DE4329343A1 - Image-analytical method, suitable for use in the field, for the automatic detection and combatting of types of weed - Google Patents
Image-analytical method, suitable for use in the field, for the automatic detection and combatting of types of weedInfo
- Publication number
- DE4329343A1 DE4329343A1 DE4329343A DE4329343A DE4329343A1 DE 4329343 A1 DE4329343 A1 DE 4329343A1 DE 4329343 A DE4329343 A DE 4329343A DE 4329343 A DE4329343 A DE 4329343A DE 4329343 A1 DE4329343 A1 DE 4329343A1
- Authority
- DE
- Germany
- Prior art keywords
- weed
- weeds
- poa
- pol
- species
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 42
- 239000004009 herbicide Substances 0.000 claims abstract description 21
- 230000004069 differentiation Effects 0.000 claims abstract description 6
- 240000006694 Stellaria media Species 0.000 claims description 20
- 240000008488 Thlaspi arvense Species 0.000 claims description 19
- 235000008214 Thlaspi arvense Nutrition 0.000 claims description 19
- 244000303225 Lamium amplexicaule Species 0.000 claims description 18
- 235000009198 Lamium amplexicaule Nutrition 0.000 claims description 18
- 230000002363 herbicidal effect Effects 0.000 claims description 18
- 241001166549 Veronica hederifolia Species 0.000 claims description 16
- 240000005702 Galium aparine Species 0.000 claims description 15
- 235000014820 Galium aparine Nutrition 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 240000006503 Lamium purpureum Species 0.000 claims description 7
- 235000009193 Lamium purpureum Nutrition 0.000 claims description 7
- 244000042664 Matricaria chamomilla Species 0.000 claims description 7
- 235000007232 Matricaria chamomilla Nutrition 0.000 claims description 7
- 241000602336 Anthemis arvensis Species 0.000 claims description 6
- 244000022181 Atriplex patula Species 0.000 claims description 6
- 235000009066 Atriplex patula Nutrition 0.000 claims description 6
- 235000008427 Brassica arvensis Nutrition 0.000 claims description 6
- 244000024671 Brassica kaber Species 0.000 claims description 6
- 235000004977 Brassica sinapistrum Nutrition 0.000 claims description 6
- 240000006122 Chenopodium album Species 0.000 claims description 6
- 235000009344 Chenopodium album Nutrition 0.000 claims description 6
- 244000044980 Fumaria officinalis Species 0.000 claims description 6
- 235000006961 Fumaria officinalis Nutrition 0.000 claims description 6
- 241000221026 Mercurialis annua Species 0.000 claims description 6
- 241000205407 Polygonum Species 0.000 claims description 6
- 244000061457 Solanum nigrum Species 0.000 claims description 6
- 235000002594 Solanum nigrum Nutrition 0.000 claims description 6
- 241000394440 Viola arvensis Species 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 241001621841 Alopecurus myosuroides Species 0.000 claims description 4
- 241001666377 Apera Species 0.000 claims description 4
- 235000011305 Capsella bursa pastoris Nutrition 0.000 claims description 4
- 240000008867 Capsella bursa-pastoris Species 0.000 claims description 4
- 244000292693 Poa annua Species 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 235000013339 cereals Nutrition 0.000 claims description 4
- 241000125144 Aethusa Species 0.000 claims description 3
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 claims description 3
- 240000002791 Brassica napus Species 0.000 claims description 3
- 241000220244 Capsella <angiosperm> Species 0.000 claims description 3
- 241001101998 Galium Species 0.000 claims description 3
- 235000017945 Matricaria Nutrition 0.000 claims description 3
- 244000170788 Persicaria vulgaris Species 0.000 claims description 3
- 235000021536 Sugar beet Nutrition 0.000 claims description 3
- 240000005592 Veronica officinalis Species 0.000 claims description 3
- 230000002902 bimodal effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000007921 spray Substances 0.000 claims description 3
- 241000219198 Brassica Species 0.000 claims description 2
- 235000011331 Brassica Nutrition 0.000 claims description 2
- 244000286177 Raphanus raphanistrum Species 0.000 claims description 2
- 235000000241 Raphanus raphanistrum Nutrition 0.000 claims description 2
- 244000061456 Solanum tuberosum Species 0.000 claims description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 claims description 2
- 244000274883 Urtica dioica Species 0.000 claims description 2
- 235000009108 Urtica dioica Nutrition 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 235000014101 wine Nutrition 0.000 claims description 2
- 241000894007 species Species 0.000 description 16
- 239000002689 soil Substances 0.000 description 5
- 239000005503 Desmedipham Substances 0.000 description 4
- 239000005594 Phenmedipham Substances 0.000 description 4
- WZJZMXBKUWKXTQ-UHFFFAOYSA-N desmedipham Chemical compound CCOC(=O)NC1=CC=CC(OC(=O)NC=2C=CC=CC=2)=C1 WZJZMXBKUWKXTQ-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- IDOWTHOLJBTAFI-UHFFFAOYSA-N phenmedipham Chemical compound COC(=O)NC1=CC=CC(OC(=O)NC=2C=C(C)C=CC=2)=C1 IDOWTHOLJBTAFI-UHFFFAOYSA-N 0.000 description 4
- 239000004480 active ingredient Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- IRCMYGHHKLLGHV-UHFFFAOYSA-N 2-ethoxy-3,3-dimethyl-2,3-dihydro-1-benzofuran-5-yl methanesulfonate Chemical compound C1=C(OS(C)(=O)=O)C=C2C(C)(C)C(OCC)OC2=C1 IRCMYGHHKLLGHV-UHFFFAOYSA-N 0.000 description 2
- 239000005512 Ethofumesate Substances 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 241000743985 Alopecurus Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 241000065675 Cyclops Species 0.000 description 1
- 108010001515 Galectin 4 Proteins 0.000 description 1
- 102100039556 Galectin-4 Human genes 0.000 description 1
- 241001397173 Kali <angiosperm> Species 0.000 description 1
- 239000005579 Metamitron Substances 0.000 description 1
- 241000136257 Poa media Species 0.000 description 1
- 240000004120 Syzygium malaccense Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- VHCNQEUWZYOAEV-UHFFFAOYSA-N metamitron Chemical compound O=C1N(N)C(C)=NN=C1C1=CC=CC=C1 VHCNQEUWZYOAEV-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 239000004476 plant protection product Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
- A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
- A01M21/043—Apparatus for destruction by steam, chemicals, burning, or electricity by chemicals
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pest Control & Pesticides (AREA)
- Insects & Arthropods (AREA)
- Toxicology (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Agricultural Chemicals And Associated Chemicals (AREA)
Abstract
Description
Die vorliegende Erfindung betrifft ein feldtaugliches Verfahren zur automatischen Erkennung und Unterscheidung und anschließenden Bekämpfung von Unkrautarten.The present invention relates to a field-suitable method for automatic Detection and differentiation and subsequent control of weed species.
In den letzten Jahren wurde Kritik an der Höhe des Herbizidaufwandes deutlich (SHEARER et al. (1991) Transactions of the ASAE 34(4), 1661-1666). Rückstände von Pflanzenschutzmitteln in Böden, Wasser und Nahrungsmitteln berechtigen zu der Forderung nach einer Reduzierung des Herbizideinsatzes ebenso sehr wie die Tatsache, daß im Durchschnitt etwa 50% der Herbizideinsätze in Wintergetreide unwirtschaftlich sind, da der Mehrerlös durch eine chemische Unkrautbekämpfung die Kosten für das Herbizid und die Ausbringung nicht decken (KÜHBAUCH et al. (1984). Die Wirkung des Herbizideinsatzes in Wintergetreide nach Versuchen der Landwirtschaftskammer Rheinland von 1981-1983. Diplomarbeit am Lehrstuhl für Allgemeinen Pflanzenbau der Universität Bonn (unveröffentlicht)).In recent years, criticism of the level of herbicidal effort was clear (SHEARER et al., (1991) Transactions of the ASAE 34 (4), 1661-1666). Residues of Plant protection products in soil, water and foodstuffs justify the Demand for a reduction in herbicide use as much as the fact that on average about 50% of the herbicide use in winter cereals is uneconomic are, since the additional proceeds by a chemical Weedbekämpfung the costs for the Herbicide and application do not cover (KÜHBAUCH et al. (1984) Use of herbicides in winter cereals after experiments by the Chamber of Agriculture Rhineland from 1981-1983. Diploma thesis at the chair of general crop cultivation of the University of Bonn (unpublished)).
