EP4672961A1 - Vorhersage eines wartungsbedarfs für eine insektenfalle - Google Patents

Vorhersage eines wartungsbedarfs für eine insektenfalle

Info

Publication number
EP4672961A1
EP4672961A1 EP24707070.9A EP24707070A EP4672961A1 EP 4672961 A1 EP4672961 A1 EP 4672961A1 EP 24707070 A EP24707070 A EP 24707070A EP 4672961 A1 EP4672961 A1 EP 4672961A1
Authority
EP
European Patent Office
Prior art keywords
insect trap
time
critical
collection area
state
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.)
Pending
Application number
EP24707070.9A
Other languages
English (en)
French (fr)
Inventor
Matthias Tempel
Fabian Christian BORN
Martijn Diederik POLMAN
Sven Meyer Zu Eissen
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayer AG
Original Assignee
Bayer AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayer AG filed Critical Bayer AG
Publication of EP4672961A1 publication Critical patent/EP4672961A1/de
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
    • A01M1/026—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects combined with devices for monitoring insect presence, e.g. termites
    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
    • A01M1/04—Attracting insects by using illumination or colours
    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/10—Catching insects by using Traps
    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/14—Catching by adhesive surfaces
    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/14—Catching by adhesive surfaces
    • A01M1/145—Attracting and catching insects using combined illumination or colours and adhesive surfaces
    • 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
    • A01M1/00—Stationary means for catching or killing insects
    • A01M1/20—Poisoning, narcotising, or burning insects
    • A01M1/2022—Poisoning or narcotising insects by vaporising an insecticide
    • A01M1/2027—Poisoning or narcotising insects by vaporising an insecticide without heating
    • A01M1/2044—Holders or dispensers for liquid insecticide, e.g. using wicks

