Kitzler, FlorianKeller, SamuelBauer, AlexanderKruder-Motsch, ViktoriaDörr, JörgSteckel, Thilo2025-02-042025-02-042025978-3-88579-802-6https://dl.gi.de/handle/20.500.12116/45686Die Präzisionslandwirtschaft gewinnt zunehmend an Bedeutung, da sie eine gezielte und ressourcenschonende Steuerung landwirtschaftlicher Prozesse ermöglicht. Insbesondere die variable Düngung spielt dabei eine wichtige Rolle, um Nährstoffe bedarfsgerecht auf Feldflächen zu verteilen. Bisher werden Streubilder von Düngerstreuern mit Prüfschalen oder -matten ermittelt, was einen hohen manuellen Arbeitsaufwand bedeutet und für die teilflächenspezifische Düngung unzureichend ist, da nur punktuelle Messungen möglich sind. Eine automatisierte Erkennung der Düngerverteilung basierend auf Drohnenbildern bietet das Potenzial, diesen Prozess effizienter zu gestalten. In dieser Arbeit wird ein Algorithmus vorgestellt, der Mineraldünger auf georeferenzierten Drohnenaufnahmen erkennt. Mittels Konturenerkennung und globalem Thresholding werden die Körner auf Graustufenbildern identifiziert. Die Methode wurde anhand von manuell annotierten Testbildern validiert. Die Ergebnisse zeigen eine Präzision von 94,3 % und einen Recall von 93,9 %, was die Effektivität der automatisierten Erkennung unterstreicht. In Zukunft soll die Methode in GIS-Programme integriert werden, um eine leichtere und präzisere Evaluierung der variablen Düngung zu ermöglichen.dePräzisionslandwirtschaftSection ControlKonturenerkennungDrohnenbilderText/Conference Paper10.18420/giljt2025_282944-76822944-7682