DE202022105121U1

DE202022105121U1 - Ein Echtzeit-Management-System für Granatapfelkrankheiten zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten

Info

Publication number: DE202022105121U1
Application number: DE202022105121.6U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-09-10
Filing date: 2022-09-10
Publication date: 2022-09-19
Anticipated expiration: 2032-09-11

Abstract

Ein Echtzeit-Granatapfel-Krankheitsmanagementsystem zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten, wobei das System Folgendes umfasst:
ein Datenerfassungs-Verarbeitungsmodul zum Sammeln der Daten für die Vorhersage der Granatapfelkrankheit, wobei wetter-, boden- und wasserbezogene Parameter gemessen werden, um sie für die Vorhersage der Krankheit zu verwenden;
eine Datenanalyse-Verarbeitungseinheit 106 zur Implementierung eines Mikroparameter-Korrelationsmodells (MPCM) verwendet wird, um die Korrelation zwischen Parametern auf Mikroebene und Krankheiten zu ermitteln, eine detaillierte explorative Datenanalyse durchgeführt wird, um Daten und abrupte Änderungen der klimatischen Bedingungen und deren Auswirkungen auf Krankheiten zu verstehen, wobei eine optimale Merkmalsauswahl unter Verwendung verschiedener Merkmalsauswahltechniken durchgeführt wird;
eine Auswertungseinheit zur Implementierung von Techniken wie Binär-, Multimodell- und Multilabel-Klassifikatoren des maschinellen Lernens zur Auswertung der Leistung der Vorhersage von Granatapfelkrankheiten; und
eine Klassifizierungsverarbeitungseinheit zur Durchführung der Klassifizierung von Krankheiten, wobei ein verbesserter Ensemble-Multilabel-Klassifikator (i-Ensemble-MLC) mit einem modifizierten Abstimmungssystem entwickelt und implementiert wird, um das Problem des Datenungleichgewichts und des Fluchs der Dimensionalität zu lösen.

Description

BEREICH DER ERFINDUNG
Die vorliegende Offenlegung bezieht sich auf die Vorhersage und Klassifizierung von Granatapfelkrankheiten anhand von im Feld gesammelten Daten. Insbesondere bezieht sich die vorliegende Offenlegung auf ein Echtzeit-Granatapfelkrankheitsmanagementsystem (i-PomDignoser) zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten.
HINTERGRUND DER ERFINDUNG
Heutzutage wird im Bereich der Landwirtschaft viel geforscht, und auch die indische Regierung bietet viele Möglichkeiten, Forschung und Entwicklung in diesem Bereich voranzutreiben. Die Automatisierung der Landwirtschaft ist von entscheidender Bedeutung für die Unterstützung der Landwirte. In Indien ist die Landwirtschaft eine wichtige Einkommensquelle und die Mehrheit der Bevölkerung ist auf landwirtschaftliche Produkte angewiesen.
Der Granatapfel (Punica granatum L.) ist in den trockenen und halbtrockenen Regionen Indiens eine der wichtigsten Erwerbsobstkulturen. Die Entwicklung und Qualität der Früchte wird durch eine Vielzahl bekannter und unentdeckter Schädlinge und Krankheiten beeinträchtigt, die als Folge abrupter Klimaveränderungen auftreten. Angesichts der wachsenden Weltbevölkerung und der schwindenden natürlichen Ressourcen wird es schwierig sein, der nächsten Generation von Menschen eine angemessene Ernährungssicherheit zu bieten. Landwirte, Verbraucher und die Regierung würden von einer genauen und frühzeitigen Erkennung und Vorhersage von Obstkrankheiten profitieren, um wichtige politische Entscheidungen über Import-Export, Preisgestaltung, Einkauf, Lagerung und die Linderung von Nahrungsmittelengpässen zu treffen. Die frühzeitige Erkennung und Vorhersage von Obstkrankheiten an einem bestimmten Standort kann zu geringeren Ernteverlusten, höheren jährlichen Einnahmen und einem Rückgang der Selbstmordrate bei Landwirten führen. Folglich sind Präzisionslandwirtschaft und intelligente Landwirtschaft erforderlich, um die Nahrungsquellen zu schützen und das Wirtschaftswachstum des Landes zu fördern.
Maschinelles Lernen und Deep-Learning-Techniken würden die Genauigkeit der Erkennung und Vorhersage von Obstkrankheiten verbessern. Die physikalischen und chemischen Eigenschaften der Böden, die meteorologischen Bedingungen (Niederschlag, Temperatur, Luftfeuchtigkeit, Windgeschwindigkeit usw.) und die Wachstumsfaktoren der Pflanzen tragen alle zur Komplexität und Unvorhersehbarkeit des indischen Pflanzenproduktionssystems bei. Mit diesen Unwägbarkeiten muss angemessen umgegangen werden, wenn die Betriebe nachhaltig, ausreichend und gesund produzieren sollen. Mit Hilfe statistischer Verfahren und Deep-Learning-Modellen können einige der oben genannten Probleme gelöst und die Landwirtschaft intelligenter gemacht werden.
