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Kukushkin, Maksim; Enders, Matthias; Kaschuba, Reinhard; Bogdan, Martin; Schmid, Thomas
    Analysing harvested seeds is a time-consuming task in the seed-producing industry. Automating this process has the potential to enhance and expedite agricultural seed production. In our study, we focus on differentiating Canola seeds from visually similar non-Canola seeds using computer vision techniques. Our approach utilises both RGB and hyperspectral images, captured by a specialised camera, to train separate autoencoder neural networks. By leveraging the high spatial resolution of RGB data and the high spectral resolution of hyperspectral data, we develop distinct models for Canola seed analysis, ensuring a comprehensive and robust assessment. The autoencoder networks are trained on a dataset of Canola seeds, allowing for the extraction of latent representations from both RGB and hyperspectral data. This enables efficient compression of input data and effective discrimination between Canola and non-Canola seeds. Our proposed approach demonstrates promising results in detecting non-Canola seeds in unseen test data.
  • Konferenzbeitrag
    Erste Schritte zu einem virtuellen Zuchtgarten
    (42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft, 2022) Tieben, Christoph; Kisliuk, Benjamin; Enders, Matthias; Léon, Mareike; Daiber, Florian; Kosmalla, Felix; Stiene, Stefan; Hertzberg, Joachim
    Als einer der wichtigsten Arbeitsschritte der Pflanzenzüchtung werden Sortenkandidaten in Parzellenversuchen regelmäßig bonitiert und charakterisiert. Hierbei werden in den unterschiedlichen Entwicklungsstadien eine Vielzahl an Parametern und Merkmalen, meist visuell, erfasst. Ein robotischer Lösungsansatz bietet das Potenzial, diesen Aufwand signifikant zu reduzieren und neue Möglichkeiten zu eröffnen. Ein Monitoring der einzelnen Parzellen durch regelmäßige, hochgenaue Erfassung von Laserscan- und Hyperspektral-Daten bildet die Grundlage, auf der ein detailliertes, dreidimensionales Abbild der Zuchtgärten erstellt wird. Dieses Abbild soll innerhalb einer Virtual Reality Umgebung (VR) aufbereitet und darin den Züchter:innen zugänglich gemacht werden. Dies soll die Bonitur in einem virtuellen Zuchtgarten ermöglichen, der neben den sichtbaren Lichtspektren auch andere Datenquellen integriert und nutzbar macht. Das Ziel dieses Beitrags ist es, die ersten Schritte und Erfahrungen bei der Entwicklung einer autonomen robotischen Monitoring-Lösung sowie der darauf aufbauenden Erstellung des virtuellen Zuchtgartens zu präsentieren und zur Diskussion zu stellen.