Definitions

  • the systems, methods and computer programs disclosed herein relate to predicting maintenance needs for an insect trap.
  • WO2018054767A1 discloses an insect trap that is visited by a user to check whether insects have entered the insect trap. Using a smartphone, the user creates an image of the insects in the trap. Using a computer program, the insects depicted in the image are automatically detected, counted and/or identified.
  • W02020058175A1 and W02020058170A1 disclose an insect trap equipped with a camera.
  • the camera automatically takes images of a collection area of the insect trap in which insects accumulate.
  • the images are transmitted by means of a transmitter unit to a separate computer system, where they can be examined by a user and/or automatically analyzed in order to detect, count and/or identify the insects in the collection area.
  • the insect traps disclosed in W02020058175A1 and W02020058170A1 have the advantage over the insect trap disclosed in WO2018054767A1 that the user does not have to visit the insect traps to check whether insects have entered the insect traps.
  • an insect trap Over time, the condition of an insect trap can change. If a liquid is used in the insect trap to immobilize insects, the liquid may evaporate and/or become contaminated over time. If an adhesive layer is used to immobilize insects, such an adhesive layer may also become contaminated over time. It is also possible that more and more insects accumulate in the trap over time and (automated) detection and/or counting and/or identification of insects is no longer possible because the insects overlap and/or agglomerate in the collection area.
  • An insect trap must therefore be visited and maintained from time to time to ensure its functionality. It would be desirable to know when maintenance is due (at the latest) in order to maintain the functionality of the insect trap.
  • the present disclosure describes means for predicting when maintenance is required.
  • a first subject of the present disclosure is a computer-implemented method for predicting maintenance needs for a camera-monitored insect trap.
  • the method comprises:
  • Receiving data comprising a first image recording, the first image recording showing a collection area of an insect trap at a first time, Determining a first state of the insect trap at the first point in time based on the first image recording,
  • the notification comprising information about the critical time and/or the critical condition.
  • Another subject of the present disclosure is a computer system comprising: an input unit, a control and computing unit and an output unit, wherein the control and computing unit is configured
  • Receiving data comprising a first image recording, the first image recording showing a collection area of an insect trap at a first time
  • the notification comprising information about the critical time and/or the critical condition.
  • Another subject of the present disclosure is a non-transitory computer-readable storage medium having stored thereon software instructions that, when executed by a processor of a computer system, cause the computer system to perform the following steps:
  • Receiving data comprising a first image recording, the first image recording showing a collection area of an insect trap at a first time
  • the notification comprising information about the critical time and/or the critical condition.
  • Another subject of the present disclosure is a system comprising: an insect trap, a camera, a control unit, • an analysis unit and
  • control unit is configured to cause the camera to generate a first image recording, wherein the first image recording shows a collection area of the insect trap at a first point in time
  • analysis unit is configured to determine a first state of the insect trap at the first point in time based on the first image recording
  • the analysis unit is configured to determine a critical point in time based on the first state and the first point in time, wherein the critical state is characterized in that one or more functionalities of the insect trap is/are impaired
  • the output unit is configured to output a message, wherein the message comprises information about the critical point in time and/or the critical state.
  • kits comprising an insect trap and a computer program product, wherein the insect trap comprises a camera or means for receiving a camera, wherein the computer program product comprises program instructions, wherein the program instructions can be loaded into a working memory of a computer system and cause the computer system to carry out the following steps:
  • Receiving data comprising a first image recording, the first image recording showing a collection area of an insect trap at a first time
  • the notification comprising information about the critical time and/or the critical condition.
  • Fig. 1 (a), Fig. 1 (b) and Fig. 1 (c) show exemplary and schematically the determination of a critical point in time based on one or more time-varying states.
  • Fig. 2 shows an exemplary and schematic embodiment of the method for determining the critical point in time in the form of a flow chart.
  • Fig. 3 shows an exemplary and schematic embodiment of a computer system of the present disclosure.
  • Fig. 4 shows an exemplary and schematic illustration of another embodiment of a computer system of the present disclosure.
  • the present disclosure describes means by which the time for maintenance of an insect trap can be predicted. This time is also referred to in this description as the "critical time".
  • the critical time is the time from which limitations on one or more functionalities of the insect trap are to be expected. Maintenance of the insect trap should therefore be carried out up to this critical time in order to maintain the full functionality of the insect trap.
  • insects trap is a device that is visited by insects either randomly or deliberately and that allows a user to detect whether insects are present in an area.
  • the “area” may, for example, be a field or a greenhouse for growing crops, a building (e.g. a warehouse for storing food and/or animal feed, a hospital, a retirement home, a school and/or the like), a room in a building (e.g. a living room, a bedroom, a child’s room, a storage room, a canteen, a hospital ward and/or the like) or another area.
  • a building e.g. a warehouse for storing food and/or animal feed, a hospital, a retirement home, a school and/or the like
  • a room in a building e.g. a living room, a bedroom, a child’s room, a storage room, a canteen, a hospital ward and/or the like
  • another area e.g. a living room, a bedroom, a child’s room, a storage room, a canteen, a hospital ward and/or the like
  • insects includes all stages from the larva (caterpillar, dew larva) to the adult stage.
  • insect trap should not be understood to mean that only insects can get into the insect trap.
  • insect trap was chosen because such traps are mainly used to check whether insects are present in an area.
  • the insect trap can also be used to detect the presence of other arthropods (lat. Arthropoda), e.g. the presence of spiders. It is also conceivable that the insect trap is used to detect the presence of a defined species in an area and is accordingly prepared to attract and/or immobilize and/or detect this defined species.
  • Examples of such defined species are: codling moth, aphid, thrips wing, fruit pod moth, Colorado potato beetle, cherry fruit fly, cockchafer, European corn borer, plum moth, rhododendron leafhopper, seed moth, scale insect, gypsy moth, spider mite, grape moth, walnut fruit fly, whitefly, large rapeseed stem weevil, spotted cabbage stem weevil, rapeseed pollinator, cabbage pod weevil, cabbage pod midge or rapeseed flea, or a forest pest such as aphid, blue pine jewel beetle, bark beetle, oak jewel beetle, oak Processiffy moth, oak leaf roller, spruce web sawfly, common woodworm, large brown barkeater, pine bushhorn sawfly, pine owl, pine moth, small spruce sawfly, nun moth, horse chestnut leaf miner, gypsy moth, sapwood beet
  • the insect trap may comprise means for immobilising insects.
  • the insect trap may, for example, comprise a bowl filled with a liquid (e.g. water or an aqueous solution). It is conceivable that the liquid comprises a surfactant to reduce surface tension and/or comprises an agent against algae formation and/or comprises an attractant to attract insects. Insects that enter the liquid may, for example, drown in the liquid or be held by the liquid.
  • the insect trap may also comprise a surface provided with glue or another adhesive to which insects adhere.
  • an insect trap does not have to comprise means for immobilising insects; it may be sufficient for the intended use of the insect trap that insects enter the collection area and remain there for a period of time.
  • the insect trap may comprise means for attracting insects. Some insects (e.g. rapeseed pests such as the large rapeseed stem weevil) are attracted by a yellow colour, for example. Some insects (e.g. male food moths) may be attracted by a pheromone. It is also possible to use food for the insects to attract them. Some insects are attracted by electromagnetic radiation of a defined wavelength range. The insect trap may be equipped with a source of electromagnetic radiation that emits electromagnetic radiation of such a defined wavelength range (or several wavelength ranges). However, the insect trap does not have to comprise attractants; it may be sufficient for the intended use of the insect trap that insects accidentally stray into the trap or come into contact with it.
  • the insect trap comprises a collection area.
  • the collection area is an area that insects (or other arthropods) can visit. This can be a flat surface of a board or card or the like. It can also be the bottom of a container. It is possible for the insect trap to comprise several collection areas. It is also conceivable for the insect trap to have different collection areas, for example one collection area for (specific) pests and another collection area for (specific) beneficial organisms.
  • the collection area preferably comprises a flat, smooth or structured surface with a round, oval, elliptical, angular (triangular, square, pentagonal, hexagonal or generally n-sided, with n as a whole number that is greater than or equal to three) cross-section.
  • the cross-section is preferably round or rectangular (in particular square).
  • Walls can extend upwards from the surface to form a container.
  • the container can be cylindrical, conical or box-shaped, for example. It preferably has a round or angular cross-section and the walls extend upwards from the base in a conical shape, with the base surface and wall surface preferably running at an angle of more than 90° and less than 120° to one another. In the case of an angular cross-section, the corners can be rounded.
  • the bottom of the container or the adhesive card or board may have markings and/or a structure that allow automated focusing of the camera and/or that provide a reference, for example to determine the size of an insect.
  • the bottom of the container can have depressions, as described for example in WO2022243150A1, in order to achieve an isolation of insects in the collection area. Isolating facilitates the automated detection, counting and/or identification of insects in the collection area.
  • the collection area can be part of a pest trapping device, such as a yellow trap tray or an optionally glued color board.
  • a pest trapping device such as a yellow trap tray or an optionally glued color board.
  • the insect trap is a trap as described in W02020058175A1, W02020058170A1, WO2021213824A1 or WO2022243150A1.
  • the insect trap is a camera-monitored insect trap. This means that a camera is positioned and aligned in such a way that it can produce images of a collection area (or several collection areas) of the insect trap.
  • a “camera” is a device that can create images in digital form and store them and/or make them available via an interface.
  • a camera usually comprises an image sensor and optical elements.
  • CCD charge-coupled device
  • CMOS complementary metal-oxide-semiconductor
  • the optical elements serve to create the sharpest possible image of the object from which a digital image is to be created on the image sensor.
  • the camera can, for example, be part of a smartphone or tablet computer.
  • the camera is used to generate digital images of the collection area or part thereof.
  • the generated images can be used (i) to detect whether one or more insects are present in the collection area (insect detection), (ii) to count insects in the collection area and/or (iii) to identify insects, i.e. to determine which insect (subclass, superorder, order, suborder, family, genus, species, stage and/or sex) it is.
  • image recording is preferably understood to mean a two-dimensional image of one or more objects.
  • digital means that the image recording can be processed by a machine, usually a computer system.
  • Processcessing is understood to mean the well-known methods of electronic data processing (EDP).
  • Digital images can be processed, edited and reproduced using computer systems and software and can be converted into standardized data formats such as JPEG (graphics format of the Joint Photography Experts Group), PNG Portable Network Graphics) or SVG (Scalable Vector Graphics). Digital images can be visualized using suitable display devices such as computer monitors, projectors and/or printers.
  • JPEG graphics format of the Joint Photography Experts Group
  • PNG Portable Network Graphics PNG Portable Network Graphics
  • SVG Scalable Vector Graphics
  • image content is usually represented and stored as whole numbers. In most cases, these are two-dimensional images that can be binary-coded and, if necessary, compressed.
  • Digital images are usually raster graphics in which the image information is stored in a uniform raster. Raster graphics consist of a grid-shaped arrangement of so-called image points (pixels) in the case of two-dimensional representations, each of which is assigned a color or a gray value.
  • the main characteristics of a 2D raster graphic are therefore the image size (width and height measured in pixels, colloquially also called image resolution) and the color depth.
  • a color is usually assigned to a pixel in a digital image file.
  • the color coding used for a pixel is defined, among other things, by the color space and the color depth.
  • the simplest case is a binary image in which a pixel stores a black and white value.
  • RGB color space RGB stands for the primary colors red, green and blue
  • each pixel consists of three color values, one color value for the color red, one color value for the color green and one color value for the color blue.
  • the color of a pixel is the result of the superposition (additive mixing) of the three color values.
  • the individual color value is discretized into 256 distinguishable levels, which are called tone values and usually range from 0 to 255.
  • the color nuance "0" of each color channel is the darkest.
  • a light source is required to illuminate the collection area so that light (electromagnetic radiation in the infrared, visible and/or ultraviolet range of the spectrum) is scattered/reflected from the illuminated collection area towards the camera.
  • Daylight can be used for this.
  • a lighting unit that provides defined lighting that is independent of daylight. This is preferably installed to the side of the camera so that the camera does not cast a shadow on the collection area.
  • light and “illumination” should not mean that the spectral range is limited to visible light (approximately 380 nm to approximately 780 nm). It is also conceivable that electromagnetic radiation with a wavelength below 380 nm (ultraviolet light: 100 nm to 380 nm) or above 780 nm (infrared light: 780 nm to 1000 pm) is used for illumination.
  • the image sensor and the optical elements are usually adapted to the electromagnetic radiation used.
  • the camera-monitored insect trap comprises a control unit.
  • the control unit can be a component of the camera or a separate device.
  • the control unit is configured to cause the camera to produce one or more image recordings of a collection area or a part thereof.
  • the control unit can be a computer system as described later in the description.
  • the camera can be a component of such a computer system.
  • the one or more image recordings can be individual image recordings or sequences of image recordings (e.g. video recordings).
  • the control unit can be configured to cause the camera to take images at defined times (e.g. once a day at 12 noon) and/or repeatedly at defined time periods (e.g. every hour between 7 a.m. and 8 p.m.) and/or when a defined event occurs (e.g. after sunrise when a defined brightness is reached or as a result of an insect being detected by a sensor) and/or as a result of a command from a user and/or randomly.
  • the control unit can be part of the camera or a device independent of the camera that can communicate with the camera via a wired or wireless connection (e.g. Bluetooth).
  • the insect trap also includes a transmitting unit. Images and/or information can be transmitted to a separate computer system via the transmitting unit. Transmission preferably takes place via a radio network, for example via a mobile network.
  • the transmitting unit can be a component of the control unit or a unit independent of the control unit.
  • the insect trap may include a receiving unit to receive commands from a separate computer system.
  • the transmitting unit and/or the receiving unit can be components of a computer system as described later in the description.
  • the images generated by the camera are typically analyzed automatically to detect, count and/or identify the insects present in the collection area or part thereof.
  • automated means without human intervention.
  • This analysis can be performed by an analysis unit that can be part of the insect trap; however, this analysis can also be performed by an analysis unit that can be part of a separate computer system to which the images are transmitted by means of the transmission unit of the insect trap.
  • the analysis unit can be part of a computer system as described later in the description.
  • the analysis unit can comprise a trained machine learning model that is configured and trained to detect, count and/or identify insects depicted in images. Details on the automated detection, counting and/or identification of insects in images are described in publications on this topic (see e.g.: D. C. K.
  • Amarathunga et al. Methods of Insect Image Capture and Classification: A Systematic Literature Review, Smart Agricultural Technology, Volume 1 , 2021 , 100023 ; C. Zhu et al. : Insect Identification and Counting in Stored Grain: Image Processing Approach and Application Embedded in Smartphones, Mob. Inf. Syst. 2018, 5491706:1-5, W02020058175A1, W02020058170A1).
  • the images generated by the camera can also be used to determine a time-varying state of the insect trap.
  • Such a time-varying state represents one or more properties of the insect trap at a defined point in time.
  • the defined point in time is usually the point in time at which the image was taken, i.e. the point in time at which the image shows the collection area (or part of it) of the insect trap.
  • the state is referred to as time-varying because it usually changes over time.
  • a changed state may therefore exist, i.e. one or more properties of the insect trap may have changed and/or been changed.
  • time-varying can therefore also be described as "changing over time” or "changing over time”.
  • the time-varying state is associated with one or more functionalities of the insect trap.
  • the one or more properties of the insect trap that characterize the state of the insect trap can provide information about whether one or more functionalities of the insect trap are present or whether the one or more functionalities are impaired. This means that one or more functionalities of the insect trap can change, and such a change is reflected by the time-varying state.
  • the insect trap Before reaching a critical point in time, the insect trap usually has full functionality, i.e. no functionality of the insect trap is impaired. All functions that the insect trap is supposed to fulfill are fulfilled. Functions that the insect trap usually has to fulfill are attracting insects and/or immobilizing insects and/or isolating insects in the collection area and/or illuminating the collection area with one or more light sources and/or generating images of the collection area and/or sending images and/or other/further information to a separate computer system and/or other/further functions.
  • the time-varying state of the insect trap reaches a critical state in which one or more functions are impaired, i.e. are no longer fully available: there is a functional impairment.
  • a time-varying state can, for example, indicate the liquid level in a collection area of an insect trap designed as a container.
  • the time-varying state indicates to what extent the container is filled with the liquid and/or how much liquid is present in the container and/or high the liquid level in the container is.
  • the amount of liquid varies over time, as it can increase and/or decrease over time. For example, it can decrease as a result of evaporation; it can also increase as a result of precipitation (e.g. rainwater).
  • the amount of liquid is related to the functionality of the insect trap.
  • the liquid is usually used to immobilize insects in the collection area. If the amount of liquid decreases, it may be that the amount of liquid is no longer sufficient to immobilize insects. If the amount of liquid increases, it is possible that the liquid runs over an edge of the container and carries insects out of the container.
  • insects are only partially covered by liquid when the liquid level in the collection area drops, and the partial coverage of the insects with liquid makes automated detection, counting and/or identification more difficult.
  • the contours of insects may not be clearly visible in an image due to the partial coverage and/or unwanted reflections may occur at the transition points between liquid and insect.
  • a critical state can be reached when the amount of liquid in the collection area has reached a minimum amount or has reached a maximum amount and/or the liquid level has reached a minimum height or has reached a maximum height. If the amount of liquid falls below the minimum amount and/or the liquid level falls below the minimum height, the immobilization of insects can be impaired and/or the automated detection, counting and/or identification of insects in the collection area based on an image of the collection area can be impaired. If the amount of liquid exceeds a maximum value and/or the liquid level exceeds a maximum height, the immobilization of insects in the collection area and/or the automated detection, counting and/or identification of insects in the collection area based on an image of the collection area can be impaired because insects are washed out of the collection area.
  • the amount of liquid in the collection area and/or the height of the liquid level is a time-varying property of the insect trap.
  • the amount of liquid in the collection area and/or the height of the liquid level can be determined from an image of the collection area. Typically, the transition from liquid to water can be seen on the walls of the container and defines the height of the liquid level. Markings on the walls can help quantify the height of the liquid level.
  • an image of the collection area can be generated and the image can be analyzed to determine the height of the liquid level in the container and/or to determine the amount of water in the container. Such an analysis can be automated using image processing and image recognition methods.
  • Another time-varying condition may be the degree of contamination of the collection area. It is possible that over time, contamination may accumulate in the collection area, making automated detection, counting and/or identification of insects difficult. Contaminants may completely or partially obscure insects or clump with them (form agglomerates). Contaminants may be leaves and/or other plant parts, dust, excretions of insects and/or other animals and/or the like.
  • a critical state can be reached when the degree of contamination has become so great that insects can no longer be recognized as individual units in the collection area of the insect trap and/or insects cannot be distinguished from contamination and/or contamination clouds a liquid in the collection area that is used to immobilize insects, so that insects that sink to the bottom in the liquid can no longer be (clearly) recognized and/or dirt particles cover parts of insects and/or dirt particles clump with insects to form agglomerates.
  • the degree of contamination and/or the amount of contamination can be determined from an image of the collection area, for example based on the area covered by dirt particles and/or the number of dirt particles and/or the degree of turbidity of a liquid in the collection area.
  • Dirt particles can be distinguished from insects, for example, based on their morphology and/or size and/or color and/or other/further characteristics.
  • the detection and/or quantification of dirt particles and/or other contamination can be carried out automatically using image processing and image recognition methods. It is possible to train a machine learning model to distinguish dirt particles from insects.
  • Contamination can also be caused, for example, by algae that can form and multiply over time in a liquid used to immobilize insects in the collection area.
  • Algae can cause the liquid to turn green and/or brown and/or become cloudy and/or completely or partially obscure insects, which can make automated detection, counting and/or identification of insects in the collection area difficult.
  • Algae in the collection area can make immobilization difficult or impossible because insects can travel along the algae out of the collection area.
  • the amount of algae in the collection area can be determined automatically from an image of the collection area using image recognition methods, e.g. based on a green or brown coloration and/or turbidity of the liquid in the collection area.
  • a critical state can be reached when the collection area is full. It is possible that a large number of insects have already accumulated in the collection area, which are completely or partially overlapping and/or aggregating into clusters. This can impair the automated detection, counting and/or identification of the insects.
  • the quantity of insects in the collection area can be determined automatically from an image of the collection area using image recognition methods. For this purpose, the techniques described above for the automated detection and counting of insects can be used. A critical condition can be reached when foam forms in a liquid used to immobilize insects in the collection area. This foam can completely or partially block the view of insects in the collection area. It is also possible that insects are no longer immobilized by the liquid.
  • Forming foam can be automatically detected in an image, for example, by an increasing number of bubbles and/or an increasing size of bubbles on the surface of the liquid and/or in the boundary area between the liquid, foam and walls of the container.
  • the air inclusions which are usually round when viewed from above, can be detected and quantified, for example, using pattern recognition methods (image recognition) and/or using a trained machine learning model.
  • a critical state can be reached when the field of view of the camera is so severely restricted by spider webs, plant parts growing into the insect trap (e.g. branches, leaves, roots) and/or other animal or plant organisms and/or structures in the insect trap that insects in the collection area are obscured, making automated detection, counting and/or identification of the obscured insects difficult or impossible. Furthermore, animal structures and/or plant parts in the insect trap can make it difficult and/or impossible to immobilize insects if the insects can get out of the collection area via the structures and/or plant parts.
  • insect trap e.g. branches, leaves, roots
  • other animal or plant organisms and/or structures in the insect trap that insects in the collection area are obscured, making automated detection, counting and/or identification of the obscured insects difficult or impossible.
  • animal structures and/or plant parts in the insect trap can make it difficult and/or impossible to immobilize insects if the insects can get out of the collection area via the structures and/or plant parts.
  • Such structures and/or plant parts can be automatically detected and quantified in images of the collection area, for example by using an increasingly reduced field of view of the camera and/or by using pattern recognition methods and/or by using a trained machine learning model.
  • Contamination can affect not only the collection area, but also the camera and/or parts of it, such as a lens. It is possible that as a result of a deposit, the camera's field of view is restricted and the entire original collection area is no longer recorded. It is conceivable that deposits lead to blurred or partially blurred images. It is possible that water (e.g. rainwater) and/or another liquid (e.g. a liquid from the collection area) gets onto a lens and restricts the field of view and/or leads to blurred images.
  • water e.g. rainwater
  • another liquid e.g. a liquid from the collection area
  • Restrictions of the field of view and/or increasing blurring can be automatically detected and quantified in images of the collection area, for example using pattern recognition methods and/or by means of a trained machine learning model.
  • a critical condition can be reached when a lighting source no longer emits enough light into the collection area to illuminate it, e.g. due to increasing contamination.
  • the decreasing lighting can lead to a loss of contrast and/or increased noise in the images, which in turn can make the automated detection, counting and/or identification of insects more difficult.
  • a decreasing illumination can be automatically detected in an image of the collection area, for example based on a decreasing brightness (e.g. based on a tone value averaged over all or some pixels of the image).
  • a critical state can be reached when unwanted reflections appear in the images and overlay part of the imaged collection area. It is possible that reflections can be observed in the images at certain times, which can be caused by sunlight entering the collection area at a defined angle. It is possible that sunlight enters the collection area at certain times of the day and/or year and causes unwanted reflections there. It is possible that such unwanted reflections are caused by sunlight during were not observed when the insect trap was set up and/or only appeared later. Due to the seasonal changes in the position of the sun, such reflections may only appear at a later point in time (after the insect trap has been set up) and increase over time. Such reflections can make it difficult to automatically detect, count and/or identify insects in the collection area. Reflections in images can be automatically detected and quantified based on characteristic brightness values of image elements that vary over time.
  • a camera takes images of a collection area of the insect trap at regular or irregular intervals. For each image, a time-varying state is automatically determined. It is possible that several time-varying states are determined.
  • time-varying states examples of time-varying states (and parameters that characterize or represent the time-varying state) are:
  • Degree of coloration e.g. green or brown
  • Degree of coloration e.g. green or brown
  • a critical point in time is determined at which the insect trap reaches a critical state.
  • the term “based on” shall mean “at least partly based on” unless explicitly stated otherwise.
  • the term “based on” may mean “with the help of”, “using” or “by means of”.
  • critical states and critical values for parameters that characterize or represent the critical state.
  • Number of insects in the collection area of the insect trap reaches a predefined threshold area of the collection area covered with insects reaches a predefined threshold height of a liquid level in the collection area reaches a predefined lower or upper predefined threshold
  • Amount of liquid in the collection area reaches a predefined lower or upper predefined threshold
  • Amount of liquid in a storage container reaches a predefined lower or upper predefined threshold
  • Turbidity of a liquid in the collection tank reaches a predefined threshold
  • Turbidity of a liquid in a storage tank reaches a predefined threshold
  • Degree of coloration e.g. green or brown coloration
  • Degree of coloration e.g. green or brown coloration
  • a critical state can be reached when one or more parameters that characterize and/or represent the state reach a predefined threshold. If a parameter exceeds or falls below a predefined threshold, a functional impairment of the insect trap is to be expected or a functional impairment of the insect trap is present.
  • a predefined threshold can be set by an expert and/or determined based on empirical studies.
  • the computer system/computer program according to the invention is configured to receive an input from a user that includes the predefined threshold value.
  • the user can set the predefined threshold value himself.
  • the critical point in time at which the critical state is reached can be determined in different ways.
  • the critical point in time can be determined by means of extrapolation.
  • Extrapolation preferably refers to the continuation of a time series beyond the last observed value.
  • the extrapolation is preferably an estimate or prediction based on an observed development trend.
  • At least one parameter is derived from an image recording of the collection area of the insect trap, which shows the collection area at a defined point in time.
  • a further parameter can be derived from a further image recording of the collection area of the insect trap, which shows the collection area at a further defined point in time.
  • a first image recording is received which shows the collection area at a first time ti in a first state Zi
  • a second image recording is received which shows the collection area at a second time in a second state Z2.
  • the second Time may be at a time interval from the first time ti, e.g. at a time interval of one hour or several hours or of one day or several days or of one week or several weeks or of one month or several months.