In Anbetracht der vorstehenden Ausführungen wird deutlich, dass ein Echtzeit-Granatapfelkrankheitsmanagementsystem (i-PomDignoser) zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten erforderlich ist.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Offenlegung bezieht sich auf ein Echtzeit-Granatapfel-Krankheitsmanagementsystem (i-PomDignoser) für die Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten. In der vorliegenden Offenlegung wird ein Echtzeit-Granatapfel-Krankheitsmanagementsystem (i-PomDignoser) entwickelt, das verschiedene Techniken wie statistisches, maschinelles Lernen und Deep-Learning-Techniken zur Verbesserung der Erkennung, Klassifizierung und Vorhersagegenauigkeit für die wichtigsten Krankheiten bei Granatäpfeln verwendet. Es wurde ein Rahmen für die Datenerfassung entworfen, um z. B. Wetter-, Boden- und Wasserparameter zu erfassen. Die Krankheitsvorhersage und -klassifizierung wird durch eine detaillierte explorative Datenanalyse und Merkmalsauswahl verbessert. Um die Genauigkeit der Krankheitsvorhersage zu verbessern, werden Korrelationen zwischen allen Parametern auf Mikroebene und Krankheiten durch die Implementierung eines Mikroparameter-Korrelationsmodells (MPCM) gefunden. Zur Durchführung einer optimalen Merkmalsauswahl wurden verschiedene Merkmalsauswahlmethoden eingesetzt, wie z. B. gegenseitige Information, Pearson-Korrelationskoeffizient, Varianzschwelle, P-Wert (Chi-Quadrat-Test) und rekursive Merkmalsauswahlmethoden. Die Leistung der Vorhersage von Granatapfelkrankheiten wird durch die Implementierung von Binär-, Multimodell- und Multilabel-Klassifikatoren für maschinelles Lernen bewertet. In der vorliegenden Veröffentlichung wird ein verbesserter Ensemble-Multilabel-Klassifikator (i-Ensemble-MLC) vorgeschlagen, der ein modifiziertes Abstimmungssystem enthält, das zur Lösung des Datenungleichgewichts und des Fluchs der Dimensionalität entwickelt wurde. Die Ergebnisse haben gezeigt, dass der vorgeschlagene i-Ensemble-MLC eine Genauigkeit von 99.84 % erreicht hat. Darüber hinaus bietet die vorliegende Offenlegung auch vorbeugende Maßnahmen zur Gewährleistung der Fruchtqualität, um Verluste zu vermeiden. Die vorliegende Offenlegung hat gezeigt, dass das Echtzeit-Granatapfel-Krankheitsmanagementsystem (i-PomDignoser) in der Agrarindustrie hilfreich sein wird, um die wichtigsten Krankheiten am Granatapfel zu erkennen und vorherzusagen.
Die vorliegende Offenlegung zielt darauf ab, ein Echtzeit-Granatapfel-Krankheitsmanagementsystem (i-PomDignoser) für die Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten bereitzustellen. Das System umfasst: ein Datenerfassungs-Verarbeitungsmodul zum Sammeln der Daten für die Vorhersage der Granatapfelkrankheit, wobei Parameter, die mit dem Wetter, dem Boden und dem Wasser zusammenhängen, gemessen werden, um für die Vorhersage der Krankheit verwendet zu werden; eine Datenanalyse-Verarbeitungseinheit zum Implementieren eines Mikroparameter-Korrelationsmodells (MPCM) zum Auffinden der Korrelation zwischen Parametern auf Mikroebene und Krankheiten, eine explorative Datenanalyse zum Verstehen der Daten, zum Analysieren der abrupten Änderungen der klimatischen Bedingungen und ihrer Auswirkungen auf Granatapfelkrankheiten, wobei eine optimale Merkmalsauswahl unter Verwendung verschiedener Merkmalsauswahlverfahren durchgeführt wird; eine Auswertungsverarbeitungseinheit zur Implementierung von Techniken wie Binär-, Multimodell- und Multilabel-Klassifikatoren des maschinellen Lernens zur Bewertung der Leistung der Vorhersage von Granatapfelkrankheiten; und eine Klassifizierungsverarbeitungseinheit zur Durchführung der Klassifizierung von Krankheiten, wobei ein verbesserter Ensemble-Multilabel-Klassifikator (i-Ensemble-MLC) mit einem modifizierten Abstimmungssystem entwickelt und implementiert wird, um das Problem des Datenungleichgewichts und des Fluchs der Dimensionalität zu lösen.
Ein Ziel der vorliegenden Offenlegung ist die Bereitstellung eines Echtzeit-Granatapfel-Krankheitsmanagementsystems (i-PomDignoser) zur Klassifizierung von Granatapfelkrankheiten.
Ein weiterer Gegenstand der vorliegenden Offenlegung ist die Konzeption und Entwicklung eines Echtzeit-Granatapfel-Krankheitsmanagementsystems (i-PomDignoser), wobei statistische, maschinelle Lern- und Deep-Learning-Techniken zur Verbesserung der Erkennungs-, Klassifizierungs- und Vorhersagegenauigkeit eingesetzt werden.
Ein weiteres Ziel der vorliegenden Offenbarung ist die Implementierung eines Mikroparameter-Korrelationsmodells (MPCM) zur Ermittlung der Korrelationen zwischen Mikroparametern und Krankheiten.
Ein weiteres Ziel der vorliegenden Offenlegung ist die Durchführung einer explorativen Datenanalyse und einer optimalen Merkmalsauswahl durch Anwendung verschiedener Merkmalsauswahlmethoden sowie die Analyse der abrupten Veränderungen der klimatischen Bedingungen und ihrer Auswirkungen auf Granatapfelkrankheiten.
Ein weiteres Ziel der vorliegenden Offenbarung ist es, einen verbesserten Ensemble-Multilabel-Klassifikator (i-Ensemble-MLC) mit einem modifizierten Abstimmungssystem zu entwerfen und zu entwickeln.
