Bilddatenakquisition zur Entwicklung eines Machine-Learning-Detektors für Grünlandunkräuter
| dc.contributor.author | Ingo-Leonard Haußmann, Lukas Petrich | |
| dc.date.accessioned | 2024-04-08T11:56:34Z | |
| dc.date.available | 2024-04-08T11:56:34Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Giftpflanzen wie die Herbstzeitlose (Colchicum autumnale) können sich besonders gut in extensiv bewirtschaftetem Grünland ausbreiten. Gelangen Pflanzenteile in das Erntegut, drohen bei der Aufnahme durch Nutztiere Vergiftungserscheinungen, die zum Tode führen können. Ohne Maßnahmen zur Regulierung werden betroffene Flächen zunehmend unattraktiv und es droht eine Nutzungsaufgabe, einhergehend mit einer naturschutzfachlichen Abwertung. Zur Steuerung eines innovativen Bekämpfungsgerätes gegen Grünlandunkräuter wird ein Pflanzendetektor basierend auf einem Machine-Learning-Ansatz entwickelt. Die Methode zur Bilddatensammlung dafür wird in vorliegendem Artikel beschrieben. | de |
| dc.identifier.isbn | 978-3-88579-738-8 | |
| dc.identifier.pissn | 1617-5468 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/43889 | |
| dc.language.iso | de | |
| dc.publisher | Gesellschaft für Informatik e.V. | |
| dc.relation.ispartof | 44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft | |
| dc.relation.ispartofseries | Lecture Notes in Informatics(LNI) - Proceedings, Volume P - 344 | |
| dc.subject | Grünland | |
| dc.subject | Unkrautbekämpfung | |
| dc.subject | Bilddaten | |
| dc.subject | Machine-Learning | |
| dc.subject | Labeln | |
| dc.title | Bilddatenakquisition zur Entwicklung eines Machine-Learning-Detektors für Grünlandunkräuter | de |
| dc.type | Text/Conference Paper | |
| gi.citation.endPage | 292 | |
| gi.citation.publisherPlace | Bonn | |
| gi.citation.startPage | 287 | |
| gi.conference.date | 27.-28. Februar 2055 | |
| gi.conference.location | Stuttgart | |
| gi.conference.review | full |
Dateien
Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
- Name:
- GIL_2024_Haussmann_287-292.pdf
- Größe:
- 106.85 KB
- Format:
- Adobe Portable Document Format