Eine gezielte Bekämpfung der Problemunkräuter unter Beachtung der Art sowie ihrer jeweiligen Größe könnte den Aufwand der chemischen Unkrautbekämpfung reduzieren. So schwankt beispielsweise der erforderliche Aufwand eines Herbizids, je nach Art und Größe der Unkräuter, zwischen 0,3 und 3,0 Liter/ha.Targeted control of problem weeds, taking into account the species and their each size could reduce the burden of chemical weed control. For example, the required effort of a herbicide varies depending on the species and Size of weeds, between 0.3 and 3.0 liters / ha.
Voraussetzung für eine gezielte Bekämpfung der Unkräuter ist die schnelle Erfassung der vorkommenden Unkrautarten ggf. kombiniert mit einer genauen Kartierung der Unkrautverteilung, Art und Wachstumsphase im Feld. Diese Erfassung war bisher zu zeitaufwendig. Daher wäre es sinnvoll, ein automatisiertes Bildverarbeitungssystem zur Arten- und Größenerkennung einzusetzen, wobei die erhaltenen Daten für eine gezielte Bekämpfung des Unkrauts verwendet werden können.A prerequisite for targeted control of weeds is the rapid detection of occurring weed species possibly combined with a precise mapping of the Weed distribution, species and growth phase in the field. This acquisition was previously too time-consuming. Therefore, it would be useful to an automated image processing system for Species and size recognition using the data obtained for a targeted Weed control can be used.
Es ist bereits bekannt, daß verschiedene Unkrautarten und Kulturpflanzen mit Hilfe digitaler Bildverarbeitung unterschieden werden können, wobei gezeigt wird, daß die Konturform eines arttypischen Merkmal zur Beschreibung einer Spezies ist (Petry et al. (1989), J. Agronomy and Crop Science 163, 345-351 und Franz et al. (1991), Transactions of the ASAE, 34(2) 673-681).It is already known that various weed species and crops with the help digital image processing can be distinguished, wherein it is shown that the Contour shape of a species-typical characteristic for the description of a species (Petry et al. (1989), J. Agronomy and Crop Science 163, 345-351 and Franz et al. (1991) Transactions of the ASAE, 34 (2) 673-681).
Der Nachteil vieler Verfahren bzw. Systeme liegt darin, daß diese nur aktive Biomasse erkennen können. Eine Unterscheidung zwischen Unkraut und Ertragspflanze und zwischen Unkrautarten ist nicht möglich. Ferner sind die bekannten Systeme nicht feldtauglich, was u. a. auf die Wetterabhängigkeit, wie z. B. Sonnenstand und auf die Bodenabhängigkeit, wie z. B. hoher Kontrast bei dunklen Böden, geringer Kontrast bei hellen Böden, zurückzuführen ist.The disadvantage of many processes or systems is that they only active biomass can recognize. A distinction between weeds and crops and between weed species is not possible. Furthermore, the known systems are not field suitable, what u. a. on the weather dependence, such. B. Sun and on the Soil dependence, such. B. high contrast in dark soils, low contrast light soils, is due.
Aufgabe der vorliegende Erfindung ist es nun, ein feldtaugliches Verfahren zur automatischen Unkrautbekämpfung bereitzustellen.Object of the present invention, it is now a field suitable method for to provide automatic weed control.
Es wurde nun gefunden, daß das Unkraut auf einem Feld mit einem automatischen Verfahren gezielt, d. h. entsprechend seiner Größe und Art bekämpft werden kann, indemIt has now been found that the weeds on a field with an automatic Targeted method, d. H. according to its size and type can be combated by
-
i) zunächst eine Erkennung und Unterscheidung des Unkrauts durchgeführt wird, wobei
man
- a) mit einer infrarotsensiblen elektronischen Kamera mit vorgeschaltetem Infrarotfilter auf dem Feld Unkräuter aufnimmt,
- b) diese Aufnahmen mit einem Bildverarbeitungssystem nach dem bimodalen System binarisiert,
- c) die erhaltenen Daten des Binärbildes des Unkrauts einer Konturextraktion unterwirft,
- d) diese Daten des Unkrauts in eine Polar-Vektor-Beschreibung transformiert,
- e) diese Polar-Vektor-Beschreibung als Winkelfunktion interpretiert und einer Fourierreihenentwicklung unterwirft und anschließend
- f) zusätzlich einen Formfaktor als Merkmal für die Kompaktheit eines Unkrauts berechnet,
- g) zusätzlich die Spannweite als Merkmal für den Schwerpunkt eines Unkrauts berechnet,
- h) eine Größenskalierung vornimmt und damit bereits eine Vorauswahl im Hinblick auf kleine und große Unkräuter trifft,
- i) die daraus erhaltenen Daten automatisch in einer Wissensbasis abspeichert und schließlich
- j) die Kontur unbekannter Unkräuter extrahiert, die Merkmale bestimmt und mit den in der Wissenbasis gespeicherten Werten nach dem Prinzip der künstlichen Intelligenz (Fuzzy Logik) vergleicht, was die Erkennung ermöglicht, und
- a) picking up weeds on the field with an infrared-sensitive electronic camera with an upstream infrared filter,
- b) binarizing these images with a bimodal system image processing system,
- c) subjecting the obtained data of the binary image of the weed to a contour extraction,
- d) transforming this weed data into a polar vector description,
- e) interprets this polar vector description as an angle function and subjects it to a Fourier series development and then
- f) additionally calculates a shape factor as a feature of the compactness of a weed,
- g) additionally calculating the span as a characteristic of the center of gravity of a weed,
- h) size scaling and thus already pre-selection with regard to small and large weeds,
- i) automatically stores the data obtained from it in a knowledge base and finally
- j) extracts the contour of unknown weeds, which determines characteristics and compares them with the values stored in the knowledge base according to the principle of artificial intelligence (fuzzy logic), which enables detection, and
- ii) nach der Erkennung und der Unterscheidung das Unkraut auf dem zu behandelnden Feld mit geeigneten Vorrichtungen und mit geeigneten Herbiziden zielgerichtet bekämpft werden kann.ii) after detection and differentiation, the weed on the treated Field targeted with suitable devices and with suitable herbicides can be.
Der vor die Kamera geschaltete Infrarotfilter ist derart konstruiert, daß er Licht der Wellenlänge λ = 650-1100 nm, insbesondere Licht der Wellenlänge λ = 720-850 nm passieren läßt. Mit diesem Filter werden u. a. die Wetter und Bodenabhängigkeiten eliminiert.The infrared filter connected in front of the camera is designed to emit light of the Wavelength λ = 650-1100 nm, in particular light of wavelength λ = 720-850 nm lets happen. With this filter u. a. the weather and soil dependencies eliminated.
Das Verfahren findet in Wein-, Obst und Getreidekulturen, wie z. B. in Mais vorzugsweise in Kartoffel- oder in Hackfruchtkulturen, wie z. B. in Zuckerrübenkulturen Verwendung.The process takes place in wine, fruit and cereal crops, such. B. in corn preferably in potato or in root crops, such. B. in sugar beet crops use.
Mit dem erfindungsgemäßen Verfahren können im Prinzip alle bekannten Unkrautarten sowohl im Laubblatt-, als auch im Keimblattstadium zunächst erkannt und anschließend spezifisch bekämpft werden.With the method according to the invention, in principle, all known weed species first recognized in the Laubblatt-, as well as in the cotyledon stage and then be specifically combated.
Im Laubblattstadium können vorzugsweise die Unkrautarten Veronica hederifolia L. (VER), Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera spica-venti L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa pastoris L. (CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) und Galium aparine L. (GAL) zunächst erkannt und anschließend spezifisch bekämpft werden.In the foliage leaf stage, preferably the weed species Veronica hederifolia L. (VER), Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera spica-venti L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa pastoris L. (CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) and Galium aparine L. (GAL) first recognized and then specifically controlled.