Ein weiteres Ziel der vorliegenden Offenbarung ist es, ein System bereitzustellen, das in der Agrarindustrie bei der Erkennung auffälliger Krankheiten an Granatäpfeln hilft.
Zur weiteren Verdeutlichung der Vorteile und Merkmale der vorliegenden Offenbarung wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen gegeben, die in den beigefügten Figuren dargestellt sind. Es wird davon ausgegangen, dass diese Figuren nur typische Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung des Umfangs der Erfindung zu betrachten sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit den beigefügten Figuren beschrieben und erläutert werden.
Figurenliste
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verstanden, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:

1 ein Blockdiagramm eines Echtzeit-Granatapfelkrankheitsmanagementsystems (i-PomDignoser) zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt;
2A und 2B die Architektur des Echtzeit-Krankheitsmanagementsystems für Granatäpfel (i-PomDignoser) unter Verwendung eines bildbasierten Ansatzes bzw. eines datengesteuerten Ansatzes in Übereinstimmung mit einer Ausführungsform der vorliegenden Offenbarung veranschaulichen;
3 die Systemarchitektur für die Datenerfassung und Krankheitsvorhersage gemäß einer Ausführungsform der vorliegenden Offenbarung veranschaulicht;
4 den Schaltplan für den Antrieb einer Drohne gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt; und
5 die grafische Darstellung der Leistungsanalyse von Multilabel-Klassifikatoren gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt.

Der Fachmann wird verstehen, dass die Elemente in den Figuren der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Figuren durch herkömmliche Symbole dargestellt sind, und dass die Figuren nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Figuren nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, leicht erkennbar sind.
DETAILLIERTE BESCHREIBUNG
Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figuren dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
Es versteht sich für den Fachmann von selbst, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
Ausführungsformen der vorliegenden Offenbarung werden im Folgenden unter Bezugnahme auf die beigefügten Figuren im Detail beschrieben.
Die in dieser Spezifikation beschriebenen Funktionseinheiten werden als Geräte bezeichnet. Ein Gerät kann in programmierbaren Hardware-Geräten wie Prozessoren, digitalen Signalprozessoren, zentralen Verarbeitungseinheiten, feldprogrammierbaren Gate-Arrays, programmierbaren Logik-Arrays, programmierbaren Logik-Geräten, Cloud-Verarbeitungssystemen oder Ähnlichem implementiert sein. Die Geräte können auch in Software für die Ausführung durch verschiedene Arten von Prozessoren implementiert werden. Ein identifiziertes Gerät kann einen ausführbaren Code enthalten und kann beispielsweise einen oder mehrere physische oder logische Blöcke von Computeranweisungen umfassen, die beispielsweise als Objekt, Prozedur, Funktion oder anderes Konstrukt organisiert sein können. Die ausführbare Datei eines identifizierten Geräts muss jedoch nicht physisch an einem Ort liegen, sondern kann aus verschiedenen, an unterschiedlichen Orten gespeicherten Anweisungen bestehen, die, wenn sie logisch zusammengefügt werden, das Gerät bilden und den angegebenen Zweck des Geräts erfüllen.
Der ausführbare Code eines Geräts oder Moduls kann ein einzelner Befehl oder eine Vielzahl von Befehlen sein und kann sogar über mehrere verschiedene Codesegmente, verschiedene Anwendungen und mehrere Speichergeräte verteilt sein. In ähnlicher Weise können Betriebsdaten innerhalb des Geräts identifiziert und dargestellt werden, und sie können in jeder geeigneten Form vorliegen und in jeder geeigneten Art von Datenstruktur organisiert sein. Die Betriebsdaten können als ein einziger Datensatz gesammelt werden oder über verschiedene Orte, einschließlich verschiedener Speichergeräte, verteilt sein und können zumindest teilweise als elektronische Signale in einem System oder Netzwerk vorliegen.
Wenn in dieser Beschreibung von „einer ausgewählten Ausführungsform“, „einer Ausführungsform“ oder „einer Ausführungsform“ die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform des offengelegten Gegenstands enthalten ist. Daher beziehen sich die Ausdrücke „eine ausgewählte Ausführungsform“, „in einer Ausführungsform“ oder „in einer Ausführungsform“ an verschiedenen Stellen in dieser Beschreibung nicht unbedingt auf dieselbe Ausführungsform.
Darüber hinaus können die beschriebenen Merkmale, Strukturen oder Eigenschaften in jeder geeigneten Weise in einer oder mehreren Ausführungsformen kombiniert werden. In der folgenden Beschreibung werden zahlreiche spezifische Details angegeben, um ein umfassendes Verständnis der Ausführungsformen des offengelegten Gegenstands zu ermöglichen. Der Fachmann wird jedoch erkennen, dass der offengelegte Gegenstand auch ohne eines oder mehrere der spezifischen Details oder mit anderen Methoden, Komponenten, Materialien usw. ausgeführt werden kann. In anderen Fällen werden bekannte Strukturen, Materialien oder Vorgänge nicht im Detail gezeigt oder beschrieben, um zu vermeiden, dass Aspekte des offengelegten Gegenstandes verdeckt werden.
