Logo des Repositoriums
 

Akustische Insektenerkennung – Deep Learning zur Klassifikation leisester Fluggeräusche

dc.contributor.authorBranding, Jelto
dc.contributor.authorvon Hoersten, Dieter
dc.contributor.authorWegener, Jens Karl
dc.contributor.editorGandorfer, Markus
dc.contributor.editorHoffmann, Christa
dc.contributor.editorEl Benni, Nadja
dc.contributor.editorCockburn, Marianne
dc.contributor.editorAnken, Thomas
dc.contributor.editorFloto, Helga
dc.date.accessioned2022-02-24T13:35:04Z
dc.date.available2022-02-24T13:35:04Z
dc.date.issued2022
dc.description.abstractAssistenzsysteme 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.isbn978-3-88579-711-1
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/38433
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartof42. GIL-Jahrestagung, Künstliche Intelligenz in der Agrar- und Ernährungswirtschaft
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-317
dc.subjectAkustik
dc.subjectSchädlingserkennung
dc.subjectGartenbau 4.0
dc.subjectDeep Learning
dc.subjectSound-Klassifikation
dc.titleAkustische Insektenerkennung – Deep Learning zur Klassifikation leisester Fluggeräuschede
dc.typeText/Conference Paper
gi.citation.endPage74
gi.citation.publisherPlaceBonn
gi.citation.startPage69
gi.conference.date21.-22. Februar 2022
gi.conference.locationTänikon, Online

Dateien

Originalbündel
1 - 1 von 1
Lade...
Vorschaubild
Name:
GIL2022_Branding_69-74.pdf
Größe:
352.51 KB
Format:
Adobe Portable Document Format