Logo des Repositoriums

Auflistung nach Autor:in "Hagemann, David"

1 - 2 von 2
  • Konferenzbeitrag
    „CognitiveWeeding“: Entwicklung von Entscheidungsregeln für ein kontextbezogenes KI-Expertensystem auf Einzelpflanzenbasis – pflanzenbauliche Aspekte
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Hagemann, David; Zurheide, Tim; Trautz, Dieter
    Beikräuter stehen in Konkurrenz zur Ertragsbildung der Kulturpflanze. Die Konkurrenzkraft einzelner Arten und das heterogene Auftreten ermöglichen das gezielte Regulieren einzelner Teilflächen. Kriterien zur Ableitung der kontextbezogenen Regulierungswürdigkeit werden aus Feldversuchen und Literaturrecherchen abgeleitet. Als Basis dient ein Schadschwellenkonzept, welches anhand der Häufigkeit ein akzeptables Maß an Beikrautbesatz bemisst. Aufbauend darauf sollen die Parameter Lichtkonkurrenz, Standraum, Biodiversität, Erosion, Wirteignung für Schaderreger und Samenpotential einbezogen werden. Ziel ist es, für jede Einzelpflanze im Expertensystem eine Regulierungsentscheidung abzuleiten, die es ermöglicht, nur wirklich schädliche Pflanzen der Ackerbegleitflora zu regulieren und damit eine höhere Biodiversität auf der Ackerfläche zu erhalten.
  • Konferenzbeitrag
    Kartierung des Bedeckungsgrads von Cirsium arvense im Mais (Zea mays L.) mithilfe Neuronaler Netze in UAV-Daten
    (43. GIL-Jahrestagung, Resiliente Agri-Food-Systeme, 2023) Pöttker, Maren; Hagemann, David; Pukop, Simon; Jarmer, Thomas; Trautz, Dieter
    Die Ackerkratzdistel (Cirsium arvense (L.) Scop.) verbreitet sich hauptsächlich über Wurzelausläufer, sodass sie gehäuft in Distelnestern auftritt. Diese können pro Jahr um bis zu 10 m im Durchmesser wachsen, sodass eine frühzeitige Erkennung neuer Nester und eine effektive Regulierung von hoher Relevanz ist. In dieser Arbeit wird C. arvense mithilfe hochaufgelöster Bilddaten aus UAV-Befliegungen, die in einem Zeitraum von vier Wochen erhoben wurden, durch ein Ensemble aus Convolutional Neural Networks (CNNs) kartiert und der Bedeckunsggrad abgeleitet. Die Ergebnisse zeigen, dass die Genauigkeit der Kartierung von Einzelpflanzen mit dem phänologischen Stadium der Pflanzen zusammenhängt, und bestätigen die Eignung von CNNs für eine artspezifische Erkennung von C. arvense.