Ein grundlegender Wandel in der der Ausbringung von chemisch-synthetischem Pflanzenschutz muss mit einer Steigerung des Automatisierungs- und Zuverlässigkeitsgrades im Schaderregermonitoring einhergehen. Die Anwendung von Alternativen zu chemisch-synthetischem Pflanzenschutz erfordert ein detaillierteres Wissen über den vorherrschenden pathogeninduzierten Stress im Feld sowie über die möglichst präzise örtliche Eingrenzung des Auftritts. Ein zeitlich und örtlich hoch aufgelöstes Monitoring dieser Informationen, kann mittels Feldbeflug durch UAVs (unmanned aerial vehicles, oft auch „Drohnen“) in Kombination mit KI-basierter Datenanalyse ermöglicht werden.

Kern dieses Forschungsprojekts stellt die Entwicklung einer nach sog. MLOps Prinzipien entwickelten, KI-basierten Pathogendetektionspipeline für die in NOcsPS betrachteten Kulturen Weizen und Soja dar. Ausgangspunkt sind die in VP10 bereits vorhandenen und im Verlauf weitere erhobenen Hyperspektraldaten, für welche neuartige KI-basierte Bildverarbeitungsverfahren (Computer Vision) entwickelt und in eine datenzentrierte KI-Pipeline von Algorithmen zum Datenmanagement, zur Vorverarbeitung und zur prädiktiven Analyse mittels Deep Learning-Modellen integriert werden.

Es wird auf Basis neuartiger systematischer Entwicklungs- und Operationalisierungsprinzipien für datenzentrierte KI- bzw. Machine Learning Anwendungen (MLOps) eine Analyse-Pipeline für den Zweck der automatisierten Pathogendetektion auf Basis von Hyperspektraldaten entwickelt. Zunächst erfolgt die eingehende manuelle Analyse der vorhandenen Datenbasis sowie des zugrundeliegenden Pathogen-Monitoring Prozesses (AP 1: Process & Data Understanding). Anschließend werden notwendige  Datenvorverarbeitungsschritte und Verfahren zur Data Augmentation entsprechend der ermittelten Charakteristika der vorhandenen und weiter zu erhebenden Hyperspektraldaten eruiert sowie und die technische (d.h. programmatische) Entwicklung der KI-Pipeline initiiert (AP 2: Data Engineering). Es folgen die fundierte und systematische Selektion und Konfiguration geeigneter Deep Learning-Modelle aus dem Stand der Technik des maschinellen Sehens, welche in einem iterativen Modellentwicklungs- und -Validierungsprozess durchgeführt werden (AP 3: Model Engineering). Den umspannenden Teil des skizzierten Arbeitsprogramms bildet die iterative technische Implementierung der KI-Pipeline, welche sowohl ein fortlaufendes systematisches Datenmanagement, als auch in Konsequenz eine kontinuierliche Modelladaption an neu verfügbar werdende Daten sicherstellt (AP 4: MLOps).

Erwartete Ergebnisse:

Am Ende des Projekts soll eine robuste und automatisierte Pathogendetektionspipeline existieren, welche sich an variierende Einsatzbedingungen dateneffizient anpassen lässt und künftig entstehende Kosten für die essentielle Aufgabe des Pathogenmonitoring im integrierten Pflanzenschutz durch den Einsatz von KI reduzieren kann.