Gemäß den beispielhaften Ausführungsformen können die offengelegten Computerprogramme oder -module auf viele beispielhafte Arten ausgeführt werden, beispielsweise als Anwendung, die im Speicher eines Geräts resident ist, oder als gehostete Anwendung, die auf einem Server ausgeführt wird und mit der Geräteanwendung oder dem Browser über eine Reihe von Standardprotokollen wie TCP/IP, HTTP, XML, SOAP, REST, JSON und anderen ausreichenden Protokollen kommuniziert. Die offengelegten Computerprogramme können in beispielhaften Programmiersprachen geschrieben werden, die vom Speicher auf dem Gerät oder von einem gehosteten Server ausgeführt werden, wie BASIC, COBOL, C, C++, Java, Pascal oder Skriptsprachen wie JavaScript, Python, Ruby, PHP, Perl oder andere ausreichende Programmiersprachen.
Einige der offengelegten Ausführungsformen umfassen oder beinhalten die Datenübertragung über ein Netzwerk, z. B. die Übermittlung verschiedener Eingaben oder Dateien über das Netzwerk. Das Netzwerk kann beispielsweise das Internet, Wide Area Networks (WANs), Local Area Networks (LANs), analoge oder digitale drahtgebundene und drahtlose Telefonnetzwerke (z. B. PSTN, Integrated Services Digital Network (ISDN), ein zellulares Netzwerk und Digital Subscriber Line (xDSL)), Radio, Fernsehen, Kabel, Satellit und/oder andere Übertragungs- oder Tunnelmechanismen zur Übertragung von Daten umfassen. Das Netz kann mehrere Netze oder Teilnetze umfassen, von denen jedes z. B. einen drahtgebundenen oder drahtlosen Datenpfad enthalten kann. Das Netz kann ein leitungsvermitteltes Sprachnetz, ein paketvermitteltes Datennetz oder ein beliebiges anderes Netz für die Übertragung elektronischer Kommunikation umfassen. Das Netzwerk kann beispielsweise Netzwerke umfassen, die auf dem Internet-Protokoll (IP) oder dem asynchronen Übertragungsmodus (ATM) basieren, und es kann Sprache unterstützen, indem es z. B. VoIP, Voice-over-ATM oder andere vergleichbare Protokolle für die Sprachdatenkommunikation verwendet. In einer Implementierung umfasst das Netzwerk ein zellulares Telefonnetz, das so konfiguriert ist, dass es den Austausch von Text- oder SMS-Nachrichten ermöglicht.
Beispiele für ein Netzwerk sind unter anderem ein Personal Area Network (PAN), ein Storage Area Network (SAN), ein Home Area Network (HAN), ein Campus Area Network (CAN), ein Local Area Network (LAN), ein Wide Area Network (WAN), ein Metropolitan Area Network (MAN), ein Virtual Private Network (VPN), ein Enterprise Private Network (EPN), das Internet, ein Global Area Network (GAN) und so weiter.
1 zeigt ein Blockdiagramm eines Echtzeit-Managementsystems für Granatapfelkrankheiten (i-PomDignoser) zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten in Übereinstimmung mit einer Ausführungsform der vorliegenden Offenbarung. Das System 100 umfasst ein Datenerfassungs-Verarbeitungsmodul 102 zum Sammeln der Daten für die Vorhersage der Granatapfelkrankheit, wobei Parameter in Bezug auf Wetter, Boden und Wasser gemessen werden, die für die Vorhersage der Krankheit verwendet werden.
In einer Ausführungsform wird eine Datenanalyse-Verarbeitungseinheit 104 zur Implementierung eines Mikroparameter-Korrelationsmodells (MPCM) (104a) verwendet, um die Korrelation zwischen Parametern auf Mikroebene und Krankheiten zu ermitteln, und es wird eine detaillierte explorative Datenanalyse (104c) durchgeführt, um Daten und abrupte Veränderungen der klimatischen Bedingungen und deren Auswirkungen auf Krankheiten zu verstehen, wobei eine optimale Merkmalsauswahl (104b) unter Verwendung verschiedener Merkmalsauswahltechniken durchgeführt wird.
In einer Ausführungsform wird eine Auswertungseinheit 106 zur Implementierung von Techniken wie Binär-, Multimodell- und Multilabel-Klassifikatoren des maschinellen Lernens verwendet, um die Leistung (106a) der Vorhersage von Granatapfelkrankheiten zu bewerten.
In einer Ausführungsform wird eine Klassifikationsverarbeitungseinheit 108 zur Durchführung der Klassifikation von Krankheiten verwendet, wobei ein verbesserter Ensemble-Multilabel-Klassifikator (i-Ensemble-MLC) (108a) mit einem modifizierten Abstimmungssystem entwickelt und implementiert wird, um das Problem des Datenungleichgewichts und des Fluchs der Dimensionalität zu lösen.
In einer Ausführungsform erfolgt die Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten auf der Grundlage von zwei Techniken, einem bildbasierten Ansatz und einem datengesteuerten Ansatz.
In einer Ausführungsform wird eine landwirtschaftliche Drohne (110) zur Datenerfassung entwickelt, wobei die landwirtschaftliche Drohne mit einem DHT-11-Sensor (110a) zur Erfassung von Temperatur und Luftfeuchtigkeit und einer Raspberry Pi-Kamera (110b) eingesetzt wird, wobei ein Wi-Fi-Modul zusammen mit einem Flugcontroller (NodeMCU ESP-32-Modul) (110c) zur Erleichterung der Wi-Fi-Konnektivität, der Bilderfassung und der Sensorablesungen eingesetzt wird, und wobei die Drohne mit einer 11.1-V-Batterie betrieben wird und die Drohne 4 Propeller mit elektronischem Geschwindigkeitsregler und BLDC-Motor für hohe Geschwindigkeit umfasst. Ein Fernbedienungssender sendet ein Signal an die Flugsteuerung der Drohne, woraufhin der DHT-11-Sensor (110a) und die Kamera (110b), die mit dem NodeMCU-ESP-32-Modul verbunden sind, die Temperatur- und Feuchtigkeitsmessungen sowie die aufgenommenen Bilder übertragen, die über die Internetverbindung an den Server (112) gesendet werden, und anschließend werden die Informationen in einer Blynk-IoT-App (114) angezeigt.