  • receiving includes both retrieving image recordings (and/or other/further information and/or data) and receiving image recordings (and/or other/further information and/or data) that are transmitted, for example, to the computer system of the present disclosure.
  • the image recordings can be received, for example, by a camera of an insect trap, which transmits the image recordings to the computer system.
  • the image recordings (and/or other/further information and/or data) can be read from one or more data storage devices and/or transmitted from a separate computer system.
  • a first value of a parameter which characterises or represents the first state is determined on the basis of the first image recording and that a second value of the parameter which characterises or represents the second state is determined on the basis of the second image recording.
  • the first value and the second value can be used to extrapolate to a critical value of the parameter.
  • the critical value of the parameter characterizes or represents the critical state of the insect trap.
  • the critical value can be an upper or lower predefined threshold.
  • the extrapolation can continue the temporal development from the first state to the second state.
  • the extrapolation can be based on a linear temporal development of the state.
  • a straight line equation can be determined for the temporal development from the first state to the second state; the straight line can be extended in time beyond the second value until the critical value is reached; the point in time corresponding to the critical value is then the critical point in time.
  • a non-linear function is used as a basis for the temporal development.
  • the temporal development is described by a quadratic or generally polynomial function or an exponential function or a logarithmic function or another function.
  • a function describing the temporal development of a condition can be determined in advance by an expert. Such a function can be determined empirically and used for all insect traps or insect traps of a type or insect traps set up in a country or region. Such a function can also be determined empirically for the type of area in which the presence of insects is to be checked.
  • the extrapolation can also be based on more than two states. It is possible that a third and a fourth and possibly further images are generated.
  • the third image shows the collection area of the insect trap at a third point in time ts (which is usually at a time interval from the second point in time) in a third state Z3.
  • the fourth image shows the collection area of the insect trap at a fourth point in time k (which is usually at a time interval from the third point in time ts) in a fourth state Z4.
  • each image received shows the collection area of the insect trap at a time t q in a q-th state Z q , where q is an integer that indicates how many points in time there are images.
  • the distance between two immediately consecutive points in time t and ti+i (where i is an integer for which 0 ⁇ i ⁇ q) can be the same or different for all immediately consecutive points in time.
  • a state can be determined from each received image.
  • Each state can be described by one or more parameters.
  • Each parameter can be a property of the insect trap represent.
  • a value can be determined that characterizes the respective state.
  • the temporal development of the values can be described (eg approximated) using a function or several functions (eg spline functions). In other words, a regression analysis can be carried out for the values determined as a function of time in order to determine a function (or several functions) or to determine the parameters for a function specified (eg by an expert).
  • the initial value can characterise and/or represent the initial state of the insect trap at the time of setting up and/or installation or after maintenance (e.g. after cleaning and/or after refilling a liquid used in the insect trap to immobilise insects).
  • the number of insects in the collection area of the insect trap may be zero, the degree of contamination may be zero, the degree of turbidity of a liquid used to immobilize insects may be zero or the value of the pure liquid, and/or the degree of coloration may be zero or the value of the pure liquid.
  • the initial value represents the initial state and the one image represents another state at a point in time that is usually some time later than the initial point in time.
  • a temporal development can be derived from the change from the initial state to the other state, which can be extrapolated to the critical state.
  • the critical point in time or state can be determined, in particular, using a trained machine learning model.
  • the other parameters can be parameters that can influence the condition and/or the temporal development of the condition of the insect trap.
  • the temperature in the insect trap in particular in the collection area and/or in the surroundings of the insect trap (e.g. within a radius of a few centimeters and/or meters and/or kilometers).
  • the temperature can be an average (e.g. arithmetically averaged) temperature, which is averaged over a period of one day or several days, for example.
  • the temperature can be a minimum and/or a maximum temperature that occurs within a defined period of time, e.g. one day or several days.
  • algae preferentially grow within a defined temperature range and/or that certain temperature ranges promote algae growth. Typically, algae grow faster with increasing temperature up to a maximum temperature.
  • temperature can also influence the number of insects in the collection area and/or the degree of contamination in the collection area. Many insects are only active in a certain temperature range; for example, if the temperature is too low, they remain in their hiding place. Thus, the probability of insects entering the collection area of the insect trap is low below a temperature that is specific to each insect species.
  • Temperature can influence how quickly liquid in the collection area evaporates. The temperature can be measured continuously or at defined intervals over a period of several days, weeks or months. The temporally varying temperature values can be used to determine the critical point in time.
  • a heat sum can also be used to determine the critical point in time.
  • a "heat sum” is the sum of certain temperature values within a defined period of time, e.g. the hourly measured temperature values inside or outside the insect trap over a period of, for example, twenty-four hours. The temperature can also be measured continuously and the temperature values can be integrated over a defined period of time (e.g. 24 hours).
  • Sunshine duration is the actual duration of direct sunlight at a specific location within a defined period of time (e.g. day, week, month, season or year).
  • the electromagnetic radiation emitted by the sun is essential for the growth of plants and has an influence on the temperature in the insect trap and its surroundings. It can have an influence on the growth of algae in a liquid that is used to immobilize insects in the collection area of the insect trap. It can have an influence on how many insects are in the area around the insect trap and get into the insect trap. It can have an influence on how quickly a liquid in the collection area evaporates. It can have an influence on how quickly the liquid becomes dirty, becomes cloudy and/or takes on an increasing color.
  • the sunshine duration can be measured continuously over a period of several days, weeks or months. Instead of the sunshine duration or in addition to the sunshine duration, the radiation intensity of the sun at the location of the insect trap and/or in its surroundings can be measured and used to determine the critical point in time.
  • Another parameter that can be used to determine the critical point in time is the duration and/or amount of rain.
  • Rain can affect how many insects are in the area surrounding the insect trap and thus enter the insect trap.
  • Rain can affect whether and/or how much dirt and/or water enters the collection area.
  • the amount and/or duration of rain can be measured continuously over a period of days, weeks or months.
  • Other parameters that influence the functional impairment of the insect trap and can be used to determine the critical point in time are the air humidity, the wind speed and/or the wind direction, the air pressure at the location of the insect trap and/or in its surroundings, the type and/or quantity of plants growing in the vicinity of the insect trap and/or their distance from the insect trap, the duration and/or intensity of pollen flight at the location of the insect trap and/or in its surroundings, the type and quantity of bodies of water in the vicinity of the insect trap and/or their distance from the insect trap, the location of the insect trap (e.g. in the form of longitude and latitude information) and/or the like.
  • a migration direction of insects and/or the species and/or quantities of insects detected and/or counted and/or identified in other insect traps e.g. neighboring insect traps and/or insect traps in an area of several meters or kilometers
  • seasonal insect movements can be taken into account in determining the critical time.
  • Parameters such as temperature, sunshine duration, radiation intensity, wind strength, wind direction, air humidity, rainfall amount, rainfall duration, pollen count and insects in the environment can be measured with sensors that can be part of the insect trap and/or that can be stationed at the location of the insect trap and/or in its surroundings.
  • the parameters can be measured at defined time intervals and/or continuously.
  • the parameters can be measured via a Transmitter unit of the insect trap and/or via a separate transmitter unit to a separate computer system.
  • the parameters mentioned are obtained from one or more databases, e.g. from databases of weather services and/or meteorological stations, and/or agronomic databases.
  • databases of weather services and/or meteorological stations e.g. from databases of meteorological stations, and/or agronomic databases.
  • past experience with the insect trap and/or with insect traps of the same type and/or with insect traps in the area can be taken into account in determining the critical point in time.
  • Information about the location of the insect trap e.g. in the form of GPS coordinates
  • the altitude of the location of the insect trap above sea level can also be used to determine the critical time.
  • the determination of the critical point in time can be based on a regression analysis, as described above.
  • Regression analysis is a statistical method for modelling the relationships between one or more (dependent) parameters that characterise and/or represent the condition of the insect trap and one or more (independent) parameters that influence the condition of the insect trap.
  • a mathematical function with function parameters can be specified (e.g. by an expert), and in the regression analysis, the measured values of various (measurement) parameters can be used to modify the function parameters so that the final function describes and/or approximates the temporal course of one or more states (represented by one or more (measurement) values) as best as possible.
  • Such a “machine learning model” can be understood as a computer-implemented data processing architecture.
  • the model can receive input data and provide output data based on that input data and model parameters.
  • the model can learn a relationship between the input data and the output data through training.
  • model parameters can be adjusted to provide a desired output for a given input.
  • the model When training such a model, the model is presented with training data from which it can learn.
  • the trained machine learning model is the result of the training process.
  • the training data includes the correct output data (target data) that the model should generate based on the input data.
  • patterns are recognized that map the input data to the target data.
  • the input data of the training data is fed into the model and the model generates output data.
  • the output data is compared with the target data.
  • Model parameters are changed so that the deviations between the output data and the target data are reduced to a (defined) minimum.
  • An optimization method such as a gradient method can be used to modify the model parameters with a view to reducing the deviations.
  • the deviations can be quantified using a loss function.
  • a loss function can be used to calculate a loss for a given pair of output data and target data.
  • the goal of the training process can be to To change (adjust) parameters of the machine learning model so that the error for all pairs of the training data set is reduced to a (defined) minimum.
  • the error function can be the absolute difference between those numbers.
  • a high absolute error may mean that one or more model parameters need to be changed significantly.
  • difference metrics between vectors such as the mean square error, a cosine distance, a norm of the difference vector such as a Euclidean distance, a Chebyshev distance, an Lp norm of a difference vector, a weighted norm, or another type of difference metric of two vectors can be chosen as the error function.
  • an element-wise difference metric can be used.
  • the output data can be transformed, e.g. into a one-dimensional vector, before calculating an error value.
  • the machine learning model can be trained to predict a critical point in time at which the insect trap reaches a critical state that impairs the functionality of the insect trap based on input data that represent one or more time-varying states of an insect trap at one or more points in time. Additional input data can be used to predict the critical point in time, such as the parameters described in this description that have an influence on the functionality of the insect trap and thus on the critical point in time.
  • Such training can be based on training data which, for each insect trap of a plurality of insect traps, includes i) data on the temporal progression of one or more states of the insect trap as input data and ii) data on the critical point in time at which the functionality of the insect trap is impaired as target data.
  • training data which, for each insect trap of a plurality of insect traps, includes i) data on the temporal progression of one or more states of the insect trap as input data and ii) data on the critical point in time at which the functionality of the insect trap is impaired as target data.
  • One or more of the parameters described in this description which influence the functionality of the insect trap and thus the critical point in time can be used as further input data.
  • the input data may include, for each insect trap, one or more values for parameters that represent and/or characterize one or more states of the insect trap at different points in time.
  • the input data may include, for one or more points in time, one or more of the following:
  • Degree of coloration e.g. green or brown
  • Degree of coloration e.g. green or brown
  • Size and/or number of areas in the collection area where reflections occur Size and/or number of areas in the collection area where air bubbles and/or foam occur Area of the collection area covered with foam and/or air bubbles
  • the input data also includes information about the one or more points in time.
  • Points in time can be specified as absolute data (e.g. in the form of a date and a time) and/or in the form of a time difference to the time of a defined event.
  • the time of the defined event can be, for example, the time of setting up and/or starting up the insect trap and/or the time of the last maintenance.
  • the input data may include additional data such as:
  • Amount of rain at the location of the insect trap over one or more defined periods of time e.g. 24 hours
  • Minimum, maximum and/or average air pressure in the insect trap and/or in the area surrounding the insect trap over one or more defined periods of time e.g. 24 hours
  • Minimum, maximum and/or average air humidity in the insect trap and/or in the area surrounding the insect trap over one or more defined periods of time e.g. 24 hours
  • Minimum, maximum and/or average wind speed in the insect trap and/or in the area surrounding the insect trap over one or more defined periods of time e.g. 24 hours
  • Duration of sunshine over one or more defined periods of time e.g. 24 hours
  • Radiation intensity of the sun at the location of the insect trap over one or more defined periods of time e.g. 24 hours
  • the input data is fed into the machine learning model.
  • the machine learning model generates an output based on the input data and model parameters.
  • This output can be a predicted critical point in time.
  • the predicted critical point in time can be compared with the respective critical point in time of the training data (target data).
  • target data Using an error function, the deviation between the output and the target data can be quantified.
  • the deviations can be reduced by modifying model parameters. If the deviations reach a defined minimum and/or the values determined using the If the errors calculated using the error function reach a plateau, ie if the errors can no longer be reduced by further modifying the model parameters, training can be terminated.
  • the trained machine learning model can be used for prediction.
  • new input data can be presented to the trained machine learning model.
  • the term "new" means that this data was not already used when training the machine learning model.
  • the new input data includes values of parameters that represent one or more time-varying states of the insect trap at one or more points in time.
  • the input data can include values of other parameters that can have an influence on the functionality of the insect trap.
  • the new input data can be fed into the trained machine learning model and the machine learning model can output a predicted critical time.
  • the machine learning model can be or include one or more of the following models: artificial neural network, random forest, support vector machine, gradient boosted trees.
  • the machine learning model is or comprises an artificial neural network.
  • An “artificial neural network” comprises at least three layers of processing elements: a first layer with input neurons (nodes), an Nth layer with at least one output neuron (node), and N-2 inner layers, where N is a natural number and greater than 2.
  • the input neurons are used to receive the input data. Typically, there is one input neuron for each value of the input data.
  • the output neurons can be used to output a critical point in time (output data).
  • the processing elements of the layers between the input neurons and the output neurons are connected in a predetermined pattern with predetermined connection weights.
  • the neural network can be trained using a backpropagation method, for example.
  • the aim is to map the input data to the output data as reliably as possible.
  • the quality of the prediction is described by an error function.
  • the aim is to minimize the error function.
  • the backpropagation method is used to train an artificial neural network by changing the connection weights.
  • connection weights between the processing elements contain information regarding the relationship between one or more time-varying states of insect traps at one or more points in time and the critical times at which a critical state is reached, which can be used.
  • the artificial neural network is or comprises a recurrent neural network (RNN).
  • RNN recurrent neural network
  • RNNs Recurrent neural networks
  • the architecture for an RNN includes cycles. The cycles represent the influence of a present value of a variable on its own value at a future time, as at least part of the output data is used by the RNN as feedback to process subsequent inputs in a sequence.
  • An example of an RNN is the so-called Long Short-Term Memory (LSTM) network (see e.g.: B. Lindemann et al. '. A Survey on Long Short-Term Memory Networks for Time Series Prediction, 2020, 10.13140/RG.2.2.36761.65129/1).
  • LSTM Long Short-Term Memory
  • an artificial neural network directly on the basis of the images, i.e. it is not necessary to obtain one or more values of parameters that represent or characterize the time-varying state of the insect trap from the images in a first step, e.g. using image recognition methods. It is possible to enter one or more images directly as input data into the artificial neural network. Preferably, with each image, a time indication is also entered into the artificial neural network, which indicates at what point in time (absolutely or in relation to other points in time at which further images were generated) the respective image was generated. Information can be used as target data for each image that indicates when a critical point in time was reached for an insect trap whose collection area is shown in the at least one image. Information can also be used as target data about which critical state was reached at the critical point in time, i.e. which functionality(s) was/were impaired.
  • the artificial neural network can therefore be trained to predict a critical point in time for reaching a critical state and optionally the respective critical state based on images taken at different points in time and showing collection areas of insect traps where there is (as yet) no functional impairment or where one or more functional impairments are present.
  • the critical time obtained by extrapolation and/or regression and/or predicted by a trained machine learning model can be output, i.e. displayed on a screen, printed on a printer, stored in a data storage and/or transmitted to a separate computer system over a network.
  • information about the critical state is output. For example, it can be output which critical state will be reached at the critical time. Information can be output about one or more measures that a user should take to prevent functional impairment. It is possible that an earlier time is output instead of or in addition to the critical time. The earlier time can give the user a time period within which the user can carry out maintenance on the insect trap before the critical state is reached. It is possible for the user to set this time period themselves. For example, it is possible for the user to configure the computer system/computer program to output a time that is one day or several days or a week or another time period before the critical time is reached.
  • warning message can be sent to the user a defined period of time before the critical point is reached.
  • the warning message can inform the user that the insect trap will reach a critical state after the defined period of time has elapsed and that maintenance should be carried out within the critical period of time to prevent functional impairment.
  • a probability e.g. to predict using the machine learning model
  • the probability can be output.
  • the probability can be compared with a predefined threshold. If the probability reaches or exceeds the predefined threshold, a message can be issued that a functional impairment is to be expected within the period of time for which the probability was determined.
  • the functional impairment that is to be expected can also be output. It is possible that the determination of the critical point in time is continuously updated.
  • the determination of the critical point in time can be based on all time-variable states that were determined from an initial state. It is possible that determined time-variable states at later points in time are given a higher weighting, i.e. taken into account to a greater extent, than states at earlier points in time. It is also possible that only time-variable states from a number of previous points in time are taken into account, e.g. the last two or the last three or the last four or the last five or the last six or another number.
  • Fig. 1 (a), Fig. 1 (b) and Fig. 1 (c) show exemplary and schematically the determination of a critical point in time based on one or more time-varying states.
  • Fig. 1 (a), Fig. 1 (b) and Fig. 1 (c) show the temporal development of a parameter P in the form of a two-dimensional Cartesian coordinate system.
  • the ordinate represents the parameter P
  • the abscissa represents the time t.
  • the parameter P is a time-varying parameter because it changes with time t.
  • the parameter P represents and/or characterizes a time-varying state of an insect trap.
  • the parameter P can, for example, be one of the following values:
  • Degree of coloration e.g. green or brown
  • Degree of coloration e.g. green or brown
  • the parameter P has the value Po-
  • the initial time to can, for example, be the time at which the insect trap was set up and/or first put into operation and/or subjected to maintenance and/or cleaning.
  • the parameter P reaches the value P ⁇ .
  • the parameter P ⁇ is determined on the basis of a first image recording h, which shows a collection area of the insect trap at the first time ti in a first state Zi.
  • Fig. 1 (b) shows the continuation of the straight line G in dashed form.
  • the time at which the parameter P reaches a critical value k is the critical time tk.
  • the insect trap reaches a critical state Zk (represented and/or characterized by the value k of the parameter P). From this point onwards, a functional impairment of the insect trap can be expected.
  • the critical time tk can be calculated using the following equation:
  • Fig. 1 (c) it is shown that in addition to the first image recording h, there is also a second image recording P and a third image recording h.
  • the second image recording P shows the collection area of the insect trap at a second time p in a second state Z2 (represented and/or characterized by the value 2).
  • the third image recording p shows the collection area of the insect trap at a third time ts in a third state Z3 (represented and/or characterized by the value P3).
  • the temporal progression of the parameter P can be approximated by the straight line G'.
  • the straight line G' can be obtained by means of linear regression on the basis of the points (to, Po), (ti, Pi), fe 2) and ( s, P3).
  • the straight line G' can be extended beyond the point ( s, P3) in order to continue the temporal development trend of the parameter P described by the straight line G'. If the straight line G' reaches the value k, the critical point in time tk, from which a functional impairment of the insect trap is to be expected (critical state Zk), is reached.
  • Linear regression does not have to include all points; it is conceivable that linear regression is carried out on the basis of only a subset of the points; for example, on the basis of the points from the last two or three previous points in time.
  • Fig. 1 (a), Fig. 1 (b) and Fig. 1 (c) it is assumed that the parameter P only depends on time. It is possible that the temporal development of the parameter P depends on one or more other independent variables. In such a case the temporal course of the parameter P can be described/approximated by a multivariable regression. Such a multivariable regression can be carried out, for example, with the help of an artificial neural network.
  • Fig. 2 shows an exemplary and schematic embodiment of the method for determining the critical point in time in the form of a flow chart.
  • the method (100) comprises the steps:
  • a “computer system” is an electronic data processing system that processes data using programmable calculation rules. Such a system usually includes a “computer”, the unit that includes a processor for carrying out logical operations, and peripherals.
  • peripherals refers to all devices that are connected to the computer and are used to control the computer and/or as input and output devices. Examples of these are monitors (screens), printers, scanners, mice, keyboards, drives, cameras, microphones, speakers, etc. Internal connections and expansion cards are also considered peripherals in computer technology.
  • Today's computer systems are often divided into desktop PCs, portable PCs, laptops, notebooks, netbooks and tablet PCs as well as so-called handhelds (e.g. smartphones); all of these systems can be used to carry out the invention.
  • the term "computer” should be interpreted broadly to include any type of electronic device with data processing capabilities, including, as non-limiting examples, personal computers, servers, embedded cores, communications devices, processors (e.g., digital signal processors (DSPs), microcontrollers, field programmable gate arrays (FPGAs), application specific integrated circuits (ASICs), etc.), and other electronic computing devices.
  • processors e.g., digital signal processors (DSPs), microcontrollers, field programmable gate arrays (FPGAs), application specific integrated circuits (ASICs), etc.
  • DSPs digital signal processors
  • FPGAs field programmable gate arrays
  • ASICs application specific integrated circuits
  • processor includes any kind of computation or manipulation or transformation of data that is represented as physical, e.g. electronic, phenomena and that may occur or be stored, e.g. in registers and/or memories of at least one computer or processor.
  • processor includes a single processing unit or a plurality of distributed or remote such units.
  • Fig. 3 shows an exemplary and schematic embodiment of a computer system of the present disclosure.
  • the computer system (1) comprises an input unit (10), a control and computing unit (20) and an output unit (30).
  • the control and computing unit (20) is configured to cause the input unit (10) to receive data, the data characterizing an insect trap at one or more points in time, the data comprising a first image recording, the first image recording showing a collection area of an insect trap at a first point in time, to determine a first state of the insect trap at the first point in time based on the first image recording, to determine a critical point in time at which the insect trap reaches a critical state based on the first state and the first point in time, the critical state being characterized in that one or more functionalities of the insect trap is/are impaired, to cause the output unit (30) to output a message, the message comprising information about the critical time and/or the critical condition.
  • Fig. 4 shows an exemplary and schematic illustration of another embodiment of a computer system of the present disclosure.
  • the computer system (1) comprises a processing unit (20) connected to a memory (50).
  • the processing unit (20) may comprise one or more processors alone or in combination with one or more memories.
  • the processing unit (20) may be ordinary computer hardware capable of processing information such as digital images, computer programs and/or other digital information.
  • the processing unit (20) typically consists of an arrangement of electronic circuits, some of which may be implemented as an integrated circuit or as multiple interconnected integrated circuits (an integrated circuit is sometimes referred to as a "chip").
  • the processing unit (20) may be configured to execute computer programs that may be stored in a main memory of the processing unit (20) or in the memory (50) of the same or another computer system.
  • the memory (50) may be ordinary computer hardware capable of storing information such as digital images (e.g. representations of the examination area), data, computer programs and/or other digital information either temporarily and/or permanently.
  • the memory (50) may comprise volatile and/or non-volatile memory and may be permanently installed or removable. Examples of suitable memories are RAM (Random Access Memory), ROM (Read-Only Memory), a hard disk, flash memory, a removable computer diskette, an optical disc, a magnetic tape, or a combination of the above.
  • Optical discs may include read-only compact discs (CD-ROM), read/write compact discs (CD-R/W), DVDs, Blu-ray discs, and the like.
  • the processing unit (20) may also be connected to one or more interfaces (11, 12, 30, 41, 42) to display, transmit and/or receive information.
  • the interfaces may comprise one or more communication interfaces (41, 42) and/or one or more user interfaces (11, 12, 30).
  • the one or more communication interfaces (41, 42) may be configured to send and/or receive information, e.g. to and/or from an MRI scanner, a CT scanner, an ultrasound camera, other computer systems, networks, data storage or the like.
  • the one or more communication interfaces (41, 42) may be configured to transmit and/or receive information via physical (wired) and/or wireless communication connections.
  • the one or more communication interfaces (41, 42) may include one or more interfaces for connecting to a network, e.g., using technologies such as cellular, Wi-Fi, satellite, cable, DSL, fiber optic, and/or the like.
  • the one or more communication interfaces (41, 42) may include one or more short-range communication interfaces configured to connect devices using short-range communication technologies such as NFC, RFID, Bluetooth, Bluetooth LE, ZigBee, infrared (e.g., IrDA), or the like.
  • the user interfaces (11, 12, 30) may comprise a display (30).
  • a display (30) may be configured to display information to a user. Suitable examples include a liquid crystal display (LCD), a light emitting diode display (LED), a plasma display (PDP), or the like.
  • the user input interface(s) (11, 12) may be wired or wireless and may be configured to receive information from a user into the computer system (1), e.g. for processing, storage, and/or display. Suitable examples of user input interfaces (11, 12) include a microphone, an image or video capture device (e.g. a camera), a keyboard or keypad, a joystick, a touch-sensitive surface (separate from or integrated into a touchscreen), or the like.
  • the user interfaces may include automatic identification and data capture (AIDC) technology for contain machine-readable information. These can include bar codes, radio frequency identification (RFID), magnetic stripes, optical character recognition (OCR), integrated circuit cards (ICC) and the like.
  • the user interfaces can further comprise one or more interfaces for communication with peripheral devices such as printers and the like.
  • One or more computer programs (60) can be stored in the memory (50) and executed by the processing unit (20), which is thereby programmed to perform the functions described in this description.
  • the retrieval, loading and execution of instructions of the computer program (60) can be carried out sequentially, so that one command is retrieved, loaded and executed at a time. However, the retrieval, loading and/or execution can also be carried out in parallel.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Pest Control & Pesticides (AREA)
  • Engineering & Computer Science (AREA)
  • Insects & Arthropods (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Catching Or Destruction (AREA)