Im Keimblattstadium können vorzugsweise die Unkrautarten Atriplex patula (ATR), Capsella bursa-pastor (CAP), Chenopodium album (CHE), Lamium amplexicaule (LAM), Lamium purpureum (LAM), Polygonum convolvolus (POL CON), Polygonum lapathifol. (POL LAP), Sinapis arvensis (SIN), Thlaspi arvense (THL), Stellaria media (STE), Veronica spp. (VER), Fumaria officinalis (FUM), Galium aperine (GAL), Mercurialis annua (MER), Poligonum aviculare (POL AVI), Poligonum persicaria (POL PER), Solanum nigrum (SOL), Viola arvensis (VIO), Aethusa zynapium (AET), Urtica urens, Anthemis arvensis (ANT), Ausfallraps-Brassica (RAPS), Matricaria chamonilla (MAT) und Raphanus raphanistrum zunächst erkannt und anschließend spezifisch bekämpft werden.In the cotyledon stage, the weed species Atriplex patula (ATR), Capsella bursa-pastor (CAP), Chenopodium album (CHE), Lamium amplexicaule (LAM), Lamium purpureum (LAM), Polygonum convolvolus (POL CON), Polygonum lapathifol. (POL LAP), Sinapis arvensis (SIN), Thlaspi arvense (THL), Stellaria media (STE), Veronica spp. (VER), Fumaria officinalis (FUM), Galium aperine (GAL), Mercurialis annua (MER), Poligonum aviculare (POL AVI), Poligonum persicaria (POL PER), Solanum nigrum (SOL), Viola arvensis (VIO), Aethusa zynapium (AET), Urtica urens, Anthemis arvensis (ANT), Brassicaria rape (RAPS), Matricaria chamonilla (MAT) and Raphanus raphanistrum initially recognized and then specifically fought become.
Geeignete Vorrichtungen gemäß Verfahrensschritt ii) sind z. B. Positionierungssysteme und sensorgesteuerte Herbizidspritzen.Suitable devices according to method step ii) are z. B. Positioning systems and sensor-controlled herbicide spraying.
Gemäß dem Verfahren wird für die Unkrautbekämpfung das Unkraut zunächst automatisch erkannt und anschließend mit einer positionsgesteuerten (GPS) Herbizidspritze gemäß einer vorab erstellten Unkrautkarte bekämpft oder mit einer sensorgesteuerten Herbizidspritze "Online" zielgerichtet behandelt.According to the method, the weeds are first removed for weed control automatically detected and then with a position-controlled (GPS) Herbicide sprayer combated according to a pre-prepared weed card or with a sensor-controlled herbicide spray "Online" targeted treatment.
Die folgenden Versuchsbeispiele erläutern das erfindungsgemäße Verfahren.The following experimental examples illustrate the process according to the invention.
Acht verschiedene Unkrautarten im Laubblattstadium: Veronica hederifolia L. (VER), Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera spica-venti L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa-pastoris L. (CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) und Galium aparine L. (GAL) wurden im Herbst 1991 auf den Versuchsflächen Dikopshof bei Wesseling und Bonn-Poppelsdorf mit einer elektronischen CCD-Still-Farbvideokamera aus einer Höhe von ca. 50 cm aufgenommen. Im Folgenden werden die in Klammern geschriebenen Abkürzungen der Spezies verwendet. Bei der Auswahl der Individuen wurde darauf geachtet, verschiedene Jugendstadien jeder Art zu berücksichtigen. In Fig. 1 sind einige Beispiele der aufgenommenen Bildproben gezeigt.Eight different weed species in the foliage leaf stage: Veronica hederifolia L. (VER), Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera spica-venti L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa-pastoris L. (CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) and Galium aparine L. (GAL) were recorded in autumn 1991 on the experimental areas Dikopshof near Wesseling and Bonn-Poppelsdorf with an electronic CCD Still color video camera from a height of approx. 50 cm. In the following, the abbreviations of the species in brackets are used. In the selection of individuals, care was taken to consider different stages of each type of youth. In Fig. 1, some examples of the recorded image samples are shown.
22 verschiedene Unkrautarten im Keimblattstadium: Atriplex patula (ATR), Capsella bursa-pastor (CAP), Chenopodium album (CHE), Lamium amplexicaule (LAM), Lamium purpureum (LAM), Polygonum convolvolus (POL CON), Polygonum lapathifol. (POL LAP), Sinapis arvensis (SIN), Thlaspi arvense (THL), Stellaria media (STE), Veronica spp. (VER), Fumaria officinalis (FUM), Galium aperine (GAL), Mercurialis annua (MER), Poligonum aviculare (POL AVI), Poligonum persicaria (POL PER), Solanum nigrum (SOL), Viola arvensis (VIO), Aethusa zynapium (AET), Anthemis arvensis (ANT), Ausfallraps-Brassica (RAPS) und Matricaria chamonilla (MAT) wurden mit einer elektronischen CCD-Still-Farbvideokamera aus einer Höhe von ca. 50 cm aufgenommen. Im Folgenden werden die in Klammern geschriebenen Abkürzungen der Spezies verwendet. Bei der Auswahl der Individuen wurde darauf geachtet, verschiedene Jugendstadien jeder Art zu berücksichtigen (s. auch Anwendungsbeispiel 5).22 different weed species in the cotyledon stage: Atriplex patula (ATR), Capsella bursa-pastor (CAP), Chenopodium album (CHE), Lamium amplexicaule (LAM), Lamium purpureum (LAM), Polygonum convolvolus (POL CON), Polygonum lapathifol. (POLE LAP), Sinapis arvensis (SIN), Thlaspi arvense (THL), Stellaria media (STE), Veronica spp. (VER), Fumaria officinalis (FUM), Galium aperine (GAL), Mercurialis annua (MER), Poligonum aviculare (POL AVI), Poligonum persicaria (POL PER), Solanum nigrum (SOL), Viola arvensis (VIO), Aethusa zynapium (AET), Anthemis arvensis (ANT), drop-dead brassica (RAPS) and Matricaria chamonilla (MAT) were identified with a electronic CCD Still color video camera taken from a height of about 50 cm. The following are the abbreviations of the species in brackets used. In the selection of individuals, care was taken to different Youth stages of every kind (see also application example 5).
Die Binarisierung der farbigen Unkrautaufnahmen erfolgte mit einem von KÜHBAUCH und BESTAJOSVSKY ((1983) Angewandte Botanik 57, 381-389, KÜHBAUCH ((1985) Angewandte Botanik 59, 209-228) und PETRY und KÜHBAUCH ((1988) Kali Briefe 19, 1-16), entwickelten Bildverarbeitungssystem nach dem "Hillclimbing-Verfahren" im Merkmalsraum. Mit diesem System hat der Anwender die Möglichkeit, interaktiv in die Binarisierung einzugreifen, wodurch Mängel des Originalbildes, wie z. B. nicht ausreichender Kontrast zwischen Objekt und Hintergrund, korrigiert werden können. Je zwei Beispiele der entstandenen Binärbilder sind in Fig. 2 dargestellt.The binarization of the colored weeds was carried out by a KÜHBAUCH and BESTAJOSVSKY ((1983) Applied Botany 57, 381-389, KÜHBAUCH ((1985) Applied Botany 59, 209-228) and PETRY and KÜHBAUCH ((1988) Kali Letters 19, 1 -16) developed a hillclimbing image processing system in feature space, allowing the user to intervene interactively in the binarization, correcting for defects in the original image, such as insufficient contrast between the object and the background Two examples of the resulting binary images are shown in FIG .