In einer Ausführungsform werden Boden- und Wassermessungen unter Verwendung eines kombinierten Boden-pH-Feuchtigkeitstester-Kits (116) bzw. eines TDS-3-Messgeräts (118) vorgenommen, wobei das Boden-pH-Feuchtigkeitstester-Kit (116) zur Messung der Bodenfeuchtigkeit sowie des Wasser- und Boden-pH-Werts und das TDS-3-Messgerät (118) zur Messung des TDS-Werts (Total Dissolve Solid) des Wassers verwendet wird.
In einer Ausführungsform werden die gesammelten realen Felddaten, d. h. Wetter-, Boden- und Wasserdaten, zum Testen der Leistung des entwickelten Systems zur Vorhersage und Klassifizierung von Granatapfelkrankheiten verwendet.
In einer Ausführungsform wird das entwickelte Modell zur Krankheitsvorhersage anhand der historischen Wetter-, Boden- und Wasserparameterdaten der letzten 11 Jahre trainiert.
In einer Ausführungsform wird ein verbesserter Algorithmus für das Multilabel-Klassifizierungsproblem entwickelt, wobei der verbesserte Algorithmus drei Eingangsparameter benötigt, nämlich einen Trainingsdatensatz, einen Testdatensatz und eine Liste von Klassifizierern sowie eine Multilabel-Modellergebnisdatei mit dem Pfad der Ergebnisdatei.
In einer Ausführungsform können das Datenerfassungs-Verarbeitungsmodul (102), die Datenanalyse-Verarbeitungseinheit (104), die Auswertungs-Verarbeitungseinheit (106) und die Klassifizierungs-Verarbeitungseinheit (108) in programmierbaren Hardwarevorrichtungen wie Prozessoren, digitalen Signalprozessoren, zentralen Verarbeitungseinheiten, feldprogrammierbaren Gate-Arrays, programmierbarer Array-Logik, programmierbaren Logikvorrichtungen, Cloud-Verarbeitungssystemen oder dergleichen implementiert werden.
2A und 2B veranschaulichen die Architektur des Echtzeit-Managementsystems für Granatapfelkrankheiten (i-PomDignoser) unter Verwendung eines bildbasierten Ansatzes bzw. eines datengesteuerten Ansatzes in Übereinstimmung mit einer Ausführungsform der vorliegenden Offenbarung. Die Abbildung zeigt die beiden Methoden zur Erkennung von Granatapfelkrankheiten, nämlich den bildbasierten Ansatz und den datengesteuerten Ansatz. Das vorgeschlagene Echtzeit-Management-System für Granatapfelkrankheiten (i-PomDignoser) wird mit Hilfe verschiedener Techniken wie statistischen, maschinellen Lern- und Deep-Learning-Modellen implementiert.
2A zeigt den bildbasierten Ansatz für die Erkennung von Granatapfelkrankheiten. Die Bilder werden mit der Raspberry Pi Kamera (110b) aufgenommen, die auf der Landwirtschaftsdrohne (110) installiert ist. Die aufgenommenen Bilder (202) werden zur Erstellung eines Bilddatensatzes (204) verwendet, und anschließend wird eine Datenvorverarbeitung (206) durchgeführt, bei der die Bilder in der Größe verändert, normalisiert und erweitert werden. Nach der Vorverarbeitung werden unter Verwendung des Datensatzes (204) CNN-Modelle erstellt und trainiert (208), wobei ein Tensor-Flow-Framework (210) eingesetzt wird. Die Leistungsbewertung des Modells (212) wird durchgeführt und die Hyperparameter-Abstimmung (214) wird zur Erhöhung der Vorhersagegenauigkeit vorgenommen. Nach der Abstimmung der Hyperparameter (214) wird die Visualisierung der Granatapfelkrankheit (216) mit Hilfe des Grad-CAM-Modells durchgeführt. Wenn die Krankheit erkannt wird, wird eine Krankheitsklassifizierung (218) durchgeführt, bei der die Krankheiten in die fünf wichtigsten Krankheiten des Granatapfels eingeteilt werden: Bakterienbrand, Anthraknose, Fruchtflecken, Welke und Obstbohrer. Nach der Klassifizierung werden vorbeugende Maßnahmen (220) ergriffen, damit die Krankheit bekämpft werden kann.
