Deep Learning‑basierte
Pflanzendiagnostik & Reifegrad‑Bestimmung
Wir haben in einem universitären Forschungsteam KI‑Modelle entwickelt, die sowohl Pflanzenkrankheiten frühzeitig erkennen als auch den optimalen Erntezeitpunkt bestimmen. Zwei 2025 in PLOS ONE publizierte Studien belegen die Wirksamkeit unserer Ansätze unter realen Gewächshaus‑ und Plantagenbedingungen. Damit zeigen wir, wie Deep Learning agrarwissenschaftliche Fragestellungen effizient adressieren kann.
In zwei Studien entwickelten wir auf Deep Learning basierende Bildklassifikationssysteme für den landwirtschaftlichen Einsatz: Zum einen wurde ein Transfer-Learning-Ansatz auf Basis von VGG19 zur präzisen Erkennung verschiedener Krankheiten bei Gurkenpflanzen realisiert. Dabei konnten sowohl Blätter als auch Früchte anhand eines Bilddatensatzes mit hoher Genauigkeit klassifiziert werden – ein wesentlicher Schritt hin zu frühzeitiger und zielgerichteter Behandlung. Zum anderen entwickelten wir ein System zur automatisierten Reifegradbestimmung von Cashewäpfeln unter Verwendung eines ResNet-50-Modells. Hier lag der Fokus auf der Reduktion manueller Ernteentscheidungen durch präzise KI-gestützte Klassifikation reifer und unreifer Früchte. Beide Projekte zeigen exemplarisch, wie vortrainierte Convolutional Neural Networks (CNNs) im Rahmen von Transfer Learning für spezifische landwirtschaftliche Herausforderungen adaptiert werden können. Dabei kamen gezielte Feinjustierungen sowie Methoden wie Data Augmentation und Hyperparameter-Optimierung zum Einsatz. Die Ergebnisse beider Studien zeigen das hohe Potenzial KI-gestützter Bildanalyse für die Landwirtschaft – sowohl hinsichtlich Ressourcenschonung als auch wirtschaftlicher Wertschöpfung.
[1] Winklmair, M., Sekulic, R., Kraus, J., Penava, P., & Buettner, R. (2025). A deep learning based approach for classifying the maturity of cashew apples. PloS one, 20(6), e0326103.
[2] Raufer, L., Wiedey, J., Mueller, M., Penava, P., & Buettner, R. (2025). A deep learning-based approach for the detection of cucumber diseases. PloS one, 20(4), e0320764.