WISEKO ist ein Bildverarbeitungssystem zur Erkennung komplexer Objekte. Es wurde von NABOUT und NOUR ELDIN (1992) an der Universität Wuppertal entwickelt und basiert auf dem Vergleich unbekannter Objekte mit denen in einer Wissensbasis gespeicherten Prototypen. Das WISEKO-System ist mit Methoden der künstlichen Intelligenz (KI) realisiert worden. Mittels der speziellen Komponente "Extraktion elementarer Objektbestandteile" (s. DE-OS 41 35 881.3) extrahiert das WISEKO-System alle für die Erkennung eines Objektes benötigten Merkmale und generiert programmgesteuert sämtliche Objektdaten sowie die Wissensbasis automatisch. Als Bildverarbeitungsbaustein diente die CYCLOP-2.1 Karte der Firma DIGITAL VISION, die in einem Mikrocomputer mit einer Taktfrequenz von 33 Mhz integriert ist. Die Bildaufnahmeeinheit besteht aus einer CCD-Schwarz-Weiß Camera, die 625 Zeilen und 50 Halbbilder pro Sekunde abtastet. Als Bildausgabeelement fungiert ein Grauwertmonitor. Der Analog/Digital Wandler digitalisiert das von der Kamera abgegebene Signal in einer Auflösung von 8 Bit. Damit stehen insgesamt 256 Graustufen zur Verfügung. Die örtliche Auflösung beträgt 512×512 Bildpunkte. Die CYCLOP Karte verfügt über 4 Videoeingänge und 8 Look Up Tables (LUT′s) zur schnellen Grauwerttransformation. Die Binarisierung erfolgt automatisch nach dem bimodalen Prinzip, d. h. das Minimum zwischen den beiden Grauwertmaxima wird als Grauwertschwelle zur Segmentierung von Unkraut und Hintergrund verwendet. Weitere Module zur Binärbilderzeugung, welche bei stark gestörten Bildaufnahmen eingesetzt werden, sind verfügbar. Aus dem Binärbild wird zunächst die äußere Kontur des Unkrauts extrahiert. Dies erfolgt mittels des objektorientierten Konturextraktionsverfahrens (OKE-Verfahren, NABOUT 1991). In seiner realisierten Hardware Version erlaubt das OKE-Verfahren die Extraktion der Objektkonturen in Echtzeit (25 Bilder pro Sekunde). Dies gilt für eine beliebige Anzahl von Objekten im Bild. Die extrahierten Konturen sind garantiert geschlossen (NABOUT 1992). WISEKO is an image processing system for the detection of complex objects. It was developed by NABOUT and NOUR ELDIN (1992) at the University of Wuppertal and based on the comparison of unknown objects with those in a knowledge base stored prototypes. The WISEKO system is using methods of artificial Intelligence (AI) has been realized. By means of the special component "extraction elementary object components "(see DE-OS 41 35 881.3) extracts the WISEKO system all features required for the recognition of an object and generated programmatically all object data and the knowledge base automatically. The image processing module was the CYCLOP-2.1 card from DIGITAL VISION, which is integrated in a microcomputer with a clock frequency of 33 MHz. The image capture unit consists of a CCD black and white camera that has 625 lines and scans 50 fields per second. The image output element is a Gray scale monitor. The analog / digital converter digitizes that from the camera output signal in a resolution of 8 bits. There are a total of 256 gray levels to disposal. The local resolution is 512 × 512 pixels. The CYCLOP card has 4 video inputs and 8 Look Up Tables (LUT's) for fast Gray-scale transformation. The binarization is done automatically after the bimodal Principle, d. H. the minimum between the two gray value maxima is called Grayscale threshold used for segmentation of weeds and background. Further Binary image generation modules, which are used for heavily disturbed image recordings will be available. The binary image first becomes the outer contour of the weed extracted. This is done by means of the object-oriented contour extraction method (OKE procedure, NABOUT 1991). In its realized hardware version that allows OKE method the extraction of object contours in real time (25 frames per second). This applies to any number of objects in the image. The extracted contours are guaranteed closed (NABOUT 1992).
In diesem Schritt werden die Konturen in eine höhere mathematische Beschreibungsform (Polar-Vektor-Beschreibung "PVB") transformiert. Bildaufnahme- und Binarisierungsrauschen in den Konturen werden durch eine krümmungsabhängige Konturapproximation erfaßt und eleminiert.In this step, the contours become a higher mathematical description (Polar vector description "PVB") transformed. Image capture and Binarization noise in the contours are due to a curvature-dependent Contour approximation detected and eliminated.
Die PVB einer Kontur wird als Winkelfunktion interpretiert und einer Fourierreihenentwicklung unterworfen. Die erhaltenen Fourierkoeffizienten sind für den Konturverlauf spezifisch (COSGRITT (1960) Technical report, Ohia State Univ. RS. Foundation, Columb. 25, Rep. 820.11, ASTIA AD 245 729) und werden für die Konturformerkennung eingesetzt. Die adequate normierte Winkelfunktion ist translations-, rotations- und zoominginvariant. Sie ist somit unabhängig von der Objektposition, -lage und -größe. Die Koeffizienten der fouriertransformierten Objekte behalten diese Eigenschaft. Insbesonders sind die Amplituden der Fourierkoeffizienten vom Konturanfangspunkt unabhängig.The PVB of a contour is interpreted as an angle function and a Subjected to Fourier series development. The obtained Fourier coefficients are for the Contour course specific (COSGRITT (1960) Technical report, Ohia State Univ. RS. Foundation, Columb. 25, Rep. 820.11, ASTIA AD 245 729) and are used for the Contour shape recognition used. The adequate normalized angular function is translational, rotation and zoominginvariant. It is thus independent of the object position, location and size. The coefficients of the Fourier transformed objects retain these Property. In particular, the amplitudes of the Fourier coefficients of Independent starting point.
Zusätzlich zu den Fourierdeskriptoren werden weitere Faktoren einbezogen:In addition to the Fourier descriptors, other factors are included:
-
6.1 Formfaktor als Merkmal für die Kompaktheit eines Unkrauts aus dem Verhältnis der
Konturlänge im Quadrat und der Fläche nach der folgenden Formel berechnet
(Verfahrensstufe f):
FF: Formfaktor
U: Konturlänge
A: Fläche6.1 Form factor as a feature for the compactness of a weed calculated from the ratio of the contour length squared and the area according to the following formula (step f): FF: form factor
U: contour length
A: area - 6.2 Spannweite zur Beschreibung des Schwerpunktes des Objekts - kleinstes Rechteck, das das Unkraut umschließt - (Verfahrensstufe g)). 6.2 Span for describing the center of gravity of the object - smallest rectangle, which encloses the weeds - (process step g)).
- 6.3 Größenskalierung, d. h. Bestimmung der absoluten Größe - Flächen oder Konturlänge - des Unkrauts (Verfahrensstufe h)).6.3 Size scaling, d. H. Determination of absolute size - areas or contour length - of weeds (process step h)).
Das automatische Anlegen einer Wissensbasis erfolgt aus den berechneten Fourierdeskriptoren und den weiteren Faktoren 6.1-6.3. Diese Merkmale werden von einigen repräsentativen Individuen jeder Unkrautart berechnet und im Speicher des Rechners abgelegt. Sie dienen zur Erkennung unbekannter Individuen dieser Spezies.The automatic creation of a knowledge base takes place from the calculated ones Fourier descriptors and the other factors 6.1-6.3. These features are made by calculated in the memory of some representative individuals of each weed species Computer stored. They serve to recognize unknown individuals of this species.
In dieser Stufe wird die Kontur unbekannter Unkräuter extrahiert, die Merkmale bestimmt und mit den in der Wissensbasis gespeicherten Werten verglichen.In this stage, the contour of unknown weeds is extracted, which determines characteristics and compared with the values stored in the knowledge base.
Nach dem Prinzip der minimalen euklidischen Distanz wird ein unbekanntes Unkraut dem ähnlichsten Unkraut in der Wissensbasis zugeordnet. Die Berechnung der minimalen Distanz wird für n Fourierkoeffizienten nach der folgenden Formel vorgenommen:According to the principle of minimum Euclidean distance, an unknown weed becomes associated with the most similar weeds in the knowledge base. The calculation of the minimum Distance is made for n Fourier coefficients according to the following formula:
d: Distanz
n: Anzahl der Fourierdeskriptoren
Ak: Amplituden der Fourierdeskriptoren der in der Wissensbasis enthaltenen
Pflanze
Ák: Amplituden der Fourierdeskriptoren der zu erkennenden Pflanze
M: kleine reale Zahld: distance
n: number of Fourier descriptors
A k : Amplitudes of the Fourier descriptors of the plant contained in the knowledge base
Á k : amplitudes of the Fourier descriptors of the plant to be detected
M: small real number
Zur Erkennung und Unterscheidung der Unkräuter kommen alternativ Verfahren zur künstlichen Intelligenz - Fuzzy Logik - zur Anwendung. For the detection and differentiation of the weeds alternative methods are used artificial intelligence - fuzzy logic - for use.