2B zeigt den datengesteuerten Ansatz für die Vorhersage von Granatapfelkrankheiten. Bei diesem Ansatz wird die Landwirtschaftsdrohne (110) zum Sammeln von Echtzeit-Wetterdaten verwendet, wobei die Landwirtschaftsdrohne mit einem DHT-11-Sensor (110a) zur Messung der Temperatur und Luftfeuchtigkeit in der Umgebung eingesetzt wird. Die gesammelten Wetterdaten und Bilder werden an den Blynk IoT-Server (112) gesendet und in der Blynk IoT-App (114) angezeigt. Die Wasser- und Bodenparameter werden auch mit einem kombinierten Boden-pH-Feuchtigkeitsmessgerät (116) und einem TDS-3-Messgerät (118) ermittelt. Für das Training des Systems werden auch Messungen vor Ort und Ground Truth durchgeführt. Es wird ein historischer und realer Felddatensatz (302) erstellt, der Daten wie Wetter-, Wasser- und Bodenparameter enthält, die von Sensoren, Vor-Ort-Messungen und der Bodenwahrheit stammen. Außerdem wird eine Datenvorverarbeitung (206) durchgeführt, bei der eine explorative Datenanalyse vorgenommen wird. Für die Merkmalsauswahl wird ein Mikroparameter-Korrelationsmodell (MPCM) (104a) entwickelt, mit dem eine optimale Merkmalsauswahl (104b) durchgeführt wird. Nach der Merkmalsauswahl wird die Leistungsbewertung (304) durch die Implementierung von Binär-, Multimodell- und Multilabel-Klassifikatoren für maschinelles Lernen durchgeführt. Ein verbesserter Ensemble-Multilabel-Klassifikator (i-Ensemble-MLC) (108a) mit einem modifizierten Abstimmungssystem wird entwickelt und implementiert, um das Problem des Datenungleichgewichts und des Fluchs der Dimensionalität zu lösen. Wenn die Krankheit erkannt wird, wird eine Krankheitsklassifizierung (218) durchgeführt, bei der die Krankheiten in die fünf wichtigsten Krankheiten des Granatapfels eingeteilt werden: Bakterienbrand, Anthraknose, Fruchtflecken, Welke und Obstbohrer. Nach der Klassifizierung werden vorbeugende Maßnahmen (220) ergriffen, damit die Krankheit bekämpft werden kann.
In einer Ausführungsform werden die historischen Daten vom 1. Januar 2010 bis zum 1. Dezember 2021 erfasst, wobei insgesamt 4227 Datensätze und 32 Parameter wie Minimaltemperatur, Maximaltemperatur, relative Luftfeuchtigkeit am Nachmittag, relative Luftfeuchtigkeit am Abend, Luftdruck, Windgeschwindigkeit, Wetterbedingungen, Sonnenscheinstunden, Niederschlag, pH-Wert des Bodens, Bodenfeuchtigkeit, pH-Wert des Wassers, TDS-Wert des Wassers erhalten werden. Die realen Felddaten wurden vom 1. Oktober 2021 bis zum 28. Februar 2022 erhoben, wobei insgesamt 151 Datensätze und 32 Parameter gewonnen wurden. Alle erhaltenen Daten bilden einen Datensatz, der zum Trainieren und Testen des Vorhersagemodells verwendet wird.
In einer Ausführungsform benötigt der verbesserte Ensemble-Multilable-Classifier-Algorithmus (i-Ensemble-MLC) drei Eingangsparameter, nämlich einen Trainingsdatensatz, einen Testdatensatz und eine Liste von Klassifizierern sowie eine Ergebnisdatei für ein multilabiles Modell mit dem Pfad der Ergebnisdatei. Im ersten Schritt wird der Algorithmus mit der Liste der Klassifikatoren gestartet, danach werden im zweiten Schritt mehrere maschinelle Lernmodelle erstellt. Im dritten Schritt werden Klassifizierungsberichte auf der Grundlage von Trainings- und Testdatensätzen erstellt. Im vierten Schritt werden der Klassifizierungsbericht und die maschinellen Lernmodelle gespeichert. Der fünfte Schritt umfasst die Auswahl der drei besten Modelle auf der Grundlage der besten optimalen Genauigkeitswerte. Im sechsten Schritt wird das ausgewählte Modell an einen optimalen mehrstufigen Klassifikator angepasst, und im letzten und siebten Schritt wird die Bewertung der endgültigen Vorhersagen mit Hilfe einer modifizierten Abstimmungsmethode durchgeführt. In der vorliegenden Veröffentlichung wird die Klassifizierung unter den fünf bekanntesten Krankheiten durchgeführt: Bakterienbrand, Anthraknose, Fruchtflecken, Welke und Obstbohrer. Der Pseudocode für den Algorithmus ist unten angegeben:

Eingabe: {Trainingsdatensatz D_Tr (X_Zug, y_Zug), Test-Datensatz D_T (X_ Zug, y_ Zug), Sichter (C₁, C₂, C₃, C₄, ..., C_n)}
Ausgabe: {MultiLabelModel_result, d. h. die MultiLabel-Modelldateien und der Pfad der Ergebnisdatei}
1. 1. Initialisierung mit mehreren Klassifikatoren C₁, C₂, C₃, C₄, ..., C_n
2. 2. Entwicklung von Modellen für maschinelles Lernen M₁, M₂, M₃, M₄, ..., M_n
3. 3. 3. Klassifizierungsbericht überwachen {Genauigkeit, Verlust, Null_ein_Verlust, Hamming Verlust} CR₁, CR₂, CR₃, CR₄, ..., CR_n zur Ausbildung P_iTr = M_i(D_Tr) Datensatz für MultiLabel-Modell
4. 4. Klassifizierungsbericht speichern CR₁, CR₂, CR₃, CR₄, ..., CR_n und das Modell des maschinellen Lernens M₁, M₂, M₃, M₄, ..., M_n
5. 5. Auswahl der 3 besten Modelle (M_1opt., M_2opt., M_3opt.) mit der besten optimalen Genauigkeit
6. 6. Anpassung des MultiLabel-Klassifikatormodells MLC =M_1opt., M_2opt., M_3opt.)