Abstract

Die hierin offenbarten Systeme, Verfahren und Computer rogramme beziehen sich auf die Vorhersage eines Wartungsbedarfs bei einer Insektenfalle.

Description

Vorhersage eines Wartungsbedarfs für eine Insektenfalle
TECHNISCHES GEBIET
Die hierin offenbarten Systeme, Verfahren und Computerprogramme beziehen sich auf die Vorhersage eines Wartungsbedarfs bei einer Insektenfalle.
EINLEITUNG
WO2018054767A1 offenbart eine Insektenfalle, die von einem Nutzer aufgesucht wird, um zu prüfen, ob Insekten in die Insektenfalle gelangt sind. Mit Hilfe eines Smartphones erzeugt der Nutzer eine Bildaufnahme von den in der Falle befindlichen Insekten. Mit Hilfe eines Computerprogramms werden die in der Bildaufnahme abgebildeten Insekten automatisiert detektiert, gezählt und/oder identifiziert.
W02020058175A1 und W02020058170A1 offenbaren eine Insektenfalle, die mit einer Kamera ausgestattet ist. Die Kamera nimmt automatisiert Bildaufnahmen von einem Sammelbereich der Insektenfalle auf, in dem sich Insekten ansammeln. Die Bildaufnahmen werden mittels einer Sendeeinheit an ein separates Computersystem übermittelt, wo sie von einem Nutzer begutachtet und/oder automatisiert analysiert werden können, um die in dem Sammelbereich befindlichen Insekten zu detektieren, zu zählen und/oder zu identifizieren.
Die in W02020058175A1 und W02020058170A1 offenbarten Insektenfallen haben gegenüber der in WO2018054767A1 offenbarten Insektenfalle den Vorteil, dass der Nutzer die Insektenfallen nicht aufsuchen muss, um zu prüfen, ob Insekten in die Insektenfallen gelangt sind.
Im Laufe der Zeit kann sich der Zustand einer Insektenfalle ändern. Wird eine Flüssigkeit in der Insektenfalle verwendet, um Insekten zu immobilisieren, so kann es sein, dass die Flüssigkeit im Laufe der Zeit verdunstet und/oder verunreinigt wird. Wird eine Klebeschicht verwendet, um Insekten zu immobilisieren, so kann auch eine solche Klebeschicht mit der Zeit verunreinigt werden. Ebenso ist es möglich, dass sich im Lauf der Zeit mehr und mehr Insekten in der Falle ansammeln und ein (automatisiertes) Erkennen und/oder Zählen und/oder Identifizieren von Insekten nicht mehr möglich ist, da sich die Insekten in dem Sammelbereich überlagern und/oder agglomerieren.
Eine Insektenfalle muss daher von Zeit zu Zeit aufgesucht und gewartet werden, um ihre Funktionalität zu gewährleisten. Es wäre wünschenswert zu wissen, wann eine Wartung (spätestens) fällig sein wird, um die Funktionalität der Insektenfalle zu erhalten.
ZUSAMMENFASSUNG
Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche der vorliegenden Offenbarung gelöst. Bevorzugte Ausführungsformen finden sich in den abhängigen Patentansprüchen, der Beschreibung und den Zeichnungen.
Die vorliegende Offenbarung beschreibt Mittel, mit denen der Zeitpunkt für eine Wartung vorhergesagt werden kann.
Ein erster Gegenstand der vorliegenden Offenbarung ist ein computerimplementiertes Verfahren zur Vorhersage eines Wartungsbedarfs bei einer kameraüberwachten Insektenfalle. Das Verfahren umfasst:
Empfangen von Daten, wobei die Daten eine erste Bildaufnahme umfassen, wobei die erste Bildaufnahme einen Sammelbereichs einer Insektenfalle zu einem ersten Zeitpunkt zeigt, Ermitteln eines ersten Zustands der Insektenfalle zu dem ersten Zeitpunkt auf Basis der ersten Bildaufnahme,
Ermitteln eines kritischen Zeitpunkts, zu dem die Insektenfalle einen kritischen Zustand erreicht, auf Basis des ersten Zustands und des ersten Zeitpunkts, wobei der kritische Zustand dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind,
Ausgeben einer Mitteilung, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt und/oder dem kritischen Zustand umfasst.
Ein weiterer Gegenstand der vorliegenden Offenbarung ist ein Computersystem umfassend: eine Eingabeeinheit eine Steuer- und Recheneinheit und eine Ausgabeeinheit, wobei die Steuer- und Recheneinheit konfiguriert ist,
Empfangen von Daten, wobei die Daten eine erste Bildaufnahme umfassen, wobei die erste Bildaufnahme einen Sammelbereichs einer Insektenfalle zu einem ersten Zeitpunkt zeigt,
Ermitteln eines ersten Zustands der Insektenfalle zu dem ersten Zeitpunkt auf Basis der ersten Bildaufnahme,
Ermitteln eines kritischen Zeitpunkts, zu dem die Insektenfalle einen kritischen Zustand erreicht, auf Basis des ersten Zustands und des ersten Zeitpunkts, wobei der kritische Zustand dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind,
Ausgeben einer Mitteilung, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt und/oder dem kritischen Zustand umfasst.
Ein weiterer Gegenstand der vorliegenden Offenbarung ist ein nicht-flüchtiges computerlesbares Speichermedium, auf dem Softwarebefehle gespeichert sind, die, wenn sie von einem Prozessor eines Computersystems ausgeführt werden, das Computersystem veranlassen, folgende Schritte auszuführen:
Empfangen von Daten, wobei die Daten eine erste Bildaufnahme umfassen, wobei die erste Bildaufnahme einen Sammelbereichs einer Insektenfalle zu einem ersten Zeitpunkt zeigt,
Ermitteln eines ersten Zustands der Insektenfalle zu dem ersten Zeitpunkt auf Basis der ersten Bildaufnahme,
Ermitteln eines kritischen Zeitpunkts, zu dem die Insektenfalle einen kritischen Zustand erreicht, auf Basis des ersten Zustands und des ersten Zeitpunkts, wobei der kritische Zustand dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind,
Ausgeben einer Mitteilung, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt und/oder dem kritischen Zustand umfasst.
Ein weiterer Gegenstand der vorliegenden Offenbarung ist ein System umfassend: eine Insektenfalle, eine Kamera, eine Steuereinheit, • eine Analyseneinheit und
• eine Ausgabeeinheit wobei die Steuereinheit konfiguriert ist, die Kamera zu veranlassen, eine erste Bildaufnahme zu erzeugen, wobei die erste Bildaufnahme einen Sammelbereich der Insektenfalle zu einem ersten Zeitpunkt zeigt, wobei die Analyseneinheit konfiguriert ist, einen ersten Zustand der Insektenfalle zu dem ersten Zeitpunkt auf Basis der ersten Bildaufnahme zu ermitteln, wobei die Analyseneinheit konfiguriert ist, auf Basis des ersten Zustands und des ersten Zeitpunkts einen kritischen Zeitpunkt zu ermitteln, wobei der kritische Zustand dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind, wobei die Ausgabeeinheit konfiguriert ist, eine Mitteilung auszugeben, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt und/oder dem kritischen Zustand umfasst.
Ein weiterer Gegenstand der vorliegenden Offenbarung ist ein Kit umfassend eine Insektenfalle und ein Computerprogrammprodukt, wobei die Insektenfalle eine Kamera oder Mittel zum Aufnehmen einer Kamera umfasst, wobei das Computerprogrammprodukt Programmbefehle umfasst, wobei die Programmbefehle in einen Arbeitsspeicher eines Computersystems geladen werden können, und das Computersystem veranlassen, folgende Schritt auszuführen:
Empfangen von Daten, wobei die Daten eine erste Bildaufnahme umfassen, wobei die erste Bildaufnahme einen Sammelbereichs einer Insektenfalle zu einem ersten Zeitpunkt zeigt,
Ermitteln eines ersten Zustands der Insektenfalle zu dem ersten Zeitpunkt auf Basis der ersten Bildaufnahme,
Ermitteln eines kritischen Zeitpunkts, zu dem die Insektenfalle einen kritischen Zustand erreicht, auf Basis des ersten Zustands und des ersten Zeitpunkts, wobei der kritische Zustand dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind,
Ausgeben einer Mitteilung, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt und/oder dem kritischen Zustand umfasst.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
Fig. 1 (a), Fig. 1 (b) und Fig. 1 (c) zeigen beispielhaft und schematisch die Ermittlung eines kritischen Zeitpunkts auf Basis eines oder mehrerer zeitvariabler Zustände.
Fig. 2 zeigt beispielhaft und schematisch eine Ausführungsform des Verfahrens zur Ermittlung des kritischen Zeitpunkts in Form eines Ablaufschemas.
Fig. 3 zeigt beispielhaft und schematisch eine Ausführungsform eines Computersystems der vorliegenden Offenbarung.
Fig. 4 zeigt beispielhaft und schematisch eine weitere Ausführungsform eines Computersystems der vorliegenden Offenbarung. AUSFÜHRLICHE BESCHREIBUNG
Die Erfindung wird im Folgenden näher erläutert, ohne zwischen den Gegenständen der vorliegenden Offenbarung (Verfahren, Computersystem, computerlesbares Speichermedium, System, Kit) zu unterscheiden. Vielmehr sollen die nachfolgenden Ausführungen sinngemäß für alle Gegenstände der Erfindung gelten, unabhängig davon, in welchem Zusammenhang (Verfahren, Computersystem, computerlesbares Speichermedium, System, Kit) sie beschrieben werden.
Wenn in der vorliegenden Beschreibung oder in den Ansprüchen Schritte in einer Reihenfolge angegeben sind, bedeutet dies nicht unbedingt, dass die Erfindung auf die angegebene Reihenfolge beschränkt ist. Vielmehr ist es denkbar, dass die Schritte auch in einer anderen Reihenfolge oder auch parallel zueinander ausgeführt werden können, es sei denn, ein Schritt baut auf einem anderen auf, was zwingend erfordert, dass der aufbauende Schritt anschließend ausgeführt wird (dies wird aber im Einzelfall klar). Die genannten Reihenfolgen sind somit bevorzugte Ausführungsformen der vorliegenden Offenbarung.
Die Erfindung wird an einigen Stellen in Bezug auf Zeichnungen näher erläutert. Dabei sind in den Zeichnungen konkrete Ausführungsformen mit konkreten Merkmalen und Merkmalskombinationen dargestellt, die in erster Linie der Veranschaulichung dienen; die Erfindung soll nicht so verstanden werden, dass sie auf die in den Zeichnungen dargestellten Merkmale und Merkmalskombinationen beschränkt ist. Ferner sollen Aussagen, die bei der Beschreibung der Zeichnungen in Bezug auf Merkmale und Merkmalskombinationen getroffen werden, allgemein gelten, das heißt auch auf andere Ausführungsformen übertragbar und nicht auf die gezeigten Ausführungsformen beschränkt sein.
Die vorliegende Offenbarung beschreibt Mittel, mit denen der Zeitpunkt für eine Wartung einer Insektenfalle vorhergesagt werden kann. Dieser Zeitpunkt wird in dieser Beschreibung auch als „kritischer Zeitpunkt“ bezeichnet. In einer bevorzugten Ausführungsform ist der kritische Zeitpunkt derjenige Zeitpunkt, ab dem mit Einschränkungen einer oder mehrerer Funktionalitäten der Insektenfalle zu rechnen ist. Bis zu diesem kritischen Zeitpunkt sollte also eine Wartung der Insektenfalle erfolgen, um die vollständige Funktionalität der Insektenfalle aufrechtzuerhalten.
Unter einer „Insektenfalle“ wird eine Vorrichtung verstanden, die von Insekten zufällig oder gezielt aufgesucht wird, und die es einem Nutzer erlaubt zu erkennen, ob in einem Bereich Insekten vorkommen.
Der „Bereich“ kann beispielsweise ein Feld oder ein Gewächshaus für den Anbau von Kulturpflanzen, ein Gebäude (z.B. eine Lagerhalle für die Lagerung von Lebensmitteln und/oder Tierfutter, ein Krankenhaus, ein Altersheim, eine Schule und/oder dergleichen), ein Raum in einem Gebäude (z.B. ein Wohnraum, ein Schlafzimmer, ein Kinderzimmer, ein Lagerraum, eine Kantine, eine Krankenstation und/oder dergleichen) oder ein anderer Bereich sein.
Der Begriff „Insekt“ umfasst alle Stadien von der Larve (Raupe, Afterraupe) bis zum Adultstadium.
Der Begriff Insektenfalle soll nicht so verstanden werden, dass ausschließlich Insekten in die Insektenfalle gelangen können. Der Begriff Insektenfalle wurde gewählt, weil solche Fallen überwiegend dazu verwendet werden, zu prüfen, ob Insekten in einem Bereich vorkommen. Die Insektenfalle kann aber auch genutzt werden, um das Vorkommen anderer Gliederfüßer (lat. Arthropoda) zu erkennen, z.B. das Vorkommen von Spinnen. Ebenso ist es denkbar, dass die Insektenfalle zum Erkennen des Vorkommens einer definierten Spezies in einem Bereich verwendet wird, und dementsprechend für das Anlocken und/oder Immobilisieren und/oder Erkennen dieser definierten Spezies hergerichtet ist.
Beispiele für solche definierten Spezies sind: Apfelwickler, Blattlaus, Fransenflügler, Fruchtschalenwickler, Kartoffelkäfer, Kirschfruchtfliege, Maikäfer, Maiszünsler, Pflaumenwickler, Rhododendron-Zikade, Saateule, Schildlaus, Schwammspinner, Spinnmilbe, Traubenwickler, Walnussfruchtfliege, Weiße Fliege, Großer Rapsstengelrüssler, Gefleckter Kohltriebrüssler, Rapsglanzkäfer, Kohlschotenrüssler, Kohlschotenmücke oder Rapserdfloh, oder um einen Forstschädling wie beispielsweise Blattlaus, Blauer Kiefernprachtkäfer, Borkenkäfer, Eichenprachtkäfer, Eichen- Prozessionsspinner, Eichenwickler, Fichtengespinstblattwespe, Gemeiner Holzwurm, Großer Brauner Rindenfresser, Kiefernbuschhornblattwespe, Kieferneule, Kiefernspanner, Kleine Fichtenblattwespe, Nonne, Rosskastanienminiermotte, Schwammspinner, Splintholzkäfer, Mücken (z.B. Asiatische Tigermücke).
Die Insektenfalle kann Mittel zum Immobilisieren von Insekten aufweisen. Die Insektenfalle kann beispielsweise eine Schale umfassen, die mit einer Flüssigkeit (z.B. Wasser oder einer wässrigen Eösung) gefüllt ist. Es ist denkbar, dass die Flüssigkeit ein Tensid umfasst, um die Oberflächenspannung zu reduzieren und/oder ein Mittel gegen Algenbildung umfasst und/oder ein Eockmittel zum Anlocken von Insekten umfasst. Insekten, die in die Flüssigkeit gelangen, können beispielsweise in der Flüssigkeit ertrinken oder von der Flüssigkeit festgehalten werden. Die Insektenfalle kann auch eine mit Feim oder einem anderen Klebemittel versehene Fläche umfassen, an der Insekten haften bleiben. Eine Insektenfalle muss jedoch keine Mittel zum Immobilisieren von Insekten aufweisen; es kann für die vorgesehene Verwendung der Insektenfalle ausreichend sein, dass Insekten in den Sammelbereich gelangen und sich hier für eine Zeit aufhalten.
Die Insektenfalle kann Mittel zum Anlocken von Insekten umfassen. Einige Insekten (z.B. Rapsschädlinge wie der Große Rapsstängelrüssler) werden z.B. durch eine gelbe Farbe angelockt. Einige Insekten (z.B. Männchen von Lebensmittelmotten) können durch ein Pheromon angelockt werden. Auch die Verwendung von Nahrung für die Insekten zum Anlocken ist möglich. Manche Insekten werden durch elektromagnetische Strahlung eines definierten Wellenlängenbereichs angelockt. Die Insektenfalle kann mit einer Quelle für elektromagnetische Strahlung ausgestattet sein, die elektromagnetische Strahlung eines solchen definierten Wellenlängenbereichs (oder mehrerer Wellenlängenbereiche) emittiert. Die Insektenfalle muss jedoch keine Lockmittel aufweisen; es kann für die vorgesehene Verwendung der Insektenfalle ausreichend sein, dass sich Insekten zufällig in die Falle verirren oder in Kontakt mit dieser kommen.
Die Insektenfalle umfasst einen Sammelbereich. Der Sammelbereich ist ein Bereich, der von Insekten (oder anderen Gliederfüßern) aufgesucht werden kann. Es kann sich dabei um eine ebene Oberfläche einer Tafel oder Karte oder dergleichen handeln. Es kann sich auch um den Boden eines Behälters handeln. Es ist möglich, dass die Insektenfalle mehrere Sammelbereiche umfasst. Es ist auch denkbar, dass die Insektenfalle über verschiedene Sammelbereiche verfügt, zum Beispiel über einen Sammelbereich für (spezifische) Schädlinge und einen anderen Sammelbereich für (spezifische) Nützlinge.
Der Sammelbereich umfasst vorzugsweise eine ebene glatte oder strukturierte Fläche mit einem runden, ovalen, elliptischen, eckigen (dreieckig, viereckig, fünfeckig, sechseckig oder allgemein n-eckig, mit n als ganzer Zahl, die größer oder gleich drei ist) Querschnitt. Vorzugsweise ist der Querschnitt rund oder rechteckig (insbesondere quadratisch) ausgeführt. Von der Fläche können sich Wandungen nach oben erstrecken, so dass sich ein Behälter ergibt. Der Behälter kann z.B. zylinderförmig, konusförmig oder kastenförmig ausgeführt sein. Vorzugsweise weist er einen runden oder eckigen Querschnitt auf und die Wandungen erstrecken sich vom Boden konusförmig nach oben, wobei Bodenfläche und Wandfläche vorzugsweise in einem Winkel von mehr als 90° und weniger als 120° zueinander verlaufen. Bei einem eckigen Querschnitt können die Ecken abgerundet sein.
Der Boden des Behälters bzw. die mit Klebstoff versehene Karte oder Tafel kann Markierungen und/oder eine Struktur aufweisen, die eine automatisierte Fokussierung der Kamera erlauben und/oder die eine Referenz darstellen, um beispielsweise die Größe eines Insekts bestimmen zu können.
Der Boden des Behälters kann Vertiefungen aufweisen, so wie beispielsweise in WO2022243150A1 beschrieben, um eine Vereinzelung von Insekten in dem Sammelbereich zu erreichen. Eine Vereinzelung erleichtert das automatisierte Detektieren, Zählen und/oder Identifizieren von Insekten im Sammelbereich.
Der Sammelbereich kann Teil einer Fangvorrichtung für Schädlinge sein, wie beispielsweise einer Gelbfangschale oder einer optional beleimten Farbtafel. Vorzugsweise handelt es sich bei der Insektenfalle um eine Falle wie sie in W02020058175A1, W02020058170A1, WO2021213824A1 oder WO2022243150A1 beschrieben ist.
Die Insektenfalle ist eine kameraüberwachte Insektenfalle. Das bedeutet, dass eine Kamera so angeordnet und ausgerichtet ist, dass sie Bildaufnahmen von einem Sammelbereich (oder mehreren Sammelbereichen) der Insektenfalle erzeugen kann.
Unter einer „Kamera“ wird eine Vorrichtung verstanden, die Bildaufnahmen in digitaler Form erzeugen und diese speichern und/oder über eine Schnittstelle bereitstellen kann. Eine Kamera umfasst üblicherweise einen Bildsensor und optische Elemente. Der Bildsensor ist eine Vorrichtung zur Aufnahme von zweidimensionalen Abbildern aus Licht auf elektrischem Weg. Üblicherweise handelt es sich um halbleiterbasierte Bildsensoren wie beispielsweise CCD- (CCD = charge-coupled device) oder CMOS- Sensoren (CMOS = complementary metal-oxide-semiconductor). Die optischen Elemente (Linsen, Blenden und dergleichen) dienen einer möglichst scharfen Abbildung des Objektes, von dem eine digitale Bildaufnahme erzeugt werden soll, auf dem Bildsensor.
Die Kamera kann zum Beispiel ein Bestandteil eines Smartphones oder Tabletcomputers sein.
Die Kamera wird dazu verwendet, digitale Bildaufnahmen von dem Sammelbereich oder eines Teils davon zu erzeugen. Die erzeugten Bildaufnahmen können verwendet werden, (i) um zu erkennen, ob sich ein oder mehrere Insekten in dem Sammelbereich befinden (Detektieren von Insekten), (ii) Insekten in dem Sammelbereich zu zählen und/oder (iii) Insekten zu identifizieren, d.h. festzustellen, um welches Insekt (Unterklasse, Überordnung, Ordnung, Unterordnung, Familie, Gattung, Art, Stadium und/oder Geschlecht) es sich handelt.
Unter dem Begriff „Bildaufnahme“ wird vorzugsweise eine zweidimensionale Abbildung eines oder mehrerer Objekte verstanden. Der Begriff „digital“ bedeutet, dass die Bildaufnahme von einer Maschine, in der Regel einem Computersystem, verarbeitet werden kann. Unter „Verarbeitung“ werden die bekannten Verfahren zur elektronischen Datenverarbeitung (EDV) verstanden.
Digitale Bildaufnahmen können mit Computersystemen und Software verarbeitet, bearbeitet und reproduziert sowie in standardisierte Datenformate konvertiert werden, wie zum Beispiel JPEG (Grafikformat der Joint Photographie Experts Group), PNG Portable Network Graphics) oder SVG (Scalable Vector Graphics). Digitale Bildaufnahmen können mit geeigneten Anzeigegeräten visualisiert werden, wie zum Beispiel mit Computermonitoren, Projektoren und/oder Druckern.
In einer digitalen Bildaufnahme werden Bildinhalte üblicherweise durch ganze Zahlen repräsentiert und gespeichert. In den meisten Fällen handelt es sich um zweidimensionale Bilder, die binär kodiert und gegebenenfalls komprimiert sein können. Bei den digitalen Bildaufnahmen handelt es sich üblicherweise um Rastergrafiken, bei denen die Bildinformation in einer gleichmäßigen Rasterung abgelegt ist. Rastergrafiken bestehen aus einer rasterförmigen Anordnung von so genannten Bildpunkten (Pixel) im Fall von zweidimensionalen Darstellungen, denen jeweils eine Farbe bzw. ein Grauwert zugeordnet ist. Die Hauptmerkmale einer 2D-Rastergrafik sind daher die Bildgröße (Breite und Höhe gemessen in Pixeln, umgangssprachlich auch Bildauflösung genannt) sowie die Farbtiefe. Einem Bildpunkt einer digitalen Bilddatei ist üblicherweise eine Farbe zugeordnet. Die für einen Bildpunkt verwendete Kodierung der Farbe definiert sich unter anderem über den Farbraum und die Farbtiefe. Der einfachste Fall ist ein Binärbild, bei dem ein Bildpunkt einen Schwarzweiß-Wert speichert. Bei einem Bild, dessen Farbe über den so genannten RGB-Farbraum definiert ist (RGB steht für die Grundfarben Rot, Grün und Blau), besteht jeder Bildpunkt aus drei Farbwerten, einem Farbwert für die Farbe Rot, einem Farbwert für die Farbe Grün und einem Farbwert für die Farbe Blau. Die Farbe eines Bildpunktes ergibt durch die Überlagerung (additives Mischen) der drei Farbwerte. Der einzelne Farbwert ist z.B. in 256 unterscheidbare Stufen diskretisiert, die Tonwerte genannt werden und üblicherweise von 0 bis 255 reichen. Die Farbnuance "0" eines jeden Farbkanals ist die dunkelste. Haben alle drei Kanäle den Tonwert 0, erscheint der entsprechende Bildpunkt schwarz; haben alle drei Kanäle den Tonwert 255, erscheint der entsprechende Bildpunkt weiß. Es gibt eine Vielzahl an möglichen digitalen Bildformaten und Farbkodierungen. Vereinfachend wird in dieser Beschreibung davon ausgegangen, dass die vorliegenden Bilder RGB -Rastergrafiken mit einer spezifischen Zahl an Bildpunkten sind. Diese Annahme soll jedoch in keiner Weise limitierend verstanden werden. Dem Fachmann der Bildbearbeitung ist klar, wie er die Eehre dieser Beschreibung auf Bildaufnahmen, die in anderen Bildformaten vorliegen und/oder bei denen die Farbwerte anders kodiert sind, übertragen kann.
Zur Abbildung des Sammelbereichs auf einem oder mehreren Bildsensoren ist eine Eichtquelle erforderlich, mit der der Sammelbereich beleuchtet wird, so dass Eicht (elektromagnetische Strahlung im infraroten, sichtbaren und/oder ultravioletten Bereich des Spektrums) vom beleuchteten Sammelbereich in Richtung Kamera gestreut/reflektiert wird. Hierzu kann das Tageslicht verwendet werden. Es ist aber auch denkbar, eine Beleuchtungseinheit zu verwenden, die für eine definierte, vom Tageslicht unabhängige Beleuchtung sorgt. Diese ist vorzugsweise seitlich neben der Kamera angebracht, so dass es zu keinem Schattenwurf der Kamera auf den Sammelbereich kommt.
Es ist auch denkbar, eine Beleuchtungsquelle unterhalb des Sammelbereichs und/oder neben dem Sammelbereich zu positionieren, die den Sammelbereich "von unten" und/oder "von der Seite" beleuchtet, während eine Kamera eine oder mehrere Bildaufnahmen "von oben" erzeugt.
Es denkbar, dass mehrere Beleuchtungsquellen den Sammelbereich aus unterschiedlichen Richtungen beleuchten.
Der Begriff "Licht" und "Beleuchtung" soll im Übrigen nicht bedeuten, dass der Spektralbereich auf sichtbares Licht (etwa 380 nm bis etwa 780 nm) beschränkt ist. Es ist ebenso denkbar, dass zur Beleuchtung elektromagnetische Strahlung mit einer Wellenlänge unterhalb von 380 nm (ultraviolettes Licht: 100 nm bis 380 nm) oder oberhalb von 780 nm (infrarotes Licht: 780 nm bis 1000 pm) verwendet wird. Der Bildsensor und die optischen Elemente sind üblicherweise an die verwendete elektromagnetische Strahlung angepasst.
Die kameraüberwachte Insektenfalle umfasst eine Steuereinheit. Die Steuereinheit kann ein Bestandteil der Kamera sein oder eine separate Vorrichtung sein. Die Steuereinheit ist konfiguriert, die Kamera zu veranlassen, eine oder mehrere Bildaufnahmen von einem Sammelbereich oder einem Teil davon zu erzeugen. Die Steuereinheit kann ein Computersystem sein, wie es weiter hinten in der Beschreibung beschrieben ist. Die Kamera kann ein Bestandteil eines solchen Computersystems sein.
Bei der einen oder mehreren Bildaufnahme kann es sich um einzelne Bildaufnahmen oder um Sequenzen von Bildaufnahmen (z.B. Videoaufnahmen) handeln.