Die folgenden Versuchsbeispiele erläutern die Anwendung des erfindungsgemäßen Verfahrens:The following experimental examples illustrate the application of the invention procedure:
Die Anzahl der Fourierdeskriptoren ist ein Maß für die Genauigkeit der Beschreibung einer Unkrautkontur. Je höher die Anzahl, desto genauer ist die Beschreibung. Eine zu hohe Anzahl kann jedoch dazu führen, daß Fehler und Störungen sowie Bildrauschen, die z. B. während der Binarisierung entstanden sind, mit in die Fourieranalyse eingehen und dadurch Fehler bei der Wiedererkennung verursachen. In der folgenden Tabelle ist die mittlere prozentuale Wiedererkennungsrate in Abhängigkeit von der Anzahl der Fourierdeskriptoren ohne Berücksichtigung des Formfaktors dargestellt:The number of Fourier descriptors is a measure of the accuracy of the description a weed contour. The higher the number, the more accurate the description. One too However, high numbers can cause errors and disturbances, as well as image noise, the z. B. incurred during the Binarisierung, go into the Fourier analysis and thereby causing recognition errors. In the following table is the average percentage recognition rate depending on the number of Fourier descriptors without consideration of the form factor are shown:
Eine Fourieranalyse mit 10 Deskriptoren ergab eine mittlere Wiedererkennung von 37,5%. Eine Steigerung der Deskriptoren von 10 auf 20 erhöhte die Wiedererkennungsrate auf 45,7%. Eine weitere Erhöhung der Fourierdeskriptoren auf 30 hatte keine höhere Wiedererkennungsrate zur Folge. Sie stagnierte bei 45,7%. Im weiteren Verlauf der Untersuchungen wurden 30 Fourierdeskriptoren beibehalten. In Fig. 4 sind exemplarisch für zwei Alopecurus myosoroides Huds. (POA)-Pflanzen und eine Galium aparine L. (GAL)-Pflanze die Amplituden der 30 Fourierdeskriptoren dargestellt.Fourier analysis with 10 descriptors gave a mean recognition of 37.5%. An increase in descriptors from 10 to 20 increased the recognition rate to 45.7%. Further increase of the Fourier descriptors to 30 did not result in a higher recognition rate. It stagnated at 45.7%. In the further course of the investigations, 30 Fourier descriptors were retained. In Fig. 4 are exemplary of two Alopecurus myosoroides Huds. (POA) plants and a Galium aparine L. (GAL) plant represented the amplitudes of the 30 Fourier descriptors.
In der folgenden Tabelle wird der Zusammenhang zwischen der Anzahl der Unkräuter je Art in der Wissensbasis und der mittleren prozentualen Wiedererkennungsrate über acht Unkräuter Veronica hederifolia L. (VER), Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera spica-venti L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa-pastoris L. (CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) und Galium aparine L. (GAL) verdeutlicht. Der Formfaktor wurde hier nicht berücksichtigt:The following table shows the relationship between the number of weeds each Type in the knowledge base and the average percentage recognition rate over eight Weeds Veronica hederifolia L. (VER), Thlaspi arvense Beauv. (THL), Alopecurus myosuroides Huds. (POA), Apera spica-venti L. (POA), Poa annua L. (POA), Stellaria media L. (STE), Capsella bursa-pastoris L. (CAP), Lamium purpureum L. (LAM), Matricaria chamomilla L. (MAT) and Galium aparine L. (GAL). The Form factor was not considered here:
Mit drei Unkräutern je Spezie betrug die mittlere Wiedererkennungsrate 40%. Fünf Objekte in der Wissensbasis je Art erhöhte die Wiedererkennung auf 49,9%. Durch eine weitere Erhöhung der Objektzahl auf 8 wurde ein Rückgang der Wiedererkennungsrate auf 42,7% festgestellt. Dies liegt daran, daß die zusätzlich in die Wissensbasis aufgenommenen aber nicht gezielt ausgewählten Unkräuter Konturen aufweisen, die zur Überlappung der Konturklassen führen. Die Wiedererkennungsrate stieg bei 10 Objekten wieder auf 45,7% an.With three weeds per species the mean recognition rate was 40%. five Objects in the knowledge base per species increased recognition to 49.9%. By a further increase in the number of objects to 8 was a decline in the recognition rate 42.7% noted. This is because the addition to the knowledge base recorded but not specifically selected weeds have contours, the Overlap the contour classes. The recognition rate increased with 10 objects back to 45.7%.
Im weiteren Verlauf der Untersuchungen wurde der Formfaktor in das Erkennungsprogramm implementiert. Dadurch wurde das Verhältnis aus Umfang und Fläche eines Unkrauts als Maß der Kompaktheit berücksichtigt. In der folgenden Tabelle ist die prozentuale Wiedererkennungsrate der acht untersuchten Unkrautarten (s. Anwendungsbeispiel 2) mit und ohne Formfaktor im Laubblattstadium dargestellt.In the further course of the investigations, the form factor in the Detector implemented. This was the ratio of scope and Area of a weed considered as a measure of compactness. In the following table is the percentage recognition rate of the eight weed species studied (s. Application example 2) with and without form factor in the foliage leaf stage.
Aus den Ergebnissen der Tabelle wird deutlich, daß mit Berücksichtigung des Formfaktors die mittlere Wiedererkennungsrate um mehr als 20% gesteigert werden konnte. Besonders hoch ist die Steigerung der Wiedererkennungsrate bei THL von 36,4 auf 81,8% und bei POA von 33,3 auf 91,7%. Auch STE und CAP weisen eine um etwa 20% höhere Wiedererkennungsrate auf. VER wurde durch den Formfaktor zu 100% richtig identifiziert. Die Wiedererkennungsraten für LAM, MAT und GAL wurden durch den Formfaktor nicht beeinflußt.From the results of the table it is clear that taking into account the form factor the average recognition rate could be increased by more than 20%. Especially high is the increase in the recognition rate at THL from 36.4 to 81.8% and at POA from 33.3 to 91.7%. STE and CAP are also about 20% higher Recognition rate on. VER was 100% correct by the form factor identified. Recognition rates for LAM, MAT and GAL were determined by the Form factor not affected.
Alle Unkräuter der Wissensbasis, die nicht zur Wiedererkennung benötigt wurden und zudem noch zu Verwechslungen mit anderen Arten führten, wurden aus der Wissensbasis entfernt. Danach bestand die Wissensbasis aus einer gezielt ausgewählten und uneinheitlichen Anzahl pro Art, welche in der folgenden Tabelle aufgeführt ist:All weeds of the knowledge base that were not needed for recognition and also led to confusion with other species were from the knowledge base away. After that, the knowledge base consisted of a specifically selected and inconsistent number per species, which is listed in the following table:
Durch die Optimierung der Wissenbasis stieg die durchschnittliche Wiederkennungsrate im Laubblattstadium von 66,3% auf 81,89%. In der folgenden Tabelle sind die Endergebnisse der Untersuchungen in Form einer Klassifikations-matrix dargestellt.By optimizing the knowledge base, the average recognition rate increased in the foliage leaf stage from 66.3% to 81.89%. In the following table are the Final results of the investigations are presented in the form of a classification matrix.
Anhand dieser Darstellung werden nicht nur die Wiedererkennungsraten für jede Art sondern auch die Verwechslungen mit anderen Arten aufgezeigt.Based on this representation, not only the recognition rates for each type but also the confusion with other species shown.
Die Arten VER und POA werden zu 100% richtig klassifiziert. MAT wurde zu 91,7% wiedererkannt; 8,3% der MAT-Individuen wurden POA zugeordnet. Die Wiedererkennungsrate von THL betrug 91%; die restlichen 9,0% wurden als STE klassifiziert. Es folgt CAP mit 83,3%; 16,7% der Pflanzen dieser Art wurden als THL identifiziert. STE wurde zu 77,0% richtig eingeordnet, hier traten Verwechslungen mit VER zu 15,4% und LAM zu 7,6% auf. LAM wurde zu 66,7% richtig erkannt, 16,7% wurden als THL klassifiziert, und jeweils 8,3% als STE und VER. Die geringste Wiedererkennungsrate mit 45,4% weist GAL auf, bei dieser Art liegen die falschen Klassifizierungen zu 18,2% bei POA und STE, und zu jeweils 9,1% bei LAM und MAT. Die mittlere Wiedererkennungsrate aller acht Arten erreicht einen Wert von 81,89%. Die Geschwindigkeit der Wiedererkennung betrug pro Unkraut beim Einsatz eines AT-Rechners (33 MHz) zwischen 8 bis 10 Sekunden. Sie ist abhängig von der Größe der Wissensbasis sowie der Komplexität der Unkrautkontur.The types VER and POA are classified 100% correctly. MAT was 91.7% recognized; 8.3% of the MAT individuals were assigned to POA. The Recognition rate of THL was 91%; the remaining 9.0% were classified as STE classified. It follows CAP with 83.3%; 16.7% of plants of this species were called THL identified. STE was correctly ranked 77.0%, confusion occurred here VER to 15.4% and LAM to 7.6%. LAM was found to be 66.7% correct, 16.7% were classified as THL, and 8.3% each as STE and VER. The lowest Recognition rate with 45.4% has GAL, with this type are the wrong ones Classifications of 18.2% for POA and STE, and 9.1% for LAM and MAT, respectively. The average recognition rate of all eight species reaches 81.89%. The Speed of recognition per weed when using a AT computer (33 MHz) between 8 to 10 seconds. It depends on the size of the Knowledge base as well as the complexity of the weed contour.