7. 7. Bewerten Sie die endgültigen Vorhersagen mithilfe der Abstimmungsmethode: $P_{f i n a l} = \frac{A N D (M L C_{p r e d})}{O R (M L C_{p r e d})} = \frac{M_{1 p r e d} \land M_{2 p r e d} \land M_{3 p r e d}}{M_{1 p r e d} \lor M_{2 p r e d} \lor M_{3 p r e d}}$

3 veranschaulicht die Systemarchitektur für die Datenerfassung und Krankheitsvorhersage gemäß einer Ausführungsform der vorliegenden Offenlegung. Die Datenerfassung erfolgt durch die Entwicklung einer landwirtschaftlichen Drohne mit einem programmierbaren 2.4-GHz-Sender, der aus 6 Kanälen für die Richtungs- und Geschwindigkeitssteuerung der Drohne besteht. Die Mindestflugzeit der Drohne beträgt 15 Minuten, sie kann ein Gewicht von bis zu 1.5 kg tragen und bis zu 6 Fuß hoch fliegen.
Die Datenerfassung erfolgt mit Hilfe von Sensoren, die auf der Landwirtschaftsdrohne eingesetzt werden, wobei ein DHT-11-Sensor zur Erfassung der Temperatur- und Luftfeuchtigkeitsmessung und eine Raspberry Pi-Kamera zur Aufnahme von Bildern von Granatapfelfrüchten und -blättern verwendet wird. Das Boden-pH-Feuchtigkeits-Kombigerät wird für die Messung der Bodenfeuchtigkeit, des Wasser-pH und des Boden-pH-Wertes verwendet. Das TDS-3-Messgerät wird für die Messung des TDS-Wertes (Total Dissolve Solid) verwendet. Die realen Felddaten werden gesammelt, um die Leistung des Vorhersagemodells zu testen. Die historischen Wetterdaten der letzten 11 Jahre, wie z. B. Mindesttemperatur, Höchsttemperatur, relative Luftfeuchtigkeit am Morgen, relative Luftfeuchtigkeit am Nachmittag, Windgeschwindigkeit, Anzahl der Sonnenstunden, Niederschlag, Wetterbedingungen und Luftdruck, werden über Wetter-Websites gesammelt. Die Boden- und Wasserparameter werden durch Messungen vor Ort, Beobachtungen, Dokumente und Ground Truth für das Training des Vorhersagemodells gesammelt.
Die gesammelten Daten werden vorverarbeitet, wobei eine Korrelation zwischen Parametern auf Mikroebene gefunden und ein Vorhersagemodell entwickelt wird, das die Krankheit vorhersagt. Sobald die Krankheit erkannt ist, werden Präventivmaßnahmen zur Bekämpfung der Krankheit bereitgestellt.
4 zeigt den Schaltplan für die Steuerung der Drohne gemäß einer Ausführungsform der vorliegenden Offenlegung. Die landwirtschaftliche Drohne ist mit NodeMCU ESP-32, die Wi-Fi-Modul zusammen mit dem Flug-Controller, die die Wi-Fi-Konnektivität, Bildaufnahme und Sensor-Messungen bieten wird eingesetzt. Die Drohne wird mit einer Spannungsversorgung von 11.1 V betrieben. Es gibt insgesamt 4 Propeller mit elektronischem Drehzahlregler und BLDC-Motor für hohe Geschwindigkeit. Um die Drohne anzutreiben, sendet der Fernbedienungssender das Signal an den Flugregler und der Flugregler sendet das Signal an den elektronischen Geschwindigkeitsregler und treibt die Drohne über den BLDC-Motor und die Propeller an.
5 zeigt das Diagramm, das die Leistungsanalyse von Multilabel-Klassifikatoren gemäß einer Ausführungsform der vorliegenden Offenlegung darstellt. Die Ergebnisse zeigen, dass der verbesserte Ensemble-Multilabel-Klassifikator (i-Ensemble MLC) mit dem modifizierten Abstimmungssystem eine Erkennungsgenauigkeit von 99.84 % erreicht hat. Darüber hinaus gewährleisten die vorgesehenen Präventivmaßnahmen die beste Fruchtqualität und vermeiden Verluste.
Das vorgeschlagene Echtzeit-Krankheitsmanagementsystem für Granatäpfel (i-PomDignoser) wird der Agrarindustrie bei der Erkennung der wichtigsten Granatapfelkrankheiten helfen und dadurch zu weniger wirtschaftlichen Verlusten führen.
Die Figuren und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.
Bezugszeichenliste

100: Ein System zur Verwaltung von Granatapfelkrankheiten in Echtzeit (i-PomDignoser) für die Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten.