Die Steuereinheit kann konfiguriert sein, die Kamera zu veranlassen, Bildaufnahmen zu definierten Zeitpunkten (z.B. einmal am Tag um 12 Uhr mittags) und/oder wiederkehrend in definierten Zeitspannen (z.B. jede Stunde zwischen 7 Uhr morgens und 20 Uhr abends) und/oder bei Eintritt eines definierten Ereignisses (z.B. nach Sonnenaufgang bei Erreichen einer definierten Helligkeit oder in Folge der Detektion eines Insekts mit Hilfe eines Sensors) und/oder infolge eines Befehls durch einen Nutzer und/oder zufällig zu erzeugen. Die Steuereinheit kann Bestandteil der Kamera sein oder eine von der Kamera unabhängige Vorrichtung, die mit der Kamera über eine kabelgebundene oder kabellose Verbindung (z.B. Bluetooth) kommunizieren kann.
Die Insektenfalle umfasst ferner eine Sendeeinheit. Über die Sendeeinheit können Bildaufnahmen und/oder Informationen an ein separates Computersystem übermittelt werden. Die Übermittlung erfolgt vorzugsweise über ein Funknetz, beispielsweise über ein Mobilfunknetz. Die Sendeeinheit kann ein Bestandteil der Steuereinheit sein oder eine von der Steuereinheit unabhängige Einheit sein.
Die Insektenfalle kann eine Empfangseinheit umfassen, um Befehle von einem separaten Computersystem zu empfangen. Die Sendeeinheit und/oder die Empfangseinheit können Bestandteile eines Computersystems sein, wie es weiter hinten in der Beschreibung beschrieben ist.
Die von der Kamera erzeugten Bildaufnahmen werden üblicherweise automatisiert analysiert, um die in dem Sammelbereich oder einem Teil davon befindlichen Insekten zu detektieren, zu zählen und/oder zu identifizieren. Der Begriff „automatisiert“ bedeutet ohne Zutun eines Menschen. Diese Analyse kann durch eine Analyseneinheit erfolgen, die Bestandteil der Insektenfalle sein kann; diese Analyse kann aber auch durch eine Analyseneinheit erfolgen, die Bestandteil eines separaten Computersystems sein kann, an das die Bildaufnahmen mittels der Sendeeinheit der Insektenfalle übermittelt werden. Die Analyseneinheit kann ein Bestandteil eines Computersystems sein, wie es weiter hinten in der Beschreibung beschrieben ist. Die Analyseneinheit kann ein trainiertes Modell des maschinellen Lernens umfassen, das konfiguriert und trainiert ist, in Bildaufnahmen abgebildete Insekten zu detektieren, zu zählen und/oder zu identifizieren. Details zum automatisierten Detektieren, Zählen und/oder Identifizieren von Insekten in Bildaufnahmen sind in Veröffentlichungen zu diesem Thema beschrieben (siehe z.B.: D. C. K. Amarathunga et al. : Methods of Insect Image Capture and Classification: A Systematic Literature Review, Smart Agricultural Technology, Volume 1 , 2021 , 100023 ; C. Zhu et al. : Insect Identification and Counting in Stored Grain: Image Processing Approach and Application Embedded in Smartphones, Mob. Inf. Syst. 2018, 5491706:1-5, W02020058175A1, W02020058170A1).
Die von der Kamera erzeugten Bildaufnahmen können ferner verwendet werden, um einen zeitvariablen Zustand der Insektenfalle zu ermitteln.
Ein solcher zeitvariabler Zustand repräsentiert eine oder mehrere Eigenschaften der Insektenfalle zu einem definierten Zeitpunkt. Der definierte Zeitpunkt ist üblicherweise derjenige Zeitpunkt, zu dem die Bildaufnahme erzeugt wurde, d.h. der Zeitpunkt, zu dem die Bildaufnahme den Sammelbereich (oder einen Teil davon) der Insektenfalle zeigt. Der Zustand wird als zeitvariabel bezeichnet, weil er sich üblicherweise im Lauf der Zeit ändert. Zu einem späteren Zeitpunkt liegt also möglicherweise ein geänderter Zustand vor, d.h. eine oder mehrere Eigenschaften der Insektenfalle können sich verändert haben und/oder verändert worden sein. Der Begriff „zeitvariabel“ kann also auch mit „zeitlich veränderlich“ oder „sich im Lauf der Zeit verändernd“ umschrieben werden.
Der zeitvariable Zustand steht in Verbindung mit einer oder mehreren Funktionalitäten der Insektenfalle. Die eine oder die mehreren Eigenschaften der Insektenfalle, die den Zustand der Insektenfalle charakterisieren, können eine Auskunft darüber geben, ob eine oder mehrere Funktionalitäten der Insektenfalle vorliegen (gegeben sind) oder ob die eine oder die mehreren Funktionalitäten beeinträchtigt sind. Das bedeutet, dass sich eine oder mehrere Funktionalitäten der Insektenfalle ändern können, und eine solche Änderung durch den zeitvariablen Zustand widergespiegelt wird.
Vor Erreichen eines kritischen Zeitpunkts weist die Insektenfalle üblicherweise eine vollständige Funktionalität auf, d.h. keine Funktionalität der Insektenfalle ist beeinträchtigt. Alle Funktionen, die die Insektenfalle erfüllen soll, werden erfüllt. Funktionen, die von der Insektenfalle üblicherweise zu erfüllen sind, sind das Anlocken von Insekten und/oder das Immobilisieren von Insekten und/oder das Vereinzeln von Insekten in dem Sammelbereich und/oder das Ausleuchten des Sammelbereichs mit einer oder mehreren Lichtquellen und/oder das Erzeugen von Bildaufnahmen von dem Sammelbereich und/oder das Versenden von Bildaufnahmen und/oder anderen/weiteren Informationen an ein separates Computersystem und/oder andere/weitere Funktionen.
Zum kritischen Zeitpunkt erreicht der zeitvariable Zustand der Insektenfalle einen kritischen Zustand, bei dem eine oder mehrere Funktionen beeinträchtigt sind, d.h. nicht mehr vollständig gegeben sind: es liegt eine Funktionsbeeinträchtigung vor.
Dies sei nachfolgend anhand von Beispielen näher erläutert, ohne die Erfindung auf die genannten Beispiele reduzieren zu wollen. Die Beispiele stellen also lediglich bevorzugte Ausführungsformen dar. Ein zeitvariabler Zustand kann beispielsweise das Flüssigkeitsniveau in einem als Behälter ausgeführten Sammelbereich einer Insektenfalle angeben. Mit anderen Worten: der zeitvariable Zustand gibt an, inwieweit der Behälter mit der Flüssigkeit gefüllt ist und/oder wieviel Flüssigkeit in dem Behälter vorhanden ist und/oder hoch der Flüssigkeitsspiegel in dem Behälter ist. Es kann einen Zustand geben, bei dem der Behälter komplett mit Flüssigkeit gefüllt ist; es kann einen Zustand geben, bei dem der Behälter keine Flüssigkeit beinhaltet und es kann eine Vielzahl an Zuständen geben, bei denen das Flüssigkeitsniveau in dem Behälter zwischen den Extremzuständen komplett gefüllt und komplett leer liegt.
Die Menge an Flüssigkeit ist zeitvariabel, da sie im kauf der Zeit zu- und/oder abnehmen kann. Sie kann beispielsweise infolge von Verdunstung abnehmen; ebenso kann sie infolge von eingetragenem Niederschlag (z.B. Regenwasser) zunehmen.
Die Menge an Flüssigkeit steht in Verbindung mit der Funktionalität der Insektenfalle. Die Flüssigkeit wird üblicherweise zum Immobilisieren von Insekten im Sammelbereich verwendet. Sinkt die Menge an Flüssigkeit, kann es sein, dass die Flüssigkeitsmenge nicht mehr ausreichend ist, um Insekten zu immobilisieren. Steigt die Menge an Flüssigkeit, ist es möglich, dass die Flüssigkeit über einen Rand des Behälters läuft und Insekten aus dem Behälter befördert.
Es ist auch möglich, dass Insekten bei einem sinkenden Flüssigkeitsspiegel in dem Sammelbereich nur teilweise von Flüssigkeit überdeckt werden und die teilweise Überdeckung der Insekten mit Flüssigkeit ein automatisiertes Detektieren, Zählen und/oder Identifizieren erschwert. Zum Beispiel können die Konturen von Insekten aufgrund der teilweisen Überdeckung in einer Bildaufnahme nicht klar erkennbar sein und/oder an den Übergangsstellen zwischen Flüssigkeit und Insekt unerwünschte Reflexionen auftreten.
Ein kritischer Zustand kann dann erreicht sein, wenn die Menge an Flüssigkeit in dem Sammelbereich eine Mindestmenge erreicht hat oder eine Maximalmenge erreicht hat und/oder der Flüssigkeitsspiegel eine Mindesthöhe erreicht hat oder eine Maximalhöhe erreicht hat. Unterschreitet die Flüssigkeitsmenge die Mindestmenge und/oder unterschreitet der Flüssigkeitsspiegel die Mindesthöhe, kann ein Immobilisieren von Insekten beeinträchtigt sein und/oder es kann das automatisierte Detektieren, Zählen und/oder Identifizieren von Insekten in dem Sammelbereich anhand einer Bildaufnahme des Sammelbereich beeinträchtigt sein. Überschreitet die Flüssigkeitsmenge einen Maximalwert und/oder übersteigt der Flüssigkeitsspiegel eine Maximalhöhe, kann das Immobilisieren von Insekten in dem Sammelbereich und/oder das automatisierte Detektieren, Zählen und/oder Identifizieren von Insekten in dem Sammelbereich anhand einer Bildaufnahme des Sammelbereichs beeinträchtigt sein, da Insekten aus dem Sammelbereich herausgeschwemmt werden.
Die Menge an Flüssigkeit in dem Sammelbereich und/oder die Höhe des Flüssigkeitsspiegels ist eine zeitvariable Eigenschaft der Insektenfalle. Die Menge an Flüssigkeit in dem Sammelbereich und/oder die Höhe des Flüssigkeitsspiegels kann aus einer Bildaufnahme des Sammelbereichs ermittelt werden. Üblicherweise ist der Übergang von Flüssigkeit zu Euft an den Wandungen des Behälters zu erkennen und definiert die Höhe des Flüssigkeitsspiegels. Markierungen an den Wandungen können helfen, die Höhe des Flüssigkeitsspiegels zu quantifizieren. Mit anderen Worten: es kann eine Bildaufnahme von dem Sammelbereich erzeugt werden und die Bildaufnahme kann analysiert werden, um die Höhe des Flüssigkeitsspiegels in dem Behälter zu bestimmen und/oder um die Menge an Wasser in dem Behälter zu bestimmen. Eine solche Analyse kann mit Methoden der Bildverarbeitung und Bilderkennung automatisiert erfolgen.
Es ist auch möglich, dass auf Basis einer Bildaufnahme nicht (nur) die Menge an Flüssigkeit und/oder die Höhe des Flüssigkeitsspiegels in dem Sammelbereich ermittelt wird, sondern (auch) die Menge an Flüssigkeit in einem Vorratsbehälter und/oder der Flüssigkeitsspiegel in einem Vorratsbehälter, der mit dem Sammelbereich verbunden ist, und aus dem Flüssigkeit in den Sammelbereich nachläuft, wenn die Menge an Flüssigkeit in dem Sammelbereich einen Schwellenwert unterschreitet und/oder der Flüssigkeitsspiegel in dem Sammelbereich einen Schwellenwert unterschreitet, wie es beispielsweise in WO2021213824A1 beschrieben ist. Ein kritischer Zustand ist im Fall eines solchen Vorratsbehälters beispielsweise dann erreicht, wenn aus dem Vorratsbehälter keine Flüssigkeit mehr in den Sammelbereich nachlaufen kann und/oder beim Nachlaufen Luftblasen in den Sammelbereich eingebracht werden, die zu weiteren Funktionsbeeinträchtigungen (z.B. Schaum) führen können.
Ein weiterer zeitvariabler Zustand kann der Grad der Verschmutzung des Sammelbereichs sein. Es ist möglich, dass sich im Lauf der Zeit Verunreinigungen im Sammelbereich ansammeln, die ein automatisiertes Detektieren, Zählen und/oder Identifizieren von Insekten erschweren. Verunreinigungen können Insekten ganz oder teilweise verdecken oder mit ihnen verklumpen (Agglomerate bilden). Verschmutzungen können Blätter und/oder andere Pflanzenteile, Staub, Ausscheidungen von Insekten und/oder anderen Tieren und/oder dergleichen sein.
Ein kritischer Zustand kann dann erreicht sein, wenn der Verschmutzungsgrad so groß geworden ist, dass Insekten nicht mehr als einzelne Einheiten in dem Sammelbereich der Insektenfalle erkennbar sind und/oder Insekten nicht von Verschmutzungen unterschieden werden können und/oder Verschmutzungen eine Flüssigkeit im Sammelbereich, die zum Immobilisieren von Insekten verwendet wird, eintrübt, so dass Insekten, die in der Flüssigkeit zu Boden sinken, nicht mehr (eindeutig) erkennbar sind und/oder Schmutzteilchen Teile von Insekten überdecken und/oder Schmutzteilchen mit Insekten zu Agglomeraten verklumpen.
Der Grad der Verschmutzung und/oder die Menge an Verschmutzungen kann aus einer Bildaufnahme des Sammelbereich ermittelt werden, zum Beispiel anhand der von Schmutzteilchen bedeckten Fläche und/oder Anzahl an Schmutzteilchen und/oder Grad der Trübung einer Flüssigkeit im Sammelbereich. Schmutzteilchen können beispielsweise anhand ihrer Morphologie und/oder Größe und/oder Farbe und/oder anderen/weiteren Merkmalen von Insekten unterschieden werden. Das Erkennen und/oder Quantifizieren von Schmutzteilchen und/oder anderen Verschmutzungen kann automatisiert mit Methoden der Bildverarbeitung und Bilderkennung erfolgen. Es ist möglich, ein Modell des maschinellen Lernens zu trainieren, Schmutzteilchen von Insekten zu unterscheiden.
Die Verschmutzung kann beispielsweise auch durch Algen hervorgerufen werden, die sich in einer Flüssigkeit, die im Sammelbereich zum Immobilisieren von Insekten verwendet wird, im Lauf der Zeit bilden und vermehren können. Algen können eine Grünfärbung und/oder Braunfärbung und/oder Trübung der Flüssigkeit verursachen und/oder Insekten ganz oder teilweise verdecken, was ein automatisiertes Detektieren, Zählen und/oder Identifizieren von Insekten im Sammelbereich erschweren kann. Algen im Sammelbereich können ein Immobilisieren erschweren oder verhindern, weil Insekten entlang der Algen aus dem Sammelbereich heraus gelangen können.
Die Menge an Algen in dem Sammelbereich kann aus einer Bildaufnahme des Sammelbereichs mit Hilfe von Bilderkennungsmethoden automatisiert ermittelt werden, z.B. anhand einer Grünfärbung oder Braunfärbung und/oder Trübung der Flüssigkeit im Sammelbereich.
Ein kritischer Zustand kann dann erreicht sein, wenn der Sammelbereich ausgeschöpft ist. Es ist möglich, dass sich in dem Sammelbereich bereits eine Vielzahl an Insekten angesammelt hat, die sich ganz oder teilweise überlagern und/oder zu Ansammlungen aggregieren. Dadurch kann das automatisierte Detektieren, Zählen und/oder Identifizieren der Insekten beeinträchtigt werden.
Die Menge an Insekten im Sammelbereich (z.B. die Zahl oder die mit Insekten bedeckte Fläche) kann aus einer Bildaufnahme des Sammelbereichs mit Methoden der Bilderkennung automatisiert ermittelt werden. Hierfür können z.B. die oben beschriebenen Techniken zum automatisierten Detektieren und Zählen von Insekten verwendet werden. Ein kritischer Zustand kann dann erreicht sein, wenn sich Schaum in einer Flüssigkeit bildet, die im Sammelbereich zum Immobilisieren von Insekten verwendet wird. Dieser Schaum kann die Sicht auf Insekten im Sammelbereich ganz oder teilweise versperren. Zudem ist es möglich, dass Insekten nicht mehr durch die Flüssigkeit immobilisiert werden.
Sich bildender Schaum kann in einer Bildaufnahme beispielsweise durch eine zunehmende Zahl an Euftbläschen und/oder eine zunehmende Größe an Euftbläschen auf der Oberfläche der Flüssigkeit und/oder im Grenzbereich zwischen Flüssigkeit, Euft und Wandungen des Behälters automatisiert erkannt werden. Die üblicherweise in der Aufsicht runden Lufteinschlüsse lassen sich beispielsweise mit Methoden der Mustererkennung (Bilderkennung) und/oder mittels eines trainierten Modells des maschinellen Lernens erkennen und quantifizieren.
Ein kritischer Zustand kann dann erreicht sein, wenn das Sichtfeld der Kamera durch Spinnenweben, in die Insektenfalle hineinwachsende Pflanzenteile (z.B. Zweige, Blätter, Wurzeln) und/oder andere tierische oder pflanzliche Organismen und/oder Konstruktionen in der Insektenfalle so stark eingeschränkt wird, dass Insekten in dem Sammelbereich verdeckt werden und so ein automatisiertes Detektieren, Zählen und/oder Identifizieren der verdeckten Insekten erschwert oder unmöglich gemacht wird. Ferner können tierische Konstruktionen und/oder Pflanzenteile in der Insektenfalle ein Immobilisieren von Insekten erschweren und/oder verhindern, wenn die Insekten über die Konstruktionen und/oder Pflanzenteile aus dem Sammelbereich heraus gelangen können.
Solche Konstruktionen und/oder Pflanzenteile können in Bildaufnahmen des Sammelbereichs beispielsweise anhand eines zunehmend verringerten Sichtfelds der Kamera und/oder mittels Methoden der Mustererkennung und/oder mittels eines trainierten Modells des maschinellen Lernens automatisiert erkannt und quantifiziert werden.
Verschmutzungen können nicht nur den Sammelbereich betreffen, sondern auch die Kamera und/oder Teile davon wie beispielsweise ein Objektiv. Es ist möglich, dass infolge einer Ablagerung das Sichtfeld der Kamera eingeschränkt ist und nicht mehr der komplette ursprüngliche Sammelbereich abgebildet wird. Es ist denkbar, dass Ablagerungen zu unscharfen oder teilweise unscharfen Bildaufnahmen führen. Es ist möglich, dass Wasser (z.B. Regenwasser) und/oder eine andere Flüssigkeit (z.B. eine Flüssigkeit aus dem Sammelbereich) auf eine Linse gelangt und das Sichtfeld einschränkt und/oder zu Unschärfen in der Bildaufnahme führt.
Einschränkungen des Sichtfelds und/oder zunehmende Unschärfen können in Bildaufnahmen des Sammelbereich beispielsweise mit Methoden der Mustererkennung und/oder mittels eines trainierten Modells des maschinellen Lernens automatisiert erkannt und quantifiziert werden.
Ein kritischer Zustand kann dann erreicht sein, wenn eine Beleuchtungsquelle z.B. aufgrund zunehmender Verschmutzung nicht mehr genügend Licht in den Sammelbereich emittiert, um ihn auszuleuchten. Die abnehmende Beleuchtung kann zu einem Kontrastverlust und/oder erhöhtem Rauschen in den Bildaufnahmen führen, was wiederum das automatisierte Detektieren, Zählen und/oder Identifizieren von Insekten erschweren kann.
Eine abnehmende Beleuchtung kann in einer Bildaufnahme des Sammelbereichs beispielsweise anhand einer abnehmenden Helligkeit automatisiert erkannt werden (z.B. anhand eines Tonwerts gemittelt über alle oder einige Pixel der Bildaufnahme).
Ein kritischer Zustand kann dann erreicht sein, wenn unerwünschte Reflexe in den Bildaufnahmen auftreten und einen Teil des abgebildeten Sammelbereichs überlagern. Es ist möglich, dass zu bestimmten Zeiten Reflexe in den Bildaufnahmen zu beobachten sind, die z.B. von Sonnenlicht stammen können, das unter einem definierten Winkelbereich in den Sammelbereich gelangt. Es ist möglich, dass Sonnenlicht zu bestimmten Tages- und/oder Jahreszeiten in den Sammelbereich gelangt und dort unerwünschte Reflexionen verursacht. Es ist möglich, dass solche unerwünschten Reflexionen durch Sonnenlicht beim Aufstellen der Insektenfalle nicht beobachtet wurden und/oder erst später in Erscheinung traten. Durch den jahreszeitlich veränderten Sonnenstand können solche Reflexe erst zu einem späteren Zeitpunkt (nach dem Aufstellen der Insektenfalle) in Erscheinung treten und mit der Zeit zunehmen. Solche Reflexe können das automatisierte Detektieren, Zählen und/oder Identifizieren von Insekten im Sammelbereich erschweren. Reflexe in Bildaufnahmen können anhand von zeitlich variierenden charakteristischen Helligkeitswerten von Bildelementen automatisiert erkannt und quantifiziert werden.
Ist eine Insektenfalle in einem Bereich aufgestellt, erzeugt eine Kamera in regelmäßigen oder unregelmäßigen zeitlichen Abständen Bildaufnahmen von einem Sammelbereich der Insektenfalle. Für jede Bildaufnahme wird ein zeitvariabler Zustand automatisiert ermittelt. Es ist möglich, dass mehrere zeitvariable Zustände ermittelt werden.
Beispiele für zeitvariable Zustände (und Parameter, die den zeitvariablen Zustand charakterisieren oder repräsentieren), sind:
Zahl der Insekten in dem Sammelbereich der Insektenfalle mit Insekten bedeckte Fläche des Sammelbereichs
Höhe eines Flüssigkeitsspiegels in dem Sammelbereich
Höhe eines Flüssigkeitsspiegels in einem Vorratsbehälter
Menge an Flüssigkeit in dem Sammelbereich
Menge an Flüssigkeit in einem Vorratsbehälter
Trübungsgrad einer Flüssigkeit im Sammelbehälter
Trübungsgrad einer Flüssigkeit in einem Vorratsbehälter
Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit im Sammelbehälter Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit in einem Vorratsbehälter
Anzahl von Schmutzpartikeln in dem Sammelbereich der Insektenfalle mit Schmutzpartikeln bedeckte Fläche des Sammelbereichs
Grad der Helligkeit im Sammelbereich
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Reflexe auftreten
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Euftbläschen und/oder Schaum auftreten mit Schaum und/oder Euftbläschen bedeckte Fläche des Sammelbereichs
Größe und/oder Anzahl von Luftbläschen im Sammelbereich
Auf Basis des ermittelten zeitvariablen Zustands wird ein kritischer Zeitpunkt ermittelt, an dem die Insektenfalle einen kritischen Zustand erreicht. Der Begriff „auf Basis von“ soll „zumindest teilweise auf Basis von“ bedeuten, sofern nicht ausdrücklich etwas anderes angegeben ist. Der Begriff „auf Basis von“ kann „mit Hilfe von“, „unter Verwendung von“ oder „mittels“ bedeuten.
Beispiele für kritische Zustände (und kritische Werte für Parameter, die den kritischen Zustand charakterisieren oder repräsentieren), sind:
Zahl der Insekten in dem Sammelbereich der Insektenfalle erreicht einen vordefinierten Schwellenwert mit Insekten bedeckte Fläche des Sammelbereichs erreicht einen vordefinierten Schwellenwert Höhe eines Flüssigkeitsspiegels in dem Sammelbereich erreicht einen vordefinierten unteren oder oberen vordefinierten Schwellenwert
Höhe eines Flüssigkeitsspiegels in einem Vorratsbehälter erreicht einen vordefinierten unteren oder oberen vordefinierten Schwellenwert
Menge an Flüssigkeit in dem Sammelbereich erreicht einen vordefinierten unteren oder oberen vordefinierten Schwellenwert Menge an Flüssigkeit in einem Vorratsbehälter erreicht einen vordefinierten unteren oder oberen vordefinierten Schwellenwert
Trübungsgrad einer Flüssigkeit im Sammelbehälter erreicht einen vordefinierten Schwellenwert Trübungsgrad einer Flüssigkeit in einem Vorratsbehälter erreicht einen vordefinierten Schwellenwert
Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit im Sammelbehälter erreicht einen vordefinierten Schwellenwert
Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit in einem Vorratsbehälter erreicht einen vordefinierten Schwellenwert
Anzahl von Schmutzpartikeln in dem Sammelbereich der Insektenfalle erreicht einen vordefinierten Schwellenwert mit Schmutzpartikeln bedeckte Fläche des Sammelbereichs erreicht einen vordefinierten Schwellenwert
Grad der Helligkeit im Sammelbereich erreicht einen vordefinierten Schwellenwert
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Reflexe auftreten, erreicht einen vordefinierten Schwellenwert
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Luftbläschen und/oder Schaum auftreten, erreicht einen vordefinierten Schwellenwert mit Schaum und/oder Luftbläschen bedeckte Fläche des Sammelbereichs erreicht einen vordefinierten Schwellenwert
Größe und/oder Anzahl von Luftbläschen im Sammelbereich erreicht einen vordefinierten Schwellenwert
Allgemein kann ein kritischer Zustand dann erreicht sein, wenn ein oder mehrere Parameter, die den Zustand charakterisieren und/oder repräsentieren, einen vordefinierten Schwellenwert erreichen. Übersteigt oder unterschreitet ein Parameter einen vordefinierten Schwellenwert, ist mit einer Funktionsbeeinträchtigung der Insektenfalle zu rechnen oder liegt eine Funktionsbeeinträchtigung der Insektenfalle vor.
Ein vordefinierter Schwellenwert kann von einem Experten festgelegt und/oder anhand von empirischen Untersuchungen ermittelt werden.
Es ist auch möglich, dass das erfindungsgemäße Computersystem/Computerprogramm konfiguriert ist, eine Eingabe von einem Nutzer zu empfangen, die den vordefinierten Schwellenwert umfasst. Mit anderen Worten: der Nutzer kann den vordefinierten Schwellenwert selbst festlegen.
Der kritische Zeitpunkt, an dem der kritische Zustand erreicht wird, kann auf verschiedene Weisen ermittelt werden.
In einer Ausführungsform kann der kritische Zeitpunkt mittels Extrapolation ermittelt werden. „Extrapolation“ bezeichnet vorzugsweise die Fortführung einer Zeitreihe über den letzten beobachteten Wert hinaus. Mit anderen Worten: die Extrapolation ist vorzugsweise eine Schätzung oder Vorhersage anhand eines beobachteten Entwicklungstrends.