Verfahrensgemäß wurden die in der Tabelle aufgeführten 22 Pflanzenspezies auf dem Feld im Keimblattstadium zunächst mit einer Kamera aufgenommen und anschließend mit einer Erkennungsstrategie aus 40 Fouriertranskriptoren, dem Formfaktor, der Spannweite und Fuzzy Logik wiedererkannt.According to the procedure, the 22 plant species listed in the table were in the field recorded in the cotyledon stage first with a camera and then with a Recognition strategy of 40 Fourier transcriptors, the form factor, the span and Fuzzy logic recognized.
Die Ergebnisse sind in der folgenden Tabelle aufgeführt:The results are listed in the following table:
Durch geeignete Wahl der Erkennungsstrategie und durch Gruppenbildung bei den Unkräutern nach Herbizidsensibilität kann sogar im Keimblattstadium eine ähnlich hohe Wiedererkennungsrate wie bei Unkräutern im Laubblattstadium erzielt werden.By appropriate choice of the recognition strategy and by group formation in the Weeds after herbicide sensitivity may have a similar high level even in the cotyledonous stage Recognition rate can be achieved as weeds in the leaf leaf stage.
Ein Beispiel für die Unkrautbekämpfung im Keimblattstadium für Zuckerrübenfelder gibt folgende Tabelle: An example of weed control at the cotyledon stage for sugar beet fields is given following table:
In der Tabelle bedeuten:
Gruppe I: Herbizidmischung, bestehend aus Phenmedipham (PMP), Desmedipham
(DMP) und Ethofumesate als Wirkstoffe in einer Aufwandmenge von 1,5 l/ha.
Gruppe II: Herbizidmischung, bestehend aus Phenmedipham (PMP), Desmedipham
(DMP) und Ethofumesate als Wirkstoffe in einer Aufwandmenge von 2,0 l/ha.
Gruppe III: Herbizidmischung, bestehend aus Metamitron als Wirkstoff in einer
Aufwandmenge von 1,5 kg/ha.
In the table mean:
Group I: herbicide mixture consisting of phenmedipham (PMP), desmedipham (DMP) and ethofumesate as active ingredients at a rate of 1.5 l / ha.
Group II: Herbicide mixture consisting of phenmedipham (PMP), desmedipham (DMP) and ethofumesate as active ingredients at a rate of 2.0 l / ha.
Group III: herbicide mixture consisting of metamitron as the active ingredient at a rate of 1.5 kg / ha.
Mit dem vorgestellten Verfahren zur automatischen Bonitur können die Unkräuter eines Feldes ohne den bisher üblichen ernormen Zeitaufwand kartiert und anschließend zielgerichtet bekämpft werden.With the presented method for the automatic scoring the weeds of a Fields mapped without the hitherto usual enormous expenditure of time and then be fought purposefully.
Dazu wird zunächst das Feld in ein Gittersystem (Grid System) eingeteilt, wobei die Koordinaten eines jeden Gitters bekannt sind und in ein geographisches Informationssystem (GIS) gespeichert werden. Durch Stichprobennahme im Feld, d. h. Erstellen von Videoaufnahmen für jedes Gitter, wird die Unkrautpopulation eines jeden Gitters aufgenommen. Die durch die Kamera erstellten Digitalbilder werden dem Computer zur Auswertung übergeben. Entsprechend der Unkrautpopulation eines jeden Gitters berechnet ein Herbizid-Optimierungsprogramm die jeweils optimale Aufwandmenge des Herbizids für jedes Gitter. Die so im geographischen Informationssystem erstellte Dosiskarte wird einem geeigneten Bordcomputer bzw. Spritzcomputer einer Pflanzenschutzspritze übergeben. Während der Applikation auf dem Feld fragt der Computer laufend die Position des Schleppers ab und vergleicht diese Daten mit der Dosiskarte. Entsprechend wird dann die Ausbringungsmenge des Herbizids durch den Computer nach oben bzw. unten korrigiert (s. Anwendungsbeispiel 4-6).First, the field is divided into a grid system (Grid System), where the Coordinates of each grid are known and in a geographical Information System (GIS). By sampling in the field, d. H. Creating video footage for each lattice, the weed population will be each one Grids recorded. The digital images created by the camera become the Hand over computer for evaluation. According to the weed population of each one Gitters calculates a best each herbicide optimization program Application rate of the herbicide for each grid. The so in the geographical Information system created dose card is a suitable on-board computer or Transfer spray computer to a sprayer. During the application on the Field, the computer continuously queries the position of the tractor and compares this data with the dose card. Accordingly, then the output of the herbicide by correct the computer up or down (see Application Example 4-6).
Zur Positionsbestimmung wird ein Geopositionierungssystem (GPS) benutzt, das über ein entsprechendes Korrekturverfahren (DGPS, Differential GPS) eine Ortungsgenauigkeit von bis zu 1 m ermöglicht.To determine the position, a Geopositionierungssystem (GPS) is used, which via a corresponding correction method (DGPS, Differential GPS) a tracking accuracy of up to 1 m.
Bisher scheiterte eine derartige Unkrautbekämpfung in der Praxis an dem enormen Zeitaufwand, der für die Bonitur eines jeden Gitters erforderlich war.So far, such a weed control failed in practice at the enormous Time required to score each grid.
Mit dem vorgestellten Verfahren zur automatischen Bonitur wird bei entsprechender Rechengeschwindigkeit des verwendeten Computers auf dem Feld eine "Echtzeit- Erkennung" und entsprechende Bekämpfung möglich. With the presented method for automatic scoring is with appropriate Computing speed of the computer used in the field a "real-time Detection "and appropriate control possible.
Dazu wird eine Pflanzenschutzspritze mit optoelektronischen Sensoren so ausgerüstet, daß einzelne Düsen bzw. Teilbereiche der Spritze vom Sensor kontrolliert werden. Bei der Fahrt über das Feld wird die Unkrautpopulation eines Beobachtungsbereiches erkannt und eine optimale Herbizid-Aufwandmenge berechnet, die dann entsprechend ausgebracht wird (s. auch Anwendungsbeispiel 5).For this purpose, a crop protection syringe is equipped with optoelectronic sensors so that individual nozzles or partial areas of the syringe are controlled by the sensor. In the Driving across the field, the weed population of an observation area is detected and calculated an optimal herbicidal application rate, which is then applied accordingly (see also application example 5).
Als geeignete Pflanzenschutzspritze bieten sich Direkteinspeisungssysteme an, die neben einer Dosisvariation auch noch verschiedene Herbizide - je nach vorhandener Unkrautpopulation - miteinander kombinieren können.Suitable plant protection syringes are direct injection systems that are used alongside a dose variation also different herbicides - depending on the existing Weed population - can combine with each other.