102: Ein Modul zur Datenerfassung und -verarbeitung
104: Verarbeitungseinheit für die Datenanalyse
104a: Ein Mikroparameter-Korrelationsmodell (MPCM)
104b: Optimale Merkmalsauswahl
104c: Explorative Datenanalyse
106: Verarbeitungseinheit für die Auswertung
108: Verarbeitungseinheit für die Klassifizierung
108a: Ein verbesserter Ensemble-Multilabel-Klassifikator (i-Ensemble-MLC)
110: Landwirtschaftliche Drohne
110a: DHT-11-Sensor
110b: Raspberry Pi-Kamera
112: Server
114: Blynk IoT-App
116: Boden-pH-Feuchtigkeits-Kombi-Tester-Kit
118: TDS-3-Messgerät
202: Mit der Kamera aufgenommene Bilder
204: Bilddatensatz
206: Vorverarbeitung der Daten
208: CNN-Modelle werden erstellt und trainiert
210: Tensor-Flow-Rahmenwerk
212: Leistungsbewertung des Modells
214: Abstimmung der Hyperparameter
216: Visualisierung der Granatapfelkrankheit
218: Klassifizierung von Krankheiten
220: Vorbeugende Maßnahmen
302: Historischer und realer Felddatensatz
304: Leistungsbewertung
402: Sensor-Parameter
404: Bodenparameter
406: Wasserparameter
408: Wetter-Parameter
410: Daten vor Ort (Beobachtungen)
412: Bodenwahrheit
414: Datenerhebung (historischer Datensatz + realer Felddatensatz)
416: Vorhersagemodell
418: Vorausgesagte Krankheit
420: Maßnahmen zur Krankheitsvorbeugung
502: Ferngesteuerter Sender
504: Empfänger
506: Stromversorgung
508: Flugregler
510: Elektronischer Drehzahlregler (ESP)
512: BLDC-Motor und Propeller

Claims

Ein Echtzeit-Granatapfel-Krankheitsmanagementsystem zur Erkennung, Vorhersage und Klassifizierung von Granatapfelkrankheiten, wobei das System Folgendes umfasst: ein Datenerfassungs-Verarbeitungsmodul zum Sammeln der Daten für die Vorhersage der Granatapfelkrankheit, wobei wetter-, boden- und wasserbezogene Parameter gemessen werden, um sie für die Vorhersage der Krankheit zu verwenden; eine Datenanalyse-Verarbeitungseinheit 106 zur Implementierung eines Mikroparameter-Korrelationsmodells (MPCM) verwendet wird, um die Korrelation zwischen Parametern auf Mikroebene und Krankheiten zu ermitteln, eine detaillierte explorative Datenanalyse durchgeführt wird, um Daten und abrupte Änderungen der klimatischen Bedingungen und deren Auswirkungen auf Krankheiten zu verstehen, wobei eine optimale Merkmalsauswahl unter Verwendung verschiedener Merkmalsauswahltechniken durchgeführt wird; eine Auswertungseinheit zur Implementierung von Techniken wie Binär-, Multimodell- und Multilabel-Klassifikatoren des maschinellen Lernens zur Auswertung der Leistung der Vorhersage von Granatapfelkrankheiten; und eine Klassifizierungsverarbeitungseinheit zur Durchführung der Klassifizierung von Krankheiten, wobei ein verbesserter Ensemble-Multilabel-Klassifikator (i-Ensemble-MLC) mit einem modifizierten Abstimmungssystem entwickelt und implementiert wird, um das Problem des Datenungleichgewichts und des Fluchs der Dimensionalität zu lösen.
System nach Anspruch 1, wobei die Erkennung, Vorhersage und Klassifizierung der Granatapfelkrankheit auf der Grundlage von zwei Techniken erfolgt, von denen die eine ein bildbasierter Ansatz und die andere ein datengesteuerter Ansatz ist.
System nach Anspruch 1, wobei eine landwirtschaftliche Drohne für die Datenerfassung entwickelt wird, wobei die landwirtschaftliche Drohne mit einem DHT-11-Sensor zur Erfassung von Temperatur und Feuchtigkeit und einer Raspberry-Pi-Kamera eingesetzt wird, wobei ein Wi-Fi-Modul zusammen mit einer Flugsteuerung (NodeMCU ESP-32-Modul) zur Erleichterung der Wi-Fi-Konnektivität, der Bilderfassung und der Sensormessungen eingesetzt wird, und wobei die Drohne mit einer Batterie von 11.1 V betrieben wird und die Drohne 4 Propeller mit elektronischer Geschwindigkeitssteuerung und BLDC-Motor für hohe Geschwindigkeit umfasst.
System nach Anspruch 3, wobei ein Fernbedienungssender ein Signal an die Flugsteuerung der Drohne sendet und dann der DHT-11-Sensor und die Kamera, die mit dem NodeMCU ESP-32-Modul verbunden sind, die Temperatur- und Feuchtigkeitsmessungen und die aufgenommenen Bilder übertragen, die über die Internetverbindung an den Server gesendet werden, und dann werden die Informationen in einer IoT-App angezeigt.
System nach Anspruch 1, bei dem die Boden- und Wassermessung unter Verwendung eines Boden-pH-Feuchtigkeits-Kombi-Tester-Kits bzw. eines TDS-3-Messgeräts erfolgt, wobei das Boden-pH-Feuchtigkeits-Tester-Kit zur Messung der Bodenfeuchtigkeit und des Wasser- und Boden-pH-Werts verwendet wird und das TDS-3-Messgerät zur Messung des Gesamtwerts der gelösten Feststoffe (TDS) im Wasser verwendet wird.
System nach Anspruch 1, wobei die gesammelten realen Felddaten, d.h. Wetter-, Boden- und Wasserdaten, zum Testen der Leistung des entwickelten Systems für die Vorhersage und Klassifizierung von Granatapfelkrankheiten verwendet werden.
System nach Anspruch 1, wobei das entwickelte Modell für die Krankheitsvorhersage unter Verwendung von historischen Wetterdaten der letzten 11 Jahre sowie von Boden- und Wasserparameterdaten trainiert wird.
System nach Anspruch 1, wobei ein verbesserter Algorithmus für das mehrstufige Klassifizierungsproblem entwickelt wird, wobei der verbesserte Algorithmus drei Eingangsparameter annimmt, nämlich einen Trainingsdatensatz, einen Testdatensatz und eine Liste von Klassifizierern und eine mehrstufige Modellergebnisdatei mit dem Pfad der Ergebnisdatei.