Eine solche Extrapolation kann auf Basis von zwei Parametern erfolgen, die zwei Zustände der Insektenfalle zu zwei Zeitpunkten charakterisieren oder repräsentieren. Erfindungsgemäß wird mindestens ein Parameter aus einer Bildaufnahme des Sammelbereichs der Insektenfalle abgeleitet, die den Sammelbereich zu einem definierten Zeitpunkt zeigt. Ein weiterer Parameter kann aus einer weiteren Bildaufnahme des Sammelbereichs der Insektenfalle abgeleitet werden, die den Sammelbereich zu einem weiteren definierten Zeitpunkt zeigt.
Es ist beispielsweise möglich, dass eine erste Bildaufnahme empfangen wird, die den Sammelbereich zu einem ersten Zeitpunkt ti in einem ersten Zustand Zi zeigt, und dass eine zweite Bildaufnahme empfangen wird, die den Sammelbereich zu einem zweiten Zeitpunkt in einem zweiten Zustand Z2 zeigt. Der zweite Zeitpunkt kann in einem zeitlichen Abstand zum ersten Zeitpunkt ti liegen, z.B. in einem zeitlichen Abstand von einer Stunde oder mehreren Stunden oder von einem Tag oder mehreren Tagen oder von einer Woche oder mehreren Wochen oder von einem Monat oder mehreren Monaten.
Der Begriff „Empfangen“, wie er in dieser Offenbarung verwendet wird, umfasst sowohl das Abrufen von Bildaufnahmen (und/oder anderen/weiteren Informationen und/oder Daten) als auch das Entgegennehmen von Bildaufnahmen (und/oder anderen/weiteren Informationen und/oder Daten), die z.B. an das Computersystem der vorliegenden Offenbarung übermittelt werden. Die Bildaufnahmen können z.B. von einer Kamera einer Insektenfalle empfangen werden, die die Bildaufnahmen an das Computersystem übermittelt. Die Bildaufnahmen (und/oder andere/weitere Informationen und/oder Daten) können aus einem oder mehreren Datenspeichern ausgelesen und/oder von einem separaten Computersystem übermittelt werden.
Es ist möglich, dass anhand der ersten Bildaufnahme ein erster Wert eines Parameters ermittelt wird, der den ersten Zustand charakterisiert oder repräsentiert, und dass anhand der zweiten Bildaufnahme ein zweiter Wert des Parameters ermittelt wird, der den zweiten Zustand charakterisiert oder repräsentiert.
Anhand des ersten Werts und des zweiten Werts kann auf einen kritischen Wert des Parameters extrapoliert werden. Der kritische Wert des Parameters charakterisiert oder repräsentiert den kritischen Zustand der Insektenfalle. Der kritische Wert kann ein oberer oder unterer vordefinierter Schwellenwert sein.
Die Extrapolation kann die zeitliche Entwicklung von dem ersten Zustand zum zweiten Zustand fortschreiben. Dabei kann die Extrapolation auf einer linearen zeitlichen Entwicklung des Zustands beruhen. Mit anderen Worten: für die zeitliche Entwicklung von dem ersten Zustand zum zweiten Zustand kann eine Geradengleichung ermittelt werden; die Gerade kann zeitlich über den zweiten Wert hinaus verlängert werden, bis der kritische Wert erreicht wird; der zum kritischen Wert gehörige Zeitpunkt ist dann der kritische Zeitpunkt.
Es ist auch möglich, dass für die zeitliche Entwicklung eine nicht-lineare Funktion zugrunde gelegt wird. Es ist zum Beispiel möglich, dass die zeitliche Entwicklung durch eine quadratische oder allgemein polynomiale Funktion oder eine exponentielle Funktion oder eine logarithmische Funktion oder eine andere Funktion beschrieben wird.
Eine Funktion, die die zeitliche Entwicklung eines Zustands beschreibt, kann vorab durch einen Experten festgelegt werden. Eine solche Funktion kann empirisch ermittelt werden und für alle Insektenfallen oder Insektenfallen eines Typs oder Insektenfallen, die in einem Land oder einer Region aufgestellt sind, verwendet werden. Eine solche Funktion kann auch empirisch für den Typ eines Bereichs, in dem die Anwesenheit von Insekten geprüft werden soll, ermittelt werden.
Die Extrapolation kann auch auf mehr als zwei Zuständen beruhen. Es ist möglich, dass eine dritte und eine vierte und ggf. weitere Bildaufnahmen erzeugt werden. Die dritte Bildaufnahme zeigt den Sammelbereich der Insektenfalle zu einem dritten Zeitpunkt ts (der üblicherweise in einem zeitlichen Abstand zum zweiten Zeitpunkt liegt) in einem dritten Zustand Z3. Die vierte Bildaufnahme zeigt den Sammelbereich der Insektenfalle zu einem vierten Zeitpunkt k (der üblicherweise in einem zeitlichen Abstand zum dritten Zeitpunkt ts liegt) in einem vierten Zustand Z4. Allgemein zeigt jede empfangene Bildaufnahme den Sammelbereich der Insektenfalle zu einem Zeitpunkt tq in einem q-ten Zustand Zq, wobei q eine ganze Zahl ist, die angibt, für wie viele Zeitpunkte Bildaufnahmen vorliegen. Der Abstand zwischen zwei unmittelbar aufeinander folgenden Zeitpunkten t und ti+i (wobei i eine ganze Zahl ist, für die gilt: 0 < i < q) kann für alle unmittelbar aufeinander folgenden Zeitpunkte gleich oder verschieden sein.
Aus jeder empfangenen Bildaufnahme kann ein Zustand ermittelt werden. Jeder Zustand kann durch einen oder mehrere Parameter beschrieben werden. Jeder Parameter kann eine Eigenschaft der Insektenfalle repräsentieren. Für jeden Parameter kann ein Wert ermittelt werden, der den jeweiligen Zustand charakterisiert. Die zeitliche Entwicklung der Werte kann mittels einer Funktion oder mittels mehrerer Funktionen (z.B. durch Spline-Funktionen) beschrieben (z.B. angenähert werden). Mit anderen Worten, für die ermittelten Werte als Funktion der Zeit kann eine Regressionsanalyse durchgeführt werden, um eine Funktion (oder mehrere Funktionen) zu ermitteln, oder um die Parameter für eine (z.B. von einem Experten) vorgegebene Funktion zu ermitteln.
Ist die Funktion mit ihren Parametern ermittelt, kann eine Extrapolation auf den kritischen Zustand erfolgen und es kann der kritische Zeitpunkt, an dem der kritische Zustand erreicht wird, ermittelt werden.
Es ist möglich, dass für eine Extrapolation ein Initialwert verwendet wird. Der Initialwert kann den initialen Zustand der Insektenfalle zum Zeitpunkt des Aufstellens und/oder Installierens oder nach einer Wartung (z.B. nach einer Säuberung und/oder nach dem Auffüllen einer Flüssigkeit, die in der Insektenfalle zum Immobilisieren von Insekten verwendet wird) charakterisieren und/oder repräsentieren.
Zu dem initialen Zustand kann beispielsweise die Zahl der Insekten in dem Sammelbereich der Insektenfalle null sein, der Verschmutzungsgrad kann null sein, der Trübungsgrad einer Flüssigkeit, die zum Immobilisieren von Insekten verwendet wird, kann null sein bzw. den Wert der reinen Flüssigkeit betragen und/oder der Färbungsgrad kann null sein bzw. den Wert der reinen Flüssigkeit betragen.
Insbesondere bei Verwendung eines Initialwerts bei der Extrapolation ist prinzipiell nur eine einzige Bildaufnahme nötig, um eine zeitliche Entwicklung eines oder mehrerer Zustände der Insektenfalle zu ermitteln. Der Initialwert repräsentiert den initialen Zustand und die eine Bildaufnahme repräsentiert einen weiteren Zustand zu einem Zeitpunkt, der üblicherweise in einem zeitlichen Abstand zum initialen Zeitpunkt liegt. Aus der Veränderung von dem initialen Zustand zu dem weiteren Zustand lässt sich eine zeitliche Entwicklung ableiten, die auf den kritischen Zustand extrapoliert werden kann.
Wie weiter unten beschrieben, kann im Falle einer einzigen Bildaufnahme die Ermittlung des kritischen Zeitpunktes oder Zustandes insbesondere mithilfe eines trainierten Modells des maschinellen Eernens erfolgen.
Es ist möglich, in die Ermittlung des kritischen Zeitpunkts weitere Werte von weiteren Parametern einfließen zu lassen. Die weiteren Parameter können Parameter sein, die einen Einfluss auf den Zustand und/oder die zeitliche Entwicklung des Zustands der Insektenfalle ausüben können.
Ein Beispiel für einen weiteren Parameter ist die Temperatur in der Insektenfalle (insbesondere im Sammelbereich) und/oder in der Umgebung der Insektenfalle (z.B. in einem Umkreis von einigen Zentimetern und/oder Metern und/oder Kilometern). Die Temperatur kann eine mittlere (z.B. arithmetisch gemittelte) Temperatur sein, die beispielsweise über einen Zeitraum von einem Tag oder mehreren Tagen gemittelt wird. Die Temperatur kann eine Minimal- und/oder eine Maximaltemperatur sein, die innerhalb einer definierten Zeitspanne von z.B. einem Tag oder mehreren Tagen auftritt.
Es ist möglich, dass Algen vorzugsweise innerhalb einer definierten Temperatur spanne wachsen und/oder dass bestimmte Temperaturbereiche das Algenwachstum fördern. Üblicherweise wachsen Algen bis zu einer Maximaltemperatur mit zunehmender Temperatur schneller. Berücksichtigt man die Temperatur, kann die zeitliche Entwicklung des Zustands der Insektenfalle in Bezug auf eine Funktionsbeeinträchtigung durch Algen im Sammelbereich besser beschrieben und/oder vorhergesagt werden. Neben dem Auftreten von Algen im Sammelbereich kann die Temperatur auch einen Einfluss auf die Zahl der Insekten im Sammelbereich und/oder auf den Verschmutzungsgrad im Sammelbereich haben. Viele Insekten sind nur in einem bestimmten Temperaturbereich aktiv; ist die Temperatur beispielsweise zu niedrig, verbleiben sind in ihrem Unterschlumpf. Damit ist die Wahrscheinlichkeit, dass Insekten in den Sammelbereich der Insektenfalle gelangen, unterhalb einer für jede Insektenart spezifischen Temperatur gering. Die Temperatur kann einen Einfluss darauf haben, wie schnell Flüssigkeit in dem Sammelbereich verdunstet. Die Temperatur kann kontinuierlich oder in definierten Abständen über einen Zeitraum von mehreren Tagen, Wochen oder Monaten gemessen werden. Die zeitlich variierenden Temperatur werte können in die Ermittlung des kritischen Zeitpunkts einfließen.
Anstelle einer Temperatur oder in Ergänzung zu einer Temperatur kann auch eine Wärmesumme in die Ermittlung des kritischen Zeitpunkts einfließen. Eine „Wärmesumme“ ist die Summe bestimmter Temperaturwerte innerhalb eines definierten Zeitraumes, z.B. die stündlich gemessenen Temperaturwerte innerhalb oder außerhalb der Insektenfalle über einen Zeitraum von z.B. vierundzwanzig Stunden. Die Temperatur kann auch kontinuierlich gemessen werden und es kann eine Integration der Temperaturwerte über eine definierte Zeitspanne (z.B. 24 Stunden) erfolgen.
Ein weiterer Parameter, der für die Ermittlung des kritischen Zeitpunkts verwendet werden kann, ist die Sonnenscheindauer. Als Sonnenscheindauer bezeichnet man die tatsächliche Dauer der direkten Sonnenstrahlung an einem bestimmten Ort innerhalb eines definierten Zeitraums (z.B. Tag, Woche, Monat, Jahreszeit oder Jahr). Die von der Sonne emittierte elektromagnetischen Strahlung ist essenziell für das Wachstum von Pflanzen und hat einen Einfluss auf die Temperatur in der Insektenfalle und in ihrer Umgebung. Sie kann einen Einfluss auf das Algenwachstum in einer Flüssigkeit haben, die in dem Sammelbereich der Insektenfalle zum Immobilisieren von Insekten verwendet wird. Sie kann einen Einfluss darauf haben, wie viele Insekten sich in der Umgebung der Insektenfalle aufhalten und in die Insektenfalle gelangen. Sie kann einen Einfluss darauf haben, wie schnell eine Flüssigkeit in dem Sammelbereich verdunstet. Sie kann einen Einfluss darauf haben, wie schnell die Flüssigkeit verschmutzt wird, trübe wird und/oder eine zunehmende Färbung annimmt.
Die Sonnenscheindauer kann kontinuierlich über einen Zeitraum von mehreren Tagen, Wochen oder Monaten gemessen werden. Anstelle der Sonnenscheindauer oder in Ergänzung zur Sonnenscheindauer kann die Strahlungsintensität der Sonne am Ort der Insektenfalle und/oder in ihrer Umgebung gemessen und für die Ermittlung des kritischen Zeitpunkts verwendet werden.
Ein weiterer Parameter, der für die Ermittlung des kritischen Zeitpunkts verwendet werden kann, ist die Regendauer und/oder die Regenmenge. Regen kann einen Einfluss darauf haben, wie viele Insekten sich in der Umgebung der Insektenfalle aufhalten und damit in die Insektenfalle gelangen. Regen kann einen Einfluss darauf haben, ob und/oder wie viel Schmutz und/oder Wasser in den Sammelbereich gelangt. Die Regenmenge und/oder Regendauer kann kontinuierlich über einen Zeitraum von Tagen, Wochen oder Monaten gemessen werden.
Weitere Parameter, die einen Einfluss auf eine Funktionsbeeinträchtigung der Insektenfalle ausüben und für die Ermittlung des kritischen Zeitpunkts verwendet werden können, sind die Luftfeuchtigkeit, die Windgeschwindigkeit und/oder die Windrichtung, der am Ort der Insektenfalle und/oder in ihrer Umgebung herrschende Luftdruck, die Art und/oder Menge der in der Umgebung zur Insektenfalle wachsenden Pflanzen und/oder ihre Entfernung zur Insektenfalle, die Dauer und/oder Intensität von Pollenflug am Ort der Insektenfalle und/oder in ihrer Umgebung, die Art und Menge der in der Umgebung zur Insektenfalle auftretenden Gewässer und/oder ihre Entfernung zur Insektenfalle, der Standort der Insektenfalle (z.B. in Form der Längen- und Breitenangaben) und/oder dergleichen.
Auch eine Wanderungsrichtung von Insekten und/oder die Arten und/oder die Mengen an Insekten, die in anderen Insektenfallen (z.B. benachbarten Insektenfallen und/oder Insektenfallen in einer Umgebung von mehreren Metern oder Kilometern) detektiert und/oder gezählt und/oder identifiziert wurden, oder saisonale Insektenbewegungen können in die Ermittlung des kritischen Zeitpunkts einbezogen werden.
Parameter wie Temperatur, Sonnenscheindauer, Strahlungsintensität, Windstärke, Windrichtung, Luftfeuchtigkeit, Regenmenge, Regendauer, Pollenflug und Insekten in der Umgebung können mit Sensoren gemessen werden, die ein Bestandteil der Insektenfalle sein können und/oder die am Ort der Insektenfalle und/oder in ihrer Umgebung stationiert sein können. Die Parameter können in definierten zeitlichen Abständen und/oder kontinuierlich gemessen werden. Die Parameter können über eine Sendeeinheit der Insektenfalle und/oder über eine separate Sendeeinheit an ein separates Computersystem übermittelt werden.
Es ist auch möglich, dass die genannten Parameter aus einer oder mehreren Datenbanken gewonnen werden, z.B. aus Datenbanken von Wetterdiensten und/oder meteorologischen Stationen, und/oder agronomische Datenbanken. Ferner können vergangene Erfahrungen mit der Insektenfalle und/oder mit Insektenfallen des gleichen Typs und/oder mit Insektenfallen in der Umgebung wie beispielsweise vergangene Wartungsintervalle in die Ermittlung des kritischen Zeitpunkts einbezogen werden.
Auch Informationen zum Ort der Insektenfalle (z.B. in Form der GPS-Koordinaten) und/oder die Höhe des Ortes der Insektenfalle über dem Meeresspiegel können zur Ermittlung des kritischen Zeitpunkts verwendet werden.
Die Ermittlung des kritischen Zeitpunkts kann, wie oben beschrieben, auf einer Regressionsanalyse basieren. Die Regressionsanalyse ist ein statistisches Verfahren zur Modellierung der Beziehungen zwischen dem einen oder den mehreren (abhängigen) Parametern, die den Zustand der Insektenfalle charakterisieren und/oder repräsentieren und einen oder mehreren (unabhängigen) Parametern, die den Zustand der Insektenfalle beeinflussen.
Für die Regressionsanalyse kann eine mathematische Funktion mit Funktionsparametern vorgegeben sein (z.B. durch einen Experten), und in der Regressionsanalyse können die gemessenen Messwerte von verschiedenen (Mess-)Parametern verwendet werden, um die Funktionsparameter so zu modifizieren, dass die finale Funktion den zeitlichen Verlauf eines oder mehrerer Zustände (repräsentiert durch einen oder mehrere (Mess-)Werte) bestmöglich beschreibt und/oder annähert.
Es ist auch möglich, dass eine mathematische Funktion verwendet wird, deren Ergebnis direkt den kritischen Zeitpunkt liefert.
Es ist auch möglich, ein Modell des maschinellen Lernens zu trainieren, den zeitlichen Verlauf eines oder mehrerer Zustände der Insektenfalle vorherzusagen und/oder den kritischen Zeitpunkt vorherzusagen.
Ein solches „Modell des maschinellen Lernens“ kann als eine computerimplementierte Datenverarbeitungsarchitektur verstanden werden. Das Modell kann Eingabedaten empfangen und Ausgabedaten auf der Grundlage dieser Eingabedaten und Modellparametern liefern. Das Modell kann durch Training eine Beziehung zwischen den Eingabedaten und den Ausgabedaten erlernen. Beim Training können Modellparameter angepasst werden, um eine gewünschte Ausgabe für eine bestimmte Eingabe zu liefern.
Beim Trainieren eines solchen Modells werden dem Modell Trainingsdaten präsentiert, aus denen es lernen kann. Das trainierte Modell des maschinellen Lernens ist das Ergebnis des Trainingsprozesses. Die Trainingsdaten umfassen neben Eingabedaten die korrekten Ausgabedaten (Zieldaten), die das Modell auf Basis der Eingabedaten erzeugen soll. Beim Trainieren werden Muster erkannt, die die Eingabedaten auf die Zieldaten abbilden.
Im Trainingsprozess werden die Eingabedaten der Trainingsdaten in das Modell eingegeben, und das Modell erzeugt Ausgabedaten. Die Ausgabedaten werden mit den Zieldaten verglichen. Modellparameter werden so verändert, dass die Abweichungen zwischen den Ausgabedaten und den Zieldaten auf ein (definiertes) Minimum reduziert werden. Zur Modifizierung der Modellparameter im Hinblick auf eine Reduzierung der Abweichungen kann ein Optimierungsverfahren wie beispielsweise ein Gradientenverfahren verwendet werden.
Die Abweichungen können mit Hilfe einer Fehlerfunktion (engl.: loss function) quantifiziert werden. Eine solche Fehlerfunktion kann verwendet werden, um einen Fehler (engl. : loss) für ein gegebenes Paar von Ausgabedaten und Zieldaten zu berechnen. Das Ziel des Trainingsprozesses kann darin bestehen, die Parameter des Modells des maschinellen Lernens so zu verändern (anzupassen), dass der Fehler für alle Paare des Trainingsdatensatzes auf ein (definiertes) Minimum reduziert wird.
Handelt es sich bei den Ausgabedaten und den Zieldaten beispielsweise um Zahlen, kann die Fehlerfunktion die absolute Differenz zwischen diesen Zahlen sein. In diesem Fall kann ein hoher absoluter Fehler bedeuten, dass ein oder mehrere Modellparameter in hohem Maße geändert werden müssen.
Bei Ausgabedaten in Form von Vektoren können beispielsweise Differenzmetriken zwischen Vektoren wie der mittlere quadratische Fehler, ein Kosinusabstand, eine Norm des Differenzvektors wie ein euklidischer Abstand, ein Tschebyscheff-Abstand, eine Lp-Norm eines Differenzvektors, eine gewichtete Norm oder eine andere Art von Differenzmetrik zweier Vektoren als Fehlerfunktion gewählt werden.
Bei höherdimensionalen Ausgaben, wie z.B. zweidimensionalen, dreidimensionalen oder höherdimensionalen Ausgaben, kann z.B. eine elementweise Differenzmetrik verwendet werden. Alternativ oder zusätzlich können die Ausgabedaten vor der Berechnung eines Fehlerwertes transformiert werden, z.B. in einen eindimensionalen Vektor.
Im vorliegenden Fall kann das Modell des maschinellen Lernens trainiert werden, auf Basis von Eingabedaten, die eine oder mehrere zeitvariable Zustände einer Insektenfalle zu einem oder mehreren Zeitpunkten repräsentieren, einen kritischen Zeitpunkt vorherzusagen, zu dem die Insektenfalle einen kritischen Zustand erreicht, der die Funktionalität der Insektenfalle beeinträchtigt. Es können weitere Eingabedaten zur Vorhersage des kritischen Zeitpunkts verwendet werden, wie beispielsweise die in dieser Beschreibung beschriebenen Parameter, die einen Einfluss auf die Funktionalität der Insektenfalle und damit auf den kritischen Zeitpunkt ausüben.
Ein solches Training kann auf Trainingsdaten basieren, die für jede Insektenfalle einer Vielzahl an Insektenfallen i) Daten zum zeitlichen Verlauf eines oder mehrerer Zustände der Insektenfalle als Eingabedaten und ii) Daten zu dem kritischen Zeitpunkt, zu dem die Funktionalität der Insektenfalle beeinträchtigt ist, als Zieldaten umfassen. Als weitere Eingabedaten können ein oder mehrere der in dieser Beschreibung beschriebenen Parameter verwendet werden, die einen Einfluss auf die Funktionalität der Insektenfalle und damit auf den kritischen Zeitpunkt ausüben.
Die Eingabedaten können für jede Insektenfalle einen oder mehrere Werte für Parameter umfassen, die einen oder mehrere Zustände der Insektenfalle zu verschiedenen Zeitpunkten repräsentieren und/oder charakterisieren. Zum Beispiel können die Eingabedaten für einen oder mehrere Zeitpunkte einen oder mehrere der folgenden Angaben umfassen:
Zahl der Insekten in dem Sammelbereich der Insektenfalle mit Insekten bedeckte Fläche des Sammelbereichs
Höhe eines Flüssigkeitsspiegels in dem Sammelbereich
Höhe eines Flüssigkeitsspiegels in einem Vorratsbehälter
Menge an Flüssigkeit in dem Sammelbereich
Menge an Flüssigkeit in einem Vorratsbehälter
Trübungsgrad einer Flüssigkeit im Sammelbehälter
Trübungsgrad einer Flüssigkeit in einem Vorratsbehälter
Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit im Sammelbehälter Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit in einem Vorratsbehälter
Anzahl von Schmutzpartikeln in dem Sammelbereich der Insektenfalle mit Schmutzpartikeln bedeckte Fläche des Sammelbereichs
Grad der Helligkeit im Sammelbereich
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Reflexe auftreten Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Luftbläschen und/oder Schaum auftreten mit Schaum und/oder Luftbläschen bedeckte Fläche des Sammelbereichs
Größe und/oder Anzahl von Luftbläschen im Sammelbereich
Vorzugsweise umfassen die Eingabedaten auch Angaben über den einen oder die mehreren Zeitpunkte. Zeitpunkte können als absolute Daten angegeben werden (z.B. in Form eines Datums und einer Uhrzeit) und/oder in Form einer Zeitdifferenz zu dem Zeitpunkt eines definierten Ereignisses. Der Zeitpunkt des definierten Ereignisses kann z.B. der Zeitpunkt des Aufstellens und/oder der Inbetriebnahme der Insektenfalle und/oder der Zeitpunkt der letzten Wartung sein.
Die Eingabedaten können weitere Daten umfassen, wie beispielsweise:
Standort der Insektenfalle
Höhe der Insektenfalle über dem Meeresspiegel
Entfernung der Insektenfalle zum nächsten Gewässer
Art des nächsten Gewässers
Art und /oder Menge an Pflanzen, die in der Umgebung der Insektenfalle wachsen, und/oder ihre Entfernung zur Insektenfalle
Zahl und/oder Art der Insekten, die in einer definierten Zeitspanne in einer oder mehreren Insektenfallen in der Umgebung detektiert wurden
Wanderungsrichtung von Insekten am Standort der Insektenfalle und/oder in der Umgebung minimale, maximale und/oder mittlere Temperatur in der Insektenfalle und/oder in der Umgebung der Insektenfalle zu einem oder mehreren Zeitpunkten, minimale, maximale und/oder mittlere Temperatur in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume (z.B. 24 Stunden)
Wärmesumme über einen oder mehrere Zeitspannen in der Insektenfalle und/oder in der Umgebung der Insektenfalle
Regenmenge am Ort der Insektenfalle über einen oder mehrere definierte Zeiträume (z.B. 24 Stunden) minimale, maximale und/oder mittlerer Luftdruck in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume (z.B. 24 Stunden) minimale, maximale und/oder mittlere Luftfeuchtigkeit in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume (z.B. 24 Stunden) minimale, maximale und/oder mittlere Windgeschwindigkeit in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume (z.B. 24 Stunden) Sonnenscheindauer über einen oder mehrere definierte Zeiträume (z.B. 24 Stunden) Strahlungsintensität der Sonne am Ort der Insektenfalle über einen oder mehrere definierte Zeiträume (z.B. 24 Stunden)
Dauer und/oder Intensität von Pollen an dem Standort der Insektenfalle für eine oder mehrere Zeitspannen
Typ der Insektenfalle
Größe des Sammelbereichs
Art der Befestigung der Insektenfalle.
Beim Trainieren werden die Eingabedaten in das Modell des maschinellen Lernens eingegeben. Das Modell des maschinellen Lernens erzeugt auf Basis der Eingabedaten und auf Basis von Modellparametern eine Ausgabe. Diese Ausgabe kann ein vorhergesagter kritischer Zeitpunkt sein. Der vorhergesagte kritische Zeitpunkt kann mit dem jeweiligen kritischen Zeitpunkt der Trainingsdaten (Zieldaten) verglichen werden. Mit Hilfe einer Fehlerfunktion können die Abweichung zwischen der Ausgabe und den Zieldaten quantifiziert werden. In einem Optimierungsverfahren (z.B. einem Gradientenverfahren) können die Abweichungen durch Modifizieren von Modellparameter reduziert werden. Erreichen die Abweichungen ein definiertes Minimum und/oder erreichen die mittels der Fehlerfunktion berechneten Fehler ein Plateau, d.h. lassen sich die Fehler durch weiteres Modifizieren der Modellparameter nicht mehr reduzieren, kann das Trainieren beendet werden.