Claims (7)
- i) zunächst eine Erkennung und Unterscheidung des Unkrauts durchgeführt wird, wobei
man
- a) mit einer infrarotsensiblen elektronischen Kamera mit vorgeschaltetem Infrarotfilter, der Licht der Wellenlänge λ = 650-1100 nm passieren läßt, auf dem Feld Unkräuter aufnimmt,
- b) diese Aufnahmen mit einem Bildverarbeitungssystem nach dem bimodalen System binarisiert,
- c) die erhaltenen Daten des Binärbildes des Unkrauts einer Konturextraktion unterwirft,
- d) diese Daten des Unkrauts in eine Polar-Vektor-Beschreibung transformiert,
- e) diese Polar-Vektor-Beschreibung als Winkelfunktion interpretiert und einer Fourierreihenentwicklung unterwirft und anschließend
- f) zusätzlich einen Formfaktor als Merkmal für die Kompaktheit eines Unkrauts berechnet,
- g) zusätzlich die Spannweite als Merkmal für den Schwerpunkt eines Unkrauts berechnet,
- h) eine Größenskalierung vornimmt und damit bereits eine Vorauswahl im Hinblick auf kleine und große Unkräuter trifft,
- i) die daraus erhaltenen Daten automatisch in einer Wissensbasis abspeichert und schließlich
- j) die Kontur unbekannter Unkräuter extrahiert, die Merkmale bestimmt und mit den in der Wissenbasis gespeicherten Werten nach dem Prinzip der künstlichen Intelligenz (Fuzzy Logik) vergleicht, was die Erkennung ermöglicht, und
- ii) nach der Erkennung das Unkraut auf dem zu behandelnden Feld mit geeigneten Vorrichtungen und mit geeigneten Herbiziden zielgerichtet bekämpft werden kann.
- i) first a detection and differentiation of the weeds is carried out, wherein one
- a) with an infrared-sensitive electronic camera with an upstream infrared filter that allows light of wavelength λ = 650-1100 nm to pass on the field picks weeds,
- b) binarizing these images with a bimodal system image processing system,
- c) subjecting the obtained data of the binary image of the weed to a contour extraction,
- d) transforming this weed data into a polar vector description,
- e) interprets this polar vector description as an angle function and subjects it to a Fourier series development and then
- f) additionally calculates a shape factor as a feature of the compactness of a weed,
- g) additionally calculating the span as a characteristic of the center of gravity of a weed,
- h) size scaling and thus already pre-selection with regard to small and large weeds,
- i) automatically stores the data obtained from it in a knowledge base and finally
- j) extracts the contour of unknown weeds, which determines characteristics and compares them with the values stored in the knowledge base according to the principle of artificial intelligence (fuzzy logic), which enables detection, and
- (ii) after detection, the weed on the field to be treated can be controlled with appropriate equipment and with appropriate herbicides.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE4329343A DE4329343A1 (en) | 1993-08-27 | 1993-08-27 | Image-analytical method, suitable for use in the field, for the automatic detection and combatting of types of weed |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE4329343A DE4329343A1 (en) | 1993-08-27 | 1993-08-27 | Image-analytical method, suitable for use in the field, for the automatic detection and combatting of types of weed |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE4329343A1 true DE4329343A1 (en) | 1995-03-09 |
Family
ID=6496468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE4329343A Ceased DE4329343A1 (en) | 1993-08-27 | 1993-08-27 | Image-analytical method, suitable for use in the field, for the automatic detection and combatting of types of weed |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE4329343A1 (en) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2718921A1 (en) * | 1994-04-20 | 1995-10-27 | Deutsche Forsch Luft Raumfahrt | Process for the metered, specific and adequate delivery of nutritive and phytosanitary substances in agriculture or horticulture, and device for the implementation of said process. |
| NL1002710C2 (en) * | 1996-03-26 | 1997-09-30 | Kamps De Wild B V | Method and device for supplying material to crop standing on a surface. |
| EP0900451A1 (en) * | 1996-04-03 | 1999-03-10 | Patchen, Inc. | Apparatus and method for spraying herbicide on weeds in a cotton field |
| WO1999017606A1 (en) * | 1997-09-24 | 1999-04-15 | Hardi International A/S | A method and an apparatus for detecting, classifying and treatment of vegetation |
| FR2770969A1 (en) * | 1997-11-14 | 1999-05-21 | Cemagref | Electrical selective weedkiller |
| DE10258347A1 (en) * | 2002-12-12 | 2004-07-08 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Egg clutch or young animal detection method for use in agricultural or horticultural environments, comprises sensors mounted on the front of processing machinery that detect raised temperatures and control machinery accordingly |
| DE102010048298A1 (en) | 2010-10-14 | 2012-04-19 | Johnson Controls Systems & Service Gmbh | Device for detecting growth of biological sample i.e. plant, has camera moved along traverse path above biological samples, where samples are stored in database and represented as tile picture |
| WO2012122988A1 (en) * | 2011-03-16 | 2012-09-20 | Syddansk Universitet | Spray boom for selectively spraying a herbicidal composition onto dicots |
| EP2591654A1 (en) | 2011-11-09 | 2013-05-15 | Deere & Company | Assembly and method for automatic documentation of situations in outdoor work |
| DE202016004430U1 (en) | 2016-07-20 | 2016-08-04 | Christian Schlemmer | System for automatic detection of plants |
| EP3262935A1 (en) * | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Method for combating undesired plant growth |
| DE102016224781A1 (en) * | 2016-12-13 | 2018-06-14 | Robert Bosch Gmbh | Method for operating a plant protection system, plant protection system |
| DE102017124934A1 (en) | 2017-10-25 | 2019-04-25 | M-Farms Gmbh | System for semi-automatic and / or automatic weed removal |
| US10817755B2 (en) | 2018-06-22 | 2020-10-27 | Cnh Industrial Canada, Ltd. | Measuring crop residue from imagery using a machine-learned classification model in combination with principal components analysis |
| US11560680B2 (en) * | 2017-07-06 | 2023-01-24 | Bayer Aktiengesellschaft | Apparatus for weed control |
| US11832609B2 (en) | 2020-12-21 | 2023-12-05 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
| US11944087B2 (en) | 2020-12-21 | 2024-04-02 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
| US12075769B2 (en) | 2020-12-21 | 2024-09-03 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3906215A1 (en) * | 1989-02-28 | 1990-08-30 | Robert Prof Dr Ing Massen | AUTOMATIC CLASSIFICATION OF PLANTS |
| DE4135881A1 (en) * | 1991-10-31 | 1993-05-06 | Hassan Prof. Duebendorf Ch Nour Eldin | Method for determining object contours - using video camera or ultrasonic emissions to scan object surface, converting received data into binary signals, and displaying object as white on black background to facilitate line by line scanning |
| DE4211171A1 (en) * | 1992-04-03 | 1993-10-07 | Diehl Gmbh & Co | Pattern recognition scanning for plant inspection - rotating cylindrical objects about longitudinal axis under scanning camera to generate image for input to evaluation circuit, and cross-correlation used to train neural network |
-
1993
- 1993-08-27 DE DE4329343A patent/DE4329343A1/en not_active Ceased
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3906215A1 (en) * | 1989-02-28 | 1990-08-30 | Robert Prof Dr Ing Massen | AUTOMATIC CLASSIFICATION OF PLANTS |
| DE4135881A1 (en) * | 1991-10-31 | 1993-05-06 | Hassan Prof. Duebendorf Ch Nour Eldin | Method for determining object contours - using video camera or ultrasonic emissions to scan object surface, converting received data into binary signals, and displaying object as white on black background to facilitate line by line scanning |
| DE4211171A1 (en) * | 1992-04-03 | 1993-10-07 | Diehl Gmbh & Co | Pattern recognition scanning for plant inspection - rotating cylindrical objects about longitudinal axis under scanning camera to generate image for input to evaluation circuit, and cross-correlation used to train neural network |
Non-Patent Citations (5)
| Title |
|---|
| ERNST: "Einführung in die digitale Bildverar- beitung", Franzis-Verlag GmbH, München 1991, S. 21, 222-225, 234-237 * |
| FRANZ/GEBHARDT/UNKLESBAY "Shape Description of Completely Visible and Partially Occluded Leaves for Identifying Plants in Digital Images" in: Trans. of the ASAE, Vol. 34(2), 1991, pp.673-681 * |
| KÜHBAUCH/BESTAJOVSKY"Bestimmung der Liquifizierungin Lucerne mjit Hilfe der Quantitativern Bild- analyse" in: angew. Botanik 57, 1983, S.381-389 * |
