Akustische Insektenerkennung – Deep Learning zur Klassifikation leisester Fluggeräusche
dc.contributor.author | Branding, Jelto | |
dc.contributor.author | von Hoersten, Dieter | |
dc.contributor.author | Wegener, Jens Karl | |
dc.contributor.editor | Gandorfer, Markus | |
dc.contributor.editor | Hoffmann, Christa | |
dc.contributor.editor | El Benni, Nadja | |
dc.contributor.editor | Cockburn, Marianne | |
dc.contributor.editor | Anken, Thomas | |
dc.contributor.editor | Floto, Helga | |
dc.date.accessioned | 2022-02-24T13:35:04Z | |
dc.date.available | 2022-02-24T13:35:04Z | |
dc.date.issued | 2022 | |
dc.description.abstract | Assistenzsysteme und Apps bieten ein großes Potenzial für die Steigerung der Effizienz und Nachhaltigkeit im Gartenbau. Im Bereich der Schädlingsbekämpfung haben alle aktuellen Apps und Systeme gemein, dass sie eine große Schwachstelle in der digitalen Erfassung der Insektenpopulationen im Gewächshaus aufweisen. Aus diesem Grund werden im Projekt IPMaide verschiedene sensorische Ansätze für die automatisierte Detektion von Insekten untersucht. Eine vielversprechende Möglichkeit ist die akustische Insektenerkennung. Hier sollen Methoden aus der Schädlingserkennung im Vorratsschutz mit neuesten Ansätzen im Bereich der Klassifikation von Geräuschen zusammengebracht werden, um eine Sensorlösung für die Insektenerkennung im Gewächshaus zu entwickeln. Für die nötige Datensatzerstellung wurde eine schallgeschützte Messumgebung entworfen und High- und Low-Cost-Messtechnik für akustische Aufnahmen unter Labor- und Realbedingungen verglichen. Die Ergebnisse zeigen, dass kostengünstigere Mikrofone gerade im relevanten tiefen Frequenzbereich unempfindlicher sind. Ein Lösungsansatz zur Filterung von Nutz- und Störgeräuschen stellen Array-Anordnungen der Mikrofone dar. | de |
dc.identifier.isbn | 978-3-88579-711-1 | |
dc.identifier.pissn | 1617-5468 | |
dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/38433 | |
dc.language.iso | de | |
dc.publisher | Gesellschaft für Informatik e.V. | |
dc.relation.ispartof | 42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft | |
dc.relation.ispartofseries | Lecture Notes in Informatics (LNI) - Proceedings, Volume P-317 | |
dc.subject | Akustik | |
dc.subject | Schädlingserkennung | |
dc.subject | Gartenbau 4.0 | |
dc.subject | Deep Learning | |
dc.subject | Sound-Klassifikation | |
dc.title | Akustische Insektenerkennung – Deep Learning zur Klassifikation leisester Fluggeräusche | de |
dc.type | Text/Conference Paper | |
gi.citation.endPage | 74 | |
gi.citation.publisherPlace | Bonn | |
gi.citation.startPage | 69 | |
gi.conference.date | 21.-22. Februar 2022 | |
gi.conference.location | Tänikon, Online |
Dateien
Originalbündel
1 - 1 von 1
Lade...
- Name:
- GIL2022_Branding_69-74.pdf
- Größe:
- 352.51 KB
- Format:
- Adobe Portable Document Format