Das trainierte Modell des maschinellen Lernens kann zur Vorhersage verwendet werden. Dazu können dem trainierten Modell des maschinellen Lernens neue Eingabedaten präsentiert werden. Dabei bedeutet der Begriff „neu“, dass diese Daten nicht bereits beim Trainieren des Modells des maschinellen Lernens verwendet wurden. Die neuen Eingabedaten umfassen Werte von Parametern, die einen oder mehrere zeitvariable Zustände der Insektenfalle zu einem oder mehreren Zeitpunkten repräsentieren. Die Eingabedaten können Werte von weiteren Parametern umfassen, die einen Einfluss auf die Funktionalität der Insektenfalle haben können.
Die neuen Eingabedaten können in das trainierte Modell des maschinellen Lernens eingegeben werden und das Modell des maschinellen Lernens kann einen vorhergesagten kritischen Zeitpunkt ausgeben.
Das Modell des maschinellen Lernens kann ein oder mehrere der folgenden Modelle sein oder ein oder mehrere der folgenden Modelle umfassen: künstliches neuronales Netz, Random Forest, Support Vector Machine, Gradient Boosted Trees.
In einer bevorzugten Ausführungsform ist das Modell des maschinellen Lernens ein künstliches neuronales Netz oder es umfasst ein solches.
Ein „künstliches neuronales Netzwerk“ umfasst mindestens drei Schichten von Verarbeitungselementen: eine erste Schicht mit Eingangsneuronen (Knoten), eine N-te Schicht mit mindestens einem Ausgangsneuron (Knoten) und N-2 innere Schichten, wobei N eine natürliche Zahl und größer als 2 ist.
Die Eingangsneuronen dienen zum Empfangen der Eingabedaten. Üblicherweise gibt es ein Eingangsneuron für jeden Wert der Eingabedaten.
Die Ausgangsneuronen können dazu dienen, einen kritischen Zeitpunkt auszugeben (Ausgabedaten).
Die Verarbeitungselemente der Schichten zwischen den Eingangsneuronen und den Ausgangsneuronen sind in einem vorbestimmten Muster mit vorbestimmten Verbindungsgewichten miteinander verbunden.
Das Trainieren des neuronalen Netzes kann beispielsweise mittels eines Backpropagation- Verfahrens durchgeführt werden. Dabei wird für das Netz eine möglichst zuverlässige Abbildung der Eingabedaten auf die Ausgabedaten angestrebt. Die Qualität der Vorhersage wird durch eine Fehlerfunktion beschrieben. Das Ziel ist die Minimierung der Fehlerfunktion. Das Einlernen eines künstlichen neuronalen Netzes erfolgt bei dem Backpropagation- Verfahren durch die Änderung der Verbindungsgewichte.
Im trainierten Zustand enthalten die Verbindungsgewichte zwischen den Verarbeitungselementen Informationen bezüglich des Zusammenhangs zwischen einem oder mehreren zeitvariablen Zuständen von Insektenfallen zu einem oder mehreren Zeitpunkten und den kritischen Zeitpunkten, zu denen ein kritischer Zustand erreicht wird, die verwendet werden können.
In einer bevorzugten Ausführungsform handelt es sich bei dem künstlichen neuronalen Netz um ein rekurrentes neuronales Netz (RNN) oder es umfasst ein solches.
Rekurrente neuronale Netze („RNN“) sind eine Familie von künstlichen neuronalen Netzen, die Rückkopplungsverbindungen zwischen Schichten enthalten. RNNs ermöglichen die Modellierung sequentieller Daten durch gemeinsame Nutzung von Parameterdaten über verschiedene Teile des neuronalen Netzwerks. Die Architektur für ein RNN enthält Zyklen. Die Zyklen repräsentieren den Einfluss eines gegenwärtigen Werts einer Variablen auf ihren eigenen Wert zu einem zukünftigen Zeitpunkt, da mindestens ein Teil der Ausgabedaten von der RNN als Rückkopplung zur Verarbeitung nachfolgender Eingaben in einer Sequenz verwendet wird. Ein Beispiel eines RNN ist das so genannte Long Short-Term Memory (LSTM) Netzwerk (siehe z.B.: B. Lindemann et al. '. A Survey on Long Short-Term Memory Networks for Time Series Prediction, 2020, 10.13140/RG.2.2.36761.65129/1).
Es ist auch möglich, ein künstliches neuronales Netz direkt auf Basis der Bildaufnahmen zu trainieren, d.h. es ist nicht erforderlich, in einem ersten Schritt einen oder mehrere Werte von Parametern, die den zeitvariablen Zustand der Insektenfalle repräsentieren oder charakterisieren, z.B. mit Methoden der Bilderkennung aus den Bildaufnahmen zu gewinnen. Es ist möglich, eine oder mehrere Bildaufnahmen direkt als Eingabedaten in das künstliche neuronale Netz einzugeben. Vorzugsweise wird mit jeder Bildaufnahme auch eine Zeitangabe in das künstliche neuronale Netz eingegeben, die angibt, zu welchem Zeitpunkt (absolut oder in Relation zu anderen Zeitpunkten, zu denen weitere Bildaufnahmen erzeugt wurden) die jeweilige Bildaufnahme erzeugt worden ist. Als Zieldaten kann für jede Bildaufnahme eine Information verwendet werden, die angibt, wann für eine Insektenfalle, deren Sammelbereich in der mindestens einen Bildaufnahme gezeigt ist, ein kritischer Zeitpunkt erreicht wurde. Als Zieldaten kann auch eine Information verwendet werden, welcher kritische Zustand zu dem kritischen Zeitpunkt erreicht wurde, d.h., welche Funktionalität(en) beeinträchtigt war(en).
Das künstliche neuronale Netz kann also trainiert werden, auf Basis von Bildaufnahmen, die zu verschiedenen Zeitpunkten erzeugt wurden und die Sammelbereiche von Insektenfallen zeigen, bei denen (noch) keine Funktionsbeeinträchtigung vorliegt oder eine oder mehrere Funktionsbeeinträchtigungen vorliegen, einen kritischen Zeitpunkt für das Erreichen eines kritischen Zustands und optional des jeweiligen kritischen Zustands vorherzusagen.
Wie beschrieben kann der durch Extrapolation und/oder Regression gewonnene und/oder mit Hilfe eines trainierten Modells des maschinellen Lernens vorhergesagte kritische Zeitpunkt ausgegeben werden, d.h. auf einem Bildschirm angezeigt, auf einem Drucker ausgedruckt, in einem Datenspeicher gespeichert und/oder an ein separates Computersystem über ein Netzwerk übermittelt werden.
Es ist auch möglich, dass Informationen zu dem kritischen Zustand ausgegeben werden. Zum Beispiel kann ausgegeben werden, welcher kritische Zustand zum kritischen Zeitpunkt erreicht wird. Es können Informationen über eine oder mehrere Maßnahmen ausgegeben werden, die ein Nutzer ergreifen soll, um eine Funktionsbeeinträchtigung zu unterbinden. Es ist möglich, dass anstelle oder in Ergänzung zu dem kritischen Zeitpunkt ein früherer Zeitpunkt ausgegeben wird. Der frühere Zeitpunkt kann dem Nutzer eine Zeitspanne angeben, innerhalb der Nutzer eine Wartung der Insektenfalle vornehmen kann, bevor der kritische Zustand erreicht wird. Es ist möglich, dass der Nutzer selbst diese Zeitspanne festlegt. Es ist zum Beispiel möglich, dass der Nutzer das Computersystem/Computerprogramm konfiguriert, einen Zeitpunkt ausgegeben, der einen Tag oder mehrere Tage oder eine Woche oder eine andere Zeitspanne vor Erreichen des kritischen Zeitpunkts liegt.
Es ist auch möglich, dass dem Nutzer eine definierte Zeitspanne vor Erreichen des kritischen Zeitpunkts eine Warnmitteilung übermittelt wird. Die Warnmitteilung kann den Nutzer informieren, dass die Insektenfalle nach Ablauf der definierten Zeitspanne einen kritischen Zustand erreicht und innerhalb der kritischen Zeitspanne gewartet werden sollte, um eine Funktionsbeeinträchtigung zu verhindern.
Es ist auch möglich, in Ergänzung zu oder anstelle eines kritischen Zeitpunkts eine Wahrscheinlichkeit zu ermitteln (z.B. mit Hilfe des Modells des maschinellen Lernens vorherzusagen), dass innerhalb einer definierten Zeitspanne (z.B. innerhalb der nächsten Tage oder Wochen) eine Funktionsbeeinträchtigung auftritt und ggf. welche Funktionsbeeinträchtigung auftreten wird. Die Wahrscheinlichkeit kann ausgeben werden. Die Wahrscheinlichkeit kann mit einem vordefinierten Schwellenwert verglichen werden. Erreicht oder übersteigt die Wahrscheinlichkeit den vordefinierten Schwellenwert, kann eine Mitteilung ausgeben werden, dass innerhalb der Zeitspanne, für die die Wahrscheinlichkeit ermittelt wurde, mit einer Funktionsbeeinträchtigung zu rechnen ist. Die Funktionsbeeinträchtigung, mit der zu rechnen ist, kann ebenfalls ausgegeben werden. Es ist möglich, dass die Ermittlung des kritischen Zeitpunkts fortlaufend aktualisiert wird. Es ist möglich, dass immer dann, wenn eine neue Bildaufnahme von einem Sammelbereich einer Insektenfalle erzeugt wird, eine automatisierte Ermittlung eines kritischen Zeitpunkts erfolgt. Die Ermittlung des kritischen Zeitpunkts kann dabei auf Basis aller zeitvariablen Zustände, die ab einem initialen Zustand ermittelt wurden, erfolgen. Es ist möglich, dass ermittelte zeitvariable Zustände zu späteren Zeitpunkten höher gewichtet, d.h. in größerem Maße berücksichtigt werden als Zustände zu früheren Zeitpunkten. Es ist auch möglich, dass nur zeitvariable Zustände von einer Zahl an zurückliegenden Zeitpunkten berücksichtigt werden, z.B. die letzten beiden oder die letzten drei oder die letzten vier oder die letzten fünf oder die letzten sechs oder eine andere Zahl.
Die Erfindung wird nachfolgend anhand von Zeichnungen näher erläutert, ohne die Erfindung auf die in den Zeichnungen dargestellten Merkmale und Merkmalskombinationen beschränken zu wollen.
Fig. 1 (a), Fig. 1 (b) und Fig. 1 (c) zeigen beispielhaft und schematisch die Ermittlung eines kritischen Zeitpunkts auf Basis eines oder mehrerer zeitvariabler Zustände.
Fig. 1 (a), Fig. 1 (b) und Fig. 1 (c) zeigen die zeitliche Entwicklung eines Parameters P in Form eines zweidimensionalen kartesischen Koordinatensystems. Die Ordinate stellt den Parameter P dar, die Abszisse stellt die Zeit t dar. Der Parameter P ist ein zeitvariabler Parameter, denn er ändert sich mit der Zeit t. Der Parameter P repräsentiert und/oder charakterisiert einen zeitvariablen Zustand einer Insektenfalle.
Bei dem Parameter P kann es sich beispielsweise um eine der folgenden Größen handeln:
Zahl der Insekten in dem Sammelbereich der Insektenfalle mit Insekten bedeckte Fläche des Sammelbereichs
Höhe eines Flüssigkeitsspiegels in dem Sammelbereich
Höhe eines Flüssigkeitsspiegels in einem Vorratsbehälter
Menge an Flüssigkeit in dem Sammelbereich
Menge an Flüssigkeit in einem Vorratsbehälter
Trübungsgrad einer Flüssigkeit im Sammelbehälter
Trübungsgrad einer Flüssigkeit in einem Vorratsbehälter
Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit im Sammelbehälter Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit in einem Vorratsbehälter
Anzahl von Schmutzpartikeln in dem Sammelbereich der Insektenfalle mit Schmutzpartikeln bedeckte Fläche des Sammelbereichs
Grad der Helligkeit im Sammelbereich
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Reflexe auftreten
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Euftbläschen und/oder Schaum auftreten mit Schaum und/oder Euftbläschen bedeckte Fläche des Sammelbereichs
Größe und/oder Anzahl von Luftbläschen im Sammelbereich
Zu einem initialen Zeitpunkt to hat der Parameter P den Wert Po- Der initiale Zeitpunkt to kann beispielsweise der Zeitpunkt sein, an dem die Insektenfalle aufgestellt und/oder erstmalig in Betrieb genommen und/oder einer Wartung und/oder einer Reinigung unterzogen wurde.
Zu einem ersten Zeitpunkt ti erreicht der Parameter P den Wert P\. Der Parameter P\ wird auf Basis einer ersten Bildaufnahme h ermittelt, die einen Sammelbereich der Insektenfalle zu dem ersten Zeitpunkt ti in einem ersten Zustand Zi zeigt.
Auf Basis der Punkte (to, Po) und ( i, Pi) wird eine Geradengleichung aufgestellt, die die zeitliche Entwicklung des Parameters P beschreibt/approximiert. Für die Gerade G gilt: P, — Po ti ■ Po — t0 ■ P, P(t) = — - - ■ t + - - - - - - - - to - to
Die zeitliche Entwicklung des Parameters P kann über den Zeitpunkt ti hinaus fortgesetzt werden. Fig. 1 (b) zeigt in gestrichelter Form die Fortsetzung der Geraden G. Der Zeitpunkt, an dem der Parameter P einen kritischen Wert k erreicht, ist der kritische Zeitpunkt tk- Zu diesem kritischen Zeitpunkt tk erreicht die Insektenfalle einen kritischen Zustand Zk (repräsentiert und/oder charakterisiert durch den Wert k des Parameters P). Ab diesem Zeitpunkt ist mit einer Funktionsbeeinträchtigung der Insektenfalle zu rechnen. Der kritische Zeitpunkt tk kann durch folgende Gleichung berechnet werden:
In Fig. 1 (c) ist gezeigt, dass neben der ersten Bildaufnahme h noch eine zweite Bildaufnahme P und eine dritte Bildaufnahme h vorliegen. Die zweite Bildaufnahme P zeigt den Sammelbereich der Insektenfalle zu einem zweiten Zeitpunkt p in einem zweiten Zustand Z2 (repräsentiert und/oder charakterisiert durch den Wert 2). Die dritte Bildaufnahme p zeigt den Sammelbereich der Insektenfalle zu einem dritten Zeitpunkt ts in einem dritten Zustand Z3 (repräsentiert und/oder charakterisiert durch den Wert P3).
Der zeitliche Verlauf des Parameters P kann durch die Gerade G‘ angenähert werden. Die Gerade G’ kann mittels linearer Regression auf Basis der Punkte (to, Po), (ti, Pi), fe 2) und ( s, P3) gewonnen werden. Die Gerade G’ kann über den Punkt ( s, P3) hinaus verlängert werden, um den die durch Gerade G‘ beschriebenen zeitlichen Entwicklungstrend des Parameters P fortzusetzen. Erreicht die Gerade G‘ den Wert k ist der kritische Zeitpunkt tk, ab dem mit einer Funktionsbeeinträchtigung der Insektenfalle zu rechnen ist (kritischer Zustand Zk), erreicht.
Die lineare Regression muss nicht alle Punkte einschließen; es ist denkbar, dass eine lineare Regression nur auf Basis eines Teils der Punkte vorgenommen wird; zum Beispiel auf Basis der Punkte der letzten zwei oder drei zurückliegenden Zeitpunkte.
Es sei angemerkt, dass der zeitliche Verlauf des Parameters P nicht zwingend durch eine Geradengleichung beschrieben/angenähert werden muss; es ist denkbar, dass eine andere mathematische Funktion zugrunde gelegt wird, deren Parameter in einer nicht-linearen Regressionsanalyse gewonnen werden können.
In dem in Fig. 1 (a), Fig. 1 (b) und Fig. 1 (c) gezeigten Beispiel wird angenommen, dass der Parameter P nur von der Zeit abhängt. Es ist möglich, dass die zeitliche Entwicklung des Parameters P von einem oder mehreren weiteren unabhängigen Variablen abhängt. Der zeitliche Verlauf des Parameters P kann in einem solchen Fall durch eine multivariable Regression beschrieben/angenähert werden. Eine solche multivariable Regression kann beispielsweise mit Hilfe eines künstlichen neuronalen Netzes erfolgen.
Fig. 2 zeigt beispielhaft und schematisch eine Ausführungsform des Verfahrens zur Ermittlung des kritischen Zeitpunkts in Form eines Ablaufschemas. Das Verfahren (100) umfasst die Schritte:
(110) Empfangen von Daten, wobei die Daten eine erste Bildaufnahme umfassen, wobei die erste Bildaufnahme einen Sammelbereichs einer Insektenfalle zu einem ersten Zeitpunkt zeigt,
(120) Ermitteln eines ersten Zustands der Insektenfalle zu dem ersten Zeitpunkt auf Basis der ersten Bildaufnahme,
(130) Ermitteln eines kritischen Zeitpunkts, zu dem die Insektenfalle einen kritischen Zustand erreicht, auf Basis des ersten Zustands und des ersten Zeitpunkts, wobei der kritische Zustand dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind, (140) Ausgeben einer Mitteilung, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt und/oder dem kritischen Zustand umfasst.
Die in dieser Offenbarung beschriebenen Schritte, Verfahren und/oder Funktionen können ganz oder teilweise von einem Computersystem ausgeführt werden.
Ein "Computersystem" ist ein System zur elektronischen Datenverarbeitung, das mittels programmierbarer Rechenvorschriften Daten verarbeitet. Ein solches System umfasst üblicherweise einen "Computer", diejenige Einheit, die einen Prozessor zur Durchführung logischer Operationen umfasst, sowie eine Peripherie.
Als "Peripherie" bezeichnet man in der Computertechnik alle Geräte, die an den Computer angeschlossen sind, und zur Steuerung des Computers und/oder als Ein- und Ausgabegeräte dienen. Beispiele hierfür sind Monitor (Bildschirm), Drucker, Scanner, Maus, Tastatur, Laufwerke, Kamera, Mikrofon, Lautsprecher etc. Auch interne Anschlüsse und Erweiterungskarten gelten in der Computertechnik als Peripherie.
Heutige Computersysteme werden häufig in Desktop-PCs, tragbare PCs, Laptops, Notebooks, Netbooks und Tablet-PCs sowie sogenannte Handhelds (z. B. Smartphone) unterteilt; alle diese Systeme können für die Durchführung der Erfindung verwendet werden.
Der Begriff "Computer" sollte weit ausgelegt werden und jede Art von elektronischem Gerät mit Datenverarbeitungsfähigkeiten umfassen, einschließlich, als nicht einschränkende Beispiele, Personal Computer, Server, eingebettete Kerne, Kommunikationsgeräte, Prozessoren (z.B. digitale Signalprozessoren (DSP), Mikrocontroller, feldprogrammierbare Gate-Arrays (FPGA), anwendungsspezifische integrierte Schaltkreise (ASIC) usw.) und andere elektronische Rechengeräte.
Der Begriff "verarbeiten", wie er oben verwendet wird, soll jede Art von Berechnung oder Manipulation oder Umwandlung von Daten umfassen, die als physikalische, z.B. elektronische, Phänomene dargestellt werden und z.B. in Registern und/oder Speichern mindestens eines Computers oder Prozessors auftreten oder gespeichert werden können. Der Begriff "Prozessor" umfasst eine einzelne Verarbeitungseinheit oder eine Vielzahl verteilter oder entfernter solcher Einheiten.
Fig. 3 zeigt beispielhaft und schematisch eine Ausführungsform eines Computersystems der vorliegenden Offenbarung. Das Computersystem (1) umfasst eine Eingabeeinheit (10) eine Steuer- und Recheneinheit (20) und eine Ausgabeeinheit (30).
Die Steuer- und Recheneinheit (20) ist konfiguriert, die Eingabeeinheit (10) zu veranlassen Daten zu empfangen, wobei die Daten eine Insektenfalle zu einem oder mehreren Zeitpunkten charakterisieren, wobei die Daten eine erste Bildaufnahme umfassen, wobei die erste Bildaufnahme einen Sammelbereichs einer Insektenfalle zu einem ersten Zeitpunkt zeigt, einen ersten Zustand der Insektenfalle zu dem ersten Zeitpunkt auf Basis der ersten Bildaufnahme zu ermitteln, auf Basis des ersten Zustands und des ersten Zeitpunkts einen kritischen Zeitpunkt zu ermitteln, zu dem die Insektenfalle einen kritischen Zustand erreicht, wobei der kritische Zustand dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind, die Ausgabeeinheit (30) zu veranlassen eine Mitteilung auszugeben, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt und/oder dem kritischen Zustand umfasst.
Fig. 4 zeigt beispielhaft und schematisch eine weitere Ausführungsform eines Computersystems der vorliegenden Offenbarung.
Das Computersystem (1) umfasst eine Verarbeitungseinheit (20), die mit einem Speicher (50) verbunden ist.
Die Verarbeitungseinheit (20) (engl.: processing unit) kann einen oder mehrere Prozessoren allein oder in Kombination mit einem oder mehreren Speichern umfassen. Bei der Verarbeitungseinheit (20) kann es sich um gewöhnliche Computerhardware handeln, die in der Lage ist, Informationen wie z.B. digitale Bildaufnahmen, Computerprogramme und/oder andere digitale Informationen zu verarbeiten. Die Verarbeitungseinheit (20) besteht üblicherweise aus einer Anordnung elektronischer Schaltungen, von denen einige als integrierter Schaltkreis oder als mehrere miteinander verbundene integrierte Schaltkreise (ein integrierter Schaltkreis wird manchmal auch als "Chip" bezeichnet) ausgeführt sein können. Die Verarbeitungseinheit (20) kann konfiguriert sein, Computerprogramme auszuführen, die in einem Arbeitsspeicher der Verarbeitungseinheit (20) oder im Speicher (50) desselben oder eines anderen Computersystems gespeichert sein können.
Der Speicher (50) kann eine gewöhnliche Computerhardware sein, die in der Lage ist, Informationen wie z.B. digitale Bildaufnahmen (z.B. Repräsentationen des Untersuchungsbereichs), Daten, Computerprogramme und/oder andere digitale Informationen entweder vorübergehend und/oder dauerhaft zu speichern. Der Speicher (50) kann einen flüchtigen und/oder nichtflüchtigen Speicher umfassen und kann fest eingebaut oder entfernbar sein. Beispiele für geeignete Speicher sind RAM (Random Access Memory), ROM (Read-Only Memory), eine Festplatte, ein Flash-Speicher, eine austauschbare Computerdiskette, eine optische Disc, ein Magnetband oder eine Kombination der oben genannten. Zu den optischen Discs können Compact Discs mit Nur-Lese-Speicher (CD-ROM), Compact Discs mit Lese-/Schreibfunktion (CD-R/W), DVDs, Blu-ray-Discs und ähnliche gehören.
Zusätzlich zum Speicher (50) kann die Verarbeitungseinheit (20) auch mit einer oder mehreren Schnittstellen (11, 12, 30, 41, 42) verbunden sein, um Informationen anzuzeigen, zu übertragen und/oder zu empfangen. Die Schnittstellen können eine oder mehrere Kommunikationsschnittstellen (41, 42) und/oder eine oder mehrere Benutzerschnittstellen (11, 12, 30) umfassen. Die eine oder mehrere Kommunikationsschnittstellen (41, 42) können so konfiguriert sein, dass sie Informationen senden und/oder empfangen, z.B. zu und/oder von einer MRT-Scanner, einem CT-Scanner, einer Ultraschallkamera, anderen Computersystemen, Netzwerken, Datenspeichern oder dergleichen. Die eine oder mehrere Kommunikationsschnittstellen (41, 42) können so konfiguriert sein, dass sie Informationen über physische (verdrahtete) und/oder drahtlose Kommunikationsverbindungen übertragen und/oder empfangen. Die eine oder die mehreren Kommunikationsschnittstellen (41, 42) können eine oder mehrere Schnittstellen für die Verbindung mit einem Netzwerk enthalten, z.B. unter Verwendung von Technologien wie Mobiltelefon, Wi-Fi, Satellit, Kabel, DSL, Glasfaser und/oder dergleichen. In einigen Beispielen können die eine oder die mehreren Kommunikationsschnittstellen (41, 42) eine oder mehrere Nahbereichskommunikationsschnittstellen umfassen, die so konfiguriert sind, dass sie Geräte mit Nahbereichskommunikationstechnologien wie NFC, RFID, Bluetooth, Bluetooth LE, ZigBee, Infrarot (z. B. IrDA) oder Ähnlichem verbinden.
Die Benutzer Schnittstellen (11, 12, 30) können eine Anzeige (30) umfassen. Eine Anzeige (30) kann so konfiguriert sein, dass sie einem Benutzer Informationen anzeigt. Geeignete Beispiele hierfür sind eine Flüssigkristallanzeige (LCD), eine Leuchtdiodenanzeige (LED), ein Plasmabildschirm (PDP) oder Ähnliches. Die Benutzereingabeschnittstelle(n) (11, 12) kann/können verdrahtet oder drahtlos sein und kann/können so konfiguriert sein, dass sie Informationen von einem Benutzer in das Computersystem (1) empfängt/empfangen, z.B. zur Verarbeitung, Speicherung und/oder Anzeige. Geeignete Beispiele für Benutzereingabeschnittstellen (11, 12) sind ein Mikrofon, ein Bild- oder Videoaufnahmegerät (z.B. eine Kamera), eine Tastatur oder ein Tastenfeld, ein Joystick, eine berührungsempfindliche Oberfläche (getrennt von einem Touchscreen oder darin integriert) oder ähnliches. In einigen Beispielen können die Benutzerschnittstellen eine automatische Identifikations- und Datenerfassungstechnologie (AIDC) für maschinenlesbare Informationen enthalten. Dazu können Barcodes, Radiofrequenz -Identifikation (RFID), Magnetstreifen, optische Zeichenerkennung (OCR), Karten mit integrierten Schaltkreisen (ICC) und ähnliches gehören. Die Benutzer Schnittstellen können ferner eine oder mehrere Schnittstellen für die Kommunikation mit Peripheriegeräten wie Druckern und dergleichen umfassen. Ein oder mehrere Computerprogramme (60) können im Speicher (50) gespeichert sein und von der Verarbeitungseinheit (20) ausgeführt werden, die dadurch programmiert wird, die in dieser Beschreibung beschriebenen Funktionen zu erfüllen. Das Abrufen, Laden und Ausführen von Anweisungen des Computerprogramms (60) kann sequenziell erfolgen, so dass jeweils ein Befehl abgerufen, geladen und ausgeführt wird. Das Abrufen, Laden und/oder Ausführen kann aber auch parallel erfolgen.