| PETRY/KÜHBAUCH "Automatisierte Unterscheidung von Unkrautsorten nach Fermparametern mit Hilfe der Quantitiven Bildanalyse" in J. Agronomy & Crop Science 163, 1989, pp.345-351 * |
| THOMPSON et al.: "Potential for automatic weed detection and selective herbicide application" in: Crop Protection, Vol. 10, August 1991, pp. 254-259 * |
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NL1000061C2 (en) * | 1994-04-20 | 1996-06-03 | Deutsche Forsch Luft Raumfahrt | Method for the targeted, specific, dosed application of food and treatment agents in arable farming or horticulture and equipment for carrying out the method. |
| FR2718921A1 (en) * | 1994-04-20 | 1995-10-27 | Deutsche Forsch Luft Raumfahrt | Process for the metered, specific and adequate delivery of nutritive and phytosanitary substances in agriculture or horticulture, and device for the implementation of said process. |
| NL1002710C2 (en) * | 1996-03-26 | 1997-09-30 | Kamps De Wild B V | Method and device for supplying material to crop standing on a surface. |
| EP0797916A1 (en) * | 1996-03-26 | 1997-10-01 | Kamps de Wild B.V. | Method and device for supplying material to growth present on a surface |
| EP0900451A4 (en) * | 1996-04-03 | 1999-11-24 | Patchen Inc | Apparatus and method for spraying herbicide on weeds in a cotton field |
| EP0900451A1 (en) * | 1996-04-03 | 1999-03-10 | Patchen, Inc. | Apparatus and method for spraying herbicide on weeds in a cotton field |
| WO1999017606A1 (en) * | 1997-09-24 | 1999-04-15 | Hardi International A/S | A method and an apparatus for detecting, classifying and treatment of vegetation |
| FR2770969A1 (en) * | 1997-11-14 | 1999-05-21 | Cemagref | Electrical selective weedkiller |
| WO1999025186A1 (en) | 1997-11-14 | 1999-05-27 | Exel Industries | Device for selective and controlled electric weeding |
| DE10258347A1 (en) * | 2002-12-12 | 2004-07-08 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Egg clutch or young animal detection method for use in agricultural or horticultural environments, comprises sensors mounted on the front of processing machinery that detect raised temperatures and control machinery accordingly |
| DE10258347B4 (en) * | 2002-12-12 | 2005-03-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method and device for the detection of objects such as bird beds and animals in agriculture and crop production |
| DE102010048298A1 (en) | 2010-10-14 | 2012-04-19 | Johnson Controls Systems & Service Gmbh | Device for detecting growth of biological sample i.e. plant, has camera moved along traverse path above biological samples, where samples are stored in database and represented as tile picture |
| WO2012122988A1 (en) * | 2011-03-16 | 2012-09-20 | Syddansk Universitet | Spray boom for selectively spraying a herbicidal composition onto dicots |
| EP2685813A1 (en) * | 2011-03-16 | 2014-01-22 | Syddansk Universitet | Spray boom for selectively spraying a herbicidal composition onto dicots |
| EP2685813A4 (en) * | 2011-03-16 | 2014-12-03 | Univ Syddansk | Spray boom for selectively spraying a herbicidal composition onto dicots |
| RU2605775C2 (en) * | 2011-11-09 | 2016-12-27 | Дир Энд Компани | System and method for automated documentation of situations in field operations |
| EP2591654A1 (en) | 2011-11-09 | 2013-05-15 | Deere & Company | Assembly and method for automatic documentation of situations in outdoor work |
| DE102011086021A1 (en) | 2011-11-09 | 2013-05-16 | Deere & Company | Arrangement and method for automatic documentation of fieldwork situations |
| CN109414005B (en) * | 2016-06-28 | 2022-08-23 | 巴斯夫欧洲公司 | Pest control method |
| US11778939B2 (en) | 2016-06-28 | 2023-10-10 | Basf Agro Trademarks Gmbh | Method for pest control |
| EP3262934A1 (en) * | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Method for combating undesired plant growth |
| WO2018001893A1 (en) * | 2016-06-28 | 2018-01-04 | Bayer Cropscience Aktiengesellschaft | Method for pest control |
| EP3262935A1 (en) * | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Method for combating undesired plant growth |
| US10939607B2 (en) | 2016-06-28 | 2021-03-09 | Basf Agro Trademarks Gmbh | Method for pest control |
| CN109414005A (en) * | 2016-06-28 | 2019-03-01 | 巴斯夫欧洲公司 | Pest control method |
| WO2018015030A1 (en) | 2016-07-20 | 2018-01-25 | M-Farms Gmbh | System for automatically recognizing plants |
| DE202016004430U1 (en) | 2016-07-20 | 2016-08-04 | Christian Schlemmer | System for automatic detection of plants |
| US11798275B2 (en) | 2016-07-20 | 2023-10-24 | M-Farms Gmbh | System for automatically recognizing plants |
| US10997416B2 (en) | 2016-07-20 | 2021-05-04 | M-Farms Gmbh | System for automatically recognizing plants |
| DE102017103486A1 (en) | 2016-07-20 | 2018-01-25 | M-Farms Gmbh | System for automatic detection of plants |
| DE102016224781A1 (en) * | 2016-12-13 | 2018-06-14 | Robert Bosch Gmbh | Method for operating a plant protection system, plant protection system |
| US11560680B2 (en) * | 2017-07-06 | 2023-01-24 | Bayer Aktiengesellschaft | Apparatus for weed control |
| DE102017124934A1 (en) | 2017-10-25 | 2019-04-25 | M-Farms Gmbh | System for semi-automatic and / or automatic weed removal |
| WO2019081542A1 (en) | 2017-10-25 | 2019-05-02 | M-Farms Gmbh | System for semi-automatic and/or automatic weed removal |
| US11589570B2 (en) | 2017-10-25 | 2023-02-28 | M-Farms Gmbh | System for semi-automatic and/or automatic weed removal |
| US10817755B2 (en) | 2018-06-22 | 2020-10-27 | Cnh Industrial Canada, Ltd. | Measuring crop residue from imagery using a machine-learned classification model in combination with principal components analysis |
| US11832609B2 (en) | 2020-12-21 | 2023-12-05 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
| US11944087B2 (en) | 2020-12-21 | 2024-04-02 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
| US12075769B2 (en) | 2020-12-21 | 2024-09-03 | Deere & Company | Agricultural sprayer with real-time, on-machine target sensor |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE4329343A1 (en) | Image-analytical method, suitable for use in the field, for the automatic detection and combatting of types of weed | |
| EP3866593B1 (en) | Method for applying a spray to a field | |
| EP3782467B1 (en) | Method for identifying weeds within a defined row of plants of an agricultural area | |
| DE4132637C2 (en) | Process for controlled weed control | |
| DE102020215874A1 (en) | Method of applying a spray to an agricultural area | |
| WO2023094111A1 (en) | Method for identifying weeds in a row of plants of an agricultural field | |
| WO2023110207A1 (en) | Method for identifying weeds in a plant row of an agricultural area | |
| DE102019218189A1 (en) | Method for generating a large number of annotated images | |
| WO2021105017A1 (en) | Method for processing plants in a field | |
| EP4064819B1 (en) | Method for treating plants in a field, for generating training data and for training a neural network | |
| Kehlenbeck et al. | Impact assessment of partial or complete abandonment of glyphosate application for farmers in Germany. | |
| DE102020215876A1 (en) | Method of classifying plants for agricultural purposes | |
| DE102022212169A1 (en) | Method for classifying plants in and/or between rows of plants in an agricultural area | |
| DE102020215877A1 (en) | Method of classifying plants for agricultural purposes | |
| EP4064818B1 (en) | Method for treating plants in a field | |
| EP4262379B1 (en) | Method and device for applying a spraying agent to agricultural land | |
| DE102022212162A1 (en) | Method for determining a plant index of plants in a row of plants in an agricultural area | |
| DE102022212171A1 (en) | Method for classifying plants in and/or between rows of plants in an agricultural area | |
| DE102022207830A1 (en) | Weed detection with polar masks | |
| DE102022212161A1 (en) | Method for determining a width index of plants in a row of plants in an agricultural area | |
| DE202022100123U1 (en) | Intelligent agricultural field monitoring system using IOT sensors and machine learning | |
| DE102022115549A1 (en) | Method for the optimized configuration of a camera system for row detection in a field | |
| Dücker et al. | Potential of herbicide reduction by automatic spot spraying in sugar beet with regard to weed control and biodiversity. | |
| WO2021105006A1 (en) | Method for estimating a course of plant rows | |
| Sökefeld et al. | Sektion 2: Precision Farming und Anwendungstechnik |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| OP8 | Request for examination as to paragraph 44 patent law | ||
| 8125 | Change of the main classification |
Ipc: G06T 7/40 |
|
| 8131 | Rejection |