Blattlausidentifikation (AI2)

Schadinsekten automatisch erkennen

Bearbeitung großer Fangmengen und tagesaktuelle Auswertungen dank effizienter Analyse
Großflächiges Monitoring dank reproduzierbarer und skalierbarer Auswertungen
Hohe Klassifikationsgüte selbst bei Schadinsekten mit subtilen morphologischen Unterschieden sowie unter Auftreten von Beifang und Verschmutzungen dank modernster Verfahren der Künstlichen Intelligenz (KI)

Blattlaus-Identifikation durch künstliche Intelligenz

Um was es geht

Blattläuse sind nicht nur im heimischen Garten ein Problem. Auch in der Landwirtschaft kommen sie in den vergangenen Jahren vermehrt vor. Blattläuse schädigen befallene Pflanzen, indem sie an ihnen saugen und Viren übertragen, die Pflanzenkrankheiten auslösen können. Um ackerbauliche Kulturen in der Praxis gezielt vor Schadinsekten schützen zu können, ist es daher sehr wichtig, genau zu wissen, wann und wo sie auftreten. Nur so können die Schadinsekten optimal bekämpft werden und auf prophylaktische Anwendungen von Pflanzenschutzmitteln kann verzichtet werden.

Derzeit werden Schadinsekten in der Praxis erfasst, indem die Kulturpflanzen im Feld begutachtet oder die Insekten mittels Saugfallen oder Gelbschalen aus der Luft gefangen werden. Die korrekte Identifizierung der gefangenen Schadinsekten ist anschließend extrem wichtig, um entscheiden zu können, was zu tun ist. Doch Blattläuse anhand ihrer äußeren Merkmale zu identifizieren, ist sehr komplex und damit auch sehr zeit- und kostenaufwendig. Das dafür benötigte gut geschulte Personal wird aber immer weniger. In der Praxis stellt dies viele Pflanzenschutzdienste gerade in den Flugzeiten der Blattläuse vor kaum zu lösende, personelle Engpässe.

Um eine möglichst effiziente und zeitnahe Auswertung der Insektenproben zu ermöglichen, haben wir in Zusammenarbeit mit dem Julius Kühn-Institut (JKI) eine Software-Hardware-Lösung entwickelt, die auf Basis aktueller KI Verfahren eine automatisierte Erkennung von über 20 ackerbaulich relevanten Blattlausarten mit teils hoher morphologischer Ähnlichkeit ermöglicht. Die Software zeichnet sich durch ihre hohe Klassifikationsgüte, ihre Analysegeschwindigkeit sowie Robustheit gegenüber in der Praxis auftretenden Probenverschmutzungen und Beifang aus.

Ermöglicht wird die Entwicklung durch eine Förderung des Bundesministeriums für Ernährung und Landwirtschaft (BMEL) im Rahmen des Projekts AI².

Daten

Das folgende Bild bietet einen Überblick über die erlernten Blattlausarten (plus fallentypischem Beifang). Die Arten variieren deutlich in Größe, Erscheinungsbild und charakteristischen Merkmalen wie der Rückenzeichnung.

Bestimmte Untergruppen innerhalb der Arten weisen äußerst subtile morphologische Unterschiede auf, während sie gleichzeitig eine hohe Variabilität innerhalb der jeweiligen Art zeigen. Dies macht die Bestimmung besonders herausfordernd. Das folgende Bild zeigt exemplarisch eine Gruppe von drei Arten, die sich durch eine große morphologische Ähnlichkeit auszeichnen.

Probenaufnahme mittels Lineareinheit

Im folgenden Video wird der Aufbau der Aufnahmesituation dargestellt. Als Aufnahmegerät dient eine Basler Industriekamera, die auf einer dreiachsigen Lineareinheit montiert ist. Die Aufnahme der Insektenprobe erfolgt automatisch, indem die Kamera einmal über die komplette Schale bewegt wird. Die hierbei aufgenommenen Einzelbilder werden zusammengefügt, so dass eine Aufnahme der gesamten Insektenprobe vorliegt.

Segmentierung und Klassifikation von Blattläusen

Im folgenden Video wird die Funktionsweise der KI demonstriert. In den Mikroskopbildern der Proben erfolgt zunächst eine Segmentierung der Blattläuse in die einzelnen Instanzen. Die detektierten Exemplare werden durch eine Ellipse markiert. Für jede der gefundenen Blattläuse wird eine Klassifikation der zugehörigen Art vorgenommen, wobei jeweils die Ergebnisse als Histogramm der entsprechenden Wahrscheinlichkeiten angegeben wird. Die Klassifikation erfolgt als Zuordnung zur Blattlausart mit der höchsten Zuordnungswahrscheinlichkeit. In der überwiegenden Zahl der Fälle liegt eine eindeutige Zuordnung zu einer Art vor, was die Robustheit der Klassifikationsergebnisse widerspiegelt.

Erkennungsgüte

Die Ergebnisse der umfangreichen Auswertung von 3.100 unbekannten Exemplaren durch das Julius-Kuehn Institut aus 21 verschiedenen Arten zeigen eine durchschnittliche Gesamtgenauigkeit von über 90 %, was in etwa der Präzision eines menschlichen Experten entspricht.

Weitere Informationen

Wir hatten die Ehre, als Plenarredner zur International Branch Meeting der Entomological Society of America (ESA) 2024 eingeladen zu werden, um unser Forschungsprojekt vorzustellen. In unserem 20-minütigen Vortrag gaben wir gemeinsam mit unseren Kollegen vom Julius-Kühn-Institut einen Überblick über die Projektziele, präsentierten die oben gezeigte integrierte Software-Hardware-Lösung und stellten die Klassifikationsergebnisse vor.

Haben wir Ihr Interesse geweckt?

Wenn Sie weitere Informationen wünschen oder an einem ähnlichen Anwendungsszenario interessiert sind, kontaktieren Sie uns bitte. Wir helfen Ihnen gerne weiter:

info@alm.gmbh