Claims

- TI - Patentansprüche
1. Computer-implementiertes Verfahren umfassend:
Empfangen von Daten, wobei die Daten eine erste Bildaufnahme I\ umfassen, wobei die erste Bildaufnahme I\ einen Sammelbereichs einer kameraüberwachten Insektenfalle zu einem ersten Zeitpunkt i zeigt,
Ermitteln eines ersten Zustands Zi der Insektenfalle zu dem ersten Zeitpunkt i auf Basis der ersten Bildaufnahme I\,
Ermitteln eines kritischen Zeitpunkts tk, zu dem die Insektenfalle einen kritischen Zustand Zk erreicht, auf Basis des ersten Zustands Zi und des ersten Zeitpunkts ti, wobei der kritische Zustand Zk dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind,
Ausgeben einer Mitteilung, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt tk und/oder dem kritischen Zustand Zk umfasst.
2. Verfahren nach Anspruch 1, wobei die Daten Informationen zu einem initialen Zustand Zo der Insektenfalle zu einem initialen Zeitpunkt to umfassen, wobei der initiale Zeitpunkt to zeitlich vor dem ersten Zeitpunkt i liegt, wobei das Ermitteln des kritischen Zeitpunkts tk umfasst:
Ermitteln einer zeitlichen Entwicklung der Insektenfalle von dem initialen Zustand Zo zu dem ersten Zustand Zi,
Extrapolieren der zeitlichen Entwicklung auf den kritischen Zustand Zk,
Ermitteln des zum kritischen Zustand Zk gehörigen kritischen Zeitpunkts tk.
3. Verfahren nach einem der Ansprüche 1 oder 2, wobei die Daten eine Zahl q an Bildaufnahmen /i bis /q umfassen, wobei jede Bildaufnahme I den Sammelbereich der Insektenfalle zu einem Zeitpunkt t zeigt, wobei i ein Index ist, der die ganzen Zahlen von 1 bis q durchläuft, wobei das Verfahren umfasst: für jede Bildaufnahme I. Ermitteln eines Zustands Zi der Insektenfalle zum Zeitpunkt ti auf Basis der Bildaufnahme I, wobei sich die Zustände Zi bis Zq ergeben, wobei das Ermitteln des kritischen Zeitpunkts tk umfasst:
Annähern eines zeitlichen Verlaufs zumindest eines Teils der Zustände Zo bis Zq durch mindestens eine mathematische Funktion,
Extrapolieren der mindestens einen mathematischen Funktion auf den kritischen Zustand Zk,
Ermitteln des zum kritischen Zustand Zk gehörigen kritischen Zeitpunkts tk auf Basis der mindestens einen mathematischen Funktion.
4. Verfahren nach einem der Ansprüche 1 bis 3, wobei die Daten eine oder mehrere weitere Informationen zur Insektenfalle umfassen, wobei die weiteren Informationen zur Insektenfalle eine oder mehrere der folgenden Informationen umfassen:
Standort der Insektenfalle
Höhe der Insektenfalle über dem Meeresspiegel
Entfernung der Insektenfalle zum nächsten Gewässer
Art des nächsten Gewässers
Art und /oder Menge an Pflanzen, die in der Umgebung der Insektenfalle wachsen, und/oder ihre Entfernung zur Insektenfalle
Zahl und/oder Art der Insekten, die in einer definierten Zeitspanne in einer oder mehreren Insektenfallen in der Umgebung detektiert wurden
Wanderungsrichtung von Insekten am Standort der Insektenfalle und/oder in der Umgebung minimale, maximale und/oder mittlere Temperatur in der Insektenfalle und/oder in der Umgebung der Insektenfalle zu einem oder mehreren Zeitpunkten, minimale, maximale und/oder mittlere Temperatur in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume
Wärmesumme über einen oder mehrere Zeitspannen in der Insektenfalle und/oder in der Umgebung der Insektenfalle
Regenmenge am Ort der Insektenfalle über einen oder mehrere definierte Zeiträume minimale, maximale und/oder mittlerer Luftdruck in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume minimale, maximale und/oder mittlere Luftfeuchtigkeit in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume minimale, maximale und/oder mittlere Windgeschwindigkeit in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume
Sonnenscheindauer über eine oder mehrere definierte Zeiträume
Strahlungsintensität der Sonne am Ort der Insektenfalle über einen oder mehrere definierte Zeiträume
Dauer und/oder Intensität von Pollen an dem Standort der Insektenfalle für eine oder mehrere Zeitspannen
Typ der Insektenfalle
Größe des Sammelbereichs
Art der Befestigung der Insektenfalle, wobei das Ermitteln des kritischen Zeitpunkts tk umfasst:
Ermitteln einer zeitlichen Entwicklung des Zustands der Insektenfalle auf Basis der weiteren Informationen,
Extrapolieren der zeitlichen Entwicklung auf den kritischen Zustand Zk,
Ermitteln des zum kritischen Zustand Zk gehörigen kritischen Zeitpunkts tk auf Basis der mindestens einen mathematischen Funktion.
5. Verfahren nach einem der Ansprüche 1 bis 4, wobei die Daten eine oder mehrere weitere Informationen zur Insektenfalle umfassen, wobei die weiteren Informationen zur Insektenfalle eine oder mehrere der folgenden Informationen umfassen:
Standort der Insektenfalle
Höhe der Insektenfalle über dem Meeresspiegel
Entfernung der Insektenfalle zum nächsten Gewässer
Art des nächsten Gewässers Art und /oder Menge an Pflanzen, die in der Umgebung der Insektenfalle wachsen, und/oder ihre Entfernung zur Insektenfalle
Zahl und/oder Art der Insekten, die in einer definierten Zeitspanne in einer oder mehreren Insektenfallen in der Umgebung detektiert wurden
Wanderungsrichtung von Insekten am Standort der Insektenfalle und/oder in der Umgebung minimale, maximale und/oder mittlere Temperatur in der Insektenfalle und/oder in der Umgebung der Insektenfalle zu einem oder mehreren Zeitpunkten, minimale, maximale und/oder mittlere Temperatur in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume
Wärmesumme über einen oder mehrere Zeitspannen in der Insektenfalle und/oder in der Umgebung der Insektenfalle
Regenmenge am Ort der Insektenfalle über einen oder mehrere definierte Zeiträume minimale, maximale und/oder mittlerer Luftdruck in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume minimale, maximale und/oder mittlere Luftfeuchtigkeit in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume minimale, maximale und/oder mittlere Windgeschwindigkeit in der Insektenfalle und/oder in der Umgebung der Insektenfalle über einen oder mehrere definierte Zeiträume
Sonnenscheindauer über eine oder mehrere definierte Zeiträume
Strahlungsintensität der Sonne am Ort der Insektenfalle über einen oder mehrere definierte Zeiträume
Dauer und/oder Intensität von Pollen an dem Standort der Insektenfalle für eine oder mehrere Zeitspannen
Typ der Insektenfalle
Größe des Sammelbereichs
Art der Befestigung der Insektenfalle, wobei das Ermitteln des kritischen Zeitpunkts tk umfasst:
Eingeben der ermittelten Zustände und optional der weiteren Informationen zu der Insektenfalle in ein trainiertes Modell des maschinellen Lernens, wobei das Modell des maschinellen Lernens auf Basis von Trainingsdaten trainiert wurde, einen kritischen Zeitpunkt auf Basis von Eingabedaten vorherzusagen, wobei die Trainingsdaten für jede Insektenfalle einer Vielzahl an Insektenfallen (i) eine oder mehrere Bildaufnahmen eines Sammelbereichs der Insektenfalle als Eingabedaten und (ii) einen kritischen Zeitpunkt als Zieldaten umfassen, wobei das Trainieren des Modells des maschinellen Lernens umfasst: o Eingeben der Eingabedaten in das Modell des maschinellen Lernens o Empfangen von Ausgabedaten von dem Modell des maschinellen Lernens o Quantifizieren von Abweichungen zwischen den Ausgabedaten und den Zieldaten o Minimieren der Abweichungen durch Modifizieren von Parametern des Modells des maschinellen Lernens
Empfangen des kritischen Zeitpunkts tk und/oder einer Wahrscheinlichkeit für das Erreichen des kritischen Zustands Zk innerhalb einer vordefinierten Zeitspanne von dem trainierten Modell des maschinellen Lernens.
6. Verfahren nach einem der Ansprüche 1 bis 5, wobei das Ermitteln des kritischen Zeitpunkts tk umfasst: Eingeben der ersten Bildaufnahme in ein trainiertes Modell des maschinellen Lernens, wobei das Modell des maschinellen Lernens auf Basis von Trainingsdaten trainiert wurde, einen kritischen Zeitpunkt auf Basis von Bildaufnahmen vorherzusagen, wobei die Trainingsdaten für jede Insektenfalle einer Vielzahl an Insektenfallen (i) eine oder mehrere Bildaufnahmen eines Sammelbereichs der Insektenfalle als Eingabedaten und (ii) einen kritischen Zeitpunkt als Zieldaten umfassen, wobei das Trainieren des Modells des maschinellen Lernens umfasst: o Eingeben der einen oder der mehreren Bildaufnahmen in das Modell des maschinellen Lernens o Empfangen von Ausgabedaten von dem Modell des maschinellen Lernens o Quantifizieren von Abweichungen zwischen den Ausgabedaten und den Zieldaten o Minimieren der Abweichungen durch Modifizieren von Parametern des Modells des maschinellen Lernens
Empfangen des kritischen Zeitpunkts tk und/oder einer Wahrscheinlichkeit für das Erreichen des kritischen Zustands Zk innerhalb einer vordefinierten Zeitspanne von dem trainierten Modell des maschinellen Lernens.
7. Verfahren nach einem der Ansprüche 1 bis 6, wobei jeder ermittelte Zustand durch einen oder mehrere der folgenden Parameter repräsentiert und/oder charakterisiert wird:
Zahl der Insekten in dem Sammelbereich der Insektenfalle mit Insekten bedeckte Fläche des Sammelbereichs
Höhe eines Flüssigkeitsspiegels in dem Sammelbereich
Höhe eines Flüssigkeitsspiegels in einem Vorratsbehälter
Menge an Flüssigkeit in dem Sammelbereich
Menge an Flüssigkeit in einem Vorratsbehälter
Trübungsgrad einer Flüssigkeit im Sammelbehälter
Trübungsgrad einer Flüssigkeit in einem Vorratsbehälter
Grad der Färbung einer Flüssigkeit im Sammelbehälter
Grad der Färbung einer Flüssigkeit in einem Vorratsbehälter
Anzahl von Schmutzpartikeln in dem Sammelbereich der Insektenfalle mit Schmutzpartikeln bedeckte Fläche des Sammelbereichs
Grad der Helligkeit im Sammelbereich
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Reflexe auftreten
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Luftbläschen und/oder Schaum auftreten mit Schaum und/oder Luftbläschen bedeckte Fläche des Sammelbereichs
Größe und/oder Anzahl von Luftbläschen im Sammelbereich
8. Verfahren nach einem der Ansprüche 1 bis 7, wobei der kritische Zustand durch einen oder mehrere der folgenden Zustände charakterisiert und/oder repräsentiert wird:
Zahl der Insekten in dem Sammelbereich der Insektenfalle erreicht einen vordefinierten Schwellenwert mit Insekten bedeckte Fläche des Sammelbereichs erreicht einen vordefinierten Schwellenwert Höhe eines Flüssigkeitsspiegels in dem Sammelbereich erreicht einen vordefinierten unteren oder oberen vordefinierten Schwellenwert
Höhe eines Flüssigkeitsspiegels in einem Vorratsbehälter erreicht einen vordefinierten unteren oder oberen vordefinierten Schwellenwert
Menge an Flüssigkeit in dem Sammelbereich erreicht einen vordefinierten unteren oder oberen vordefinierten Schwellenwert
Menge an Flüssigkeit in einem Vorratsbehälter erreicht einen vordefinierten unteren oder oberen vordefinierten Schwellenwert
Trübungsgrad einer Flüssigkeit im Sammelbehälter erreicht einen vordefinierten Schwellenwert Trübungsgrad einer Flüssigkeit in einem Vorratsbehälter erreicht einen vordefinierten Schwellenwert
Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit im Sammelbehälter erreicht einen vordefinierten Schwellenwert
Grad der Färbung (z.B. Grünfärbung oder Braunfärbung) einer Flüssigkeit in einem Vorratsbehälter erreicht einen vordefinierten Schwellenwert
Anzahl von Schmutzpartikeln in dem Sammelbereich der Insektenfalle erreicht einen vordefinierten Schwellenwert mit Schmutzpartikeln bedeckte Fläche des Sammelbereichs erreicht einen vordefinierten Schwellenwert
Grad der Helligkeit im Sammelbereich erreicht einen vordefinierten Schwellenwert
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Reflexe auftreten, erreicht einen vordefinierten Schwellenwert
Größe und/oder Anzahl von Bereichen im Sammelbereich, in denen Luftbläschen und/oder Schaum auftreten, erreicht einen vordefinierten Schwellenwert mit Schaum und/oder Luftbläschen bedeckte Fläche des Sammelbereichs erreicht einen vordefinierten Schwellenwert
Größe und/oder Anzahl von Luftbläschen im Sammelbereich erreicht einen vordefinierten Schwellenwert.
9. Verfahren nach einem der Ansprüche 1 bis 8, wobei das Ausgeben der Mitteilung umfasst:
Ausgeben von Informationen, welcher kritische Zustand Zk zum kritischen Zeitpunkt tk erreicht wird, und/oder
Ausgeben von Informationen, welche Maßnahme oder welchen Maßnahmen auszuführen sind, um den kritischen Zustand Zk zu beheben und/oder zu verhindern, und/oder
Ausgeben einer Wahrscheinlichkeit, dass innerhalb einer vordefinierten Zeitspanne der kritische Zustand Zk erreicht wird, und/oder für den Fall, dass die Wahrscheinlichkeit für das Erreichen des kritischen Zustands Zk innerhalb der vordefinierten Zeitspanne einen vordefinierten Schwellenwert erreicht: Ausgeben einer Mitteilung, dass innerhalb der vordefinierten Zeitspanne mit einer oder mehreren Funktionsbeeinträchtigungen zu rechnen ist.
10. Verfahren nach einem der Ansprüche 1 bis 9, wobei das Ausgeben der Mitteilung umfasst:
Ausgeben einer Information zu einer Zeitspanne vor Erreichen des kritischen Zeitpunkts tk, wobei der Nutzer in der Mitteilung aufgefordert wird, eine Maßnahme zur Aufrechterhaltung der Funktionalität der Insektenfalle innerhalb der Zeitspanne durchzuführen.
11. Verfahren nach einem der Ansprüche 1 bis 10, wobei das Verfahren ferner umfasst:
Ausgeben einer Warnmeldung zu einem Zeitpunkt vor Erreichen des kritischen Zeitpunkts tk über ein Herannahen des kritischen Zeitpunkts tk und/oder über eine Notwendigkeit der Durchführung einer Maßnahme zur Aufrechterhaltung der Funktionalität der Insektenfalle.
12. Computersystem (1) umfassend: eine Eingabeeinheit (10) eine Steuer- und Recheneinheit (20) und eine Ausgabeeinheit (30), wobei die Steuer- und Recheneinheit (20) konfiguriert ist, die Eingabeeinheit (10) zu veranlassen Daten zu empfangen, wobei die Daten eine erste Bildaufnahme h umfassen, wobei die erste Bildaufnahme h einen Sammelbereich einer Insektenfalle zu einem ersten Zeitpunkt i zeigt, einen ersten Zustands Zi der Insektenfalle zu dem ersten Zeitpunkt i auf Basis der ersten Bildaufnahme h zu ermitteln, auf Basis des ersten Zustands Zi und des ersten Zeitpunkts i einen kritischen Zeitpunkt tk zu ermitteln, zu dem die Insektenfalle einen kritischen Zustand Zk erreicht, wobei der kritische Zustand Zk dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind, die Ausgabeeinheit (30) zu veranlassen eine Mitteilung auszugeben, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt tk und/oder dem kritischen Zustand Zk umfasst.
13. Nicht-flüchtiges computerlesbares Speichermedium, auf dem Softwarebefehle gespeichert sind, die, wenn sie von einem Prozessor eines Computersystems (1) ausgeführt werden, das Computersystem (1) veranlassen, folgende Schritte auszuführen:
Empfangen von Daten, wobei die Daten eine erste Bildaufnahme h umfassen, wobei die erste Bildaufnahme h einen Sammelbereichs einer kameraüberwachten Insektenfalle zu einem ersten Zeitpunkt i zeigt,
Ermitteln eines ersten Zustands Zi der Insektenfalle zu dem ersten Zeitpunkt i auf Basis der ersten Bildaufnahme h,
Ermitteln eines kritischen Zeitpunkts tk, zu dem die Insektenfalle einen kritischen Zustand Zk erreicht, auf Basis des ersten Zustands Zi und des ersten Zeitpunkts i, wobei der kritische Zustand Zk dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind,
Ausgeben einer Mitteilung, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt tk und/oder dem kritischen Zustand Zk umfasst.
14. System umfassend: eine Insektenfalle, eine Kamera, • eine Steuereinheit,
• eine Analyseneinheit und
• eine Ausgabeeinheit wobei die Steuereinheit konfiguriert ist, die Kamera zu veranlassen, mindestens eine erste Bildaufnahme h zu erzeugen, wobei die erste Bildaufnahme I einen Sammelbereich der Insektenfalle zu einem ersten Zeitpunkt i zeigt, wobei die Analyseneinheit konfiguriert ist, einen ersten Zustand Zi auf Basis der ersten Bildaufnahme h zu ermitteln, wobei die Analyseneinheit konfiguriert ist, einen kritischen Zeitpunkt tk auf B asis des ersten Zustands Zi und des ersten Zeitpunkts i zu ermitteln, wobei die Insektenfalle an dem kritischen Zeitpunkt tk einen kritischen Zustand Zk erreicht, wobei der kritische Zustand Zk dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind, wobei die Ausgabeeinheit konfiguriert ist, eine Mitteilung auszugeben, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt tk und/oder dem kritischen Zustand Zk umfasst.
15. Kit umfassend eine Insektenfalle und ein Computerprogrammprodukt, wobei die Insektenfalle eine Kamera oder Mittel zum Aufnehmen einer Kamera umfasst, wobei das Computerprogrammprodukt Programmbefehle umfasst, wobei die Programmbefehle in einen Arbeitsspeicher eines Computersystems (1) geladen werden können, und das Computersystem (1) veranlassen, folgende Schritte auszuführen:
Empfangen von Daten, wobei die Daten eine erste Bildaufnahme h umfassen, wobei die erste Bildaufnahme h einen Sammelbereichs einer kameraüberwachten Insektenfalle zu einem ersten Zeitpunkt i zeigt,
Ermitteln eines ersten Zustands Zi der Insektenfalle zu dem ersten Zeitpunkt i auf Basis der ersten Bildaufnahme h,
Ermitteln eines kritischen Zeitpunkts tk, zu dem die Insektenfalle einen kritischen Zustand Zk erreicht, auf Basis des ersten Zustands Zi und des ersten Zeitpunkts i, wobei der kritische Zustand Zk dadurch gekennzeichnet ist, dass eine oder mehrere Funktionalitäten der Insektenfalle beeinträchtigt ist/sind,
Ausgeben einer Mitteilung, wobei die Mitteilung Informationen zu dem kritischen Zeitpunkt tk und/oder dem kritischen Zustand Zk umfasst.
EP24707070.9A 2023-03-02 2024-02-27 Vorhersage eines wartungsbedarfs für eine insektenfalle Pending EP4672961A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP23159676 2023-03-02
PCT/EP2024/054944 WO2024180056A1 (de) 2023-03-02 2024-02-27 Vorhersage eines wartungsbedarfs für eine insektenfalle

Publications (1)

Publication Number Publication Date
EP4672961A1 true EP4672961A1 (de) 2026-01-07

Family

ID=85461636

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24707070.9A Pending EP4672961A1 (de) 2023-03-02 2024-02-27 Vorhersage eines wartungsbedarfs für eine insektenfalle

Country Status (3)

Country Link
EP (1) EP4672961A1 (de)
CN (1) CN121152560A (de)
WO (1) WO2024180056A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2026046813A1 (en) 2024-08-26 2026-03-05 Bayer Aktiengesellschaft Locating and classifying arthropods in images
EP4710761A1 (de) 2024-09-17 2026-03-18 Bayer Aktiengesellschaft Vorrichtung und verfahren zum versetzen einer vorrichtung zur überwachung von gliederfüssern in einen ruhezustand
WO2026061969A1 (de) 2024-09-18 2026-03-26 Bayer Aktiengesellschaft Optimierung von bildaufnahmen
EP4715727A1 (de) 2024-09-18 2026-03-25 Bayer Aktiengesellschaft Optimierung von bildaufnahmen
EP4721560A1 (de) * 2024-10-07 2026-04-08 Anticimex Innovation Center A/S Verfahren zur schätzung der verbleibenden batterielebensdauer einer schädlingsbekämpfungsvorrichtung

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11201605617YA (en) * 2014-01-24 2016-08-30 Martin Rainer Gabriel Schweiger Mosquito trap
WO2018054767A1 (de) 2016-09-22 2018-03-29 Bayer Cropscience Aktiengesellschaft Bekämpfung von schadorganismen
CN108173907B (zh) * 2017-12-07 2020-12-04 北京小米移动软件有限公司 杀虫组件更换方法及装置
US11582963B2 (en) * 2018-04-25 2023-02-21 Terrier Technologies, Llc Flying insect light trap monitoring system
US11659826B2 (en) 2018-09-21 2023-05-30 Bayer Aktiengesellschaft Detection of arthropods
GB2578313B (en) * 2018-10-22 2021-10-13 Brandenburg Uk Ltd Intelligent trap and consumables
EP3900530A1 (de) 2020-04-23 2021-10-27 Bayer AG Flüssigkeitsmanagement für eine fangvorrichtung
US20220036445A1 (en) * 2020-07-31 2022-02-03 Insects Limited, Inc. System and method for providing pest control services
EP4091444A1 (de) 2021-05-21 2022-11-23 Bayer AG Fangschale für pflanzenschädlinge

Also Published As

Publication number Publication date
CN121152560A (zh) 2025-12-16
WO2024180056A1 (de) 2024-09-06

Similar Documents

Publication Publication Date Title
EP4672961A1 (de) Vorhersage eines wartungsbedarfs für eine insektenfalle
EP4661663A1 (de) Erkennen von funktionsbeeinträchtigungen bei kameraüberwachten insektenfallen
EP3700320A1 (de) Erstellung digitaler bearbeitungskarten
DE112016002817T5 (de) Änderungserfassungbasiertes bildaufnahme-beauftragungssystem
EP3852520A1 (de) Detektion von gliederfüssern
EP3522704B1 (de) Identifizierung von nützlingen und/oder schadstoffen in einem feld für kulturpflanzen
WO2019081567A1 (de) Ertragsabschätzung beim anbau von kulturpflanzen
DE202022102591U1 (de) System zur Überwachung des Gesundheitszustands von Pflanzen in der Präzisionslandwirtschaft mittels Bildverarbeitung und Faltungsneuronalem Netz
EP3626077A1 (de) Schädlingskontrolle
EP3528609A1 (de) Ertragsvorhersage für ein kornfeld
EP3516580B1 (de) Bekämpfung von schadorganismen
EP3488378B1 (de) System zur automatischen erkennung von pflanzen
DE102023113704A1 (de) Vorrichtung, auswerteeinrichtung, auswertesystem und verfahren für eine zustandsanalyse einer pflanze
Chegini et al. Fuzzy logic based pasture assessment using weed and bare patch detection
WO2023208619A1 (de) Vorhersage von ablagerungsstrukturen von pflanzenschutzmitteln und/oder nährstoffen auf pflanzenteilen
DE102019131858A1 (de) System zur automatischen Erfassung und Bestimmung von sich bewegenden Objekten
JP2024512674A (ja) ニューラルネットワークで画像データを処理することによって、物理オブジェクトの特性を推定すること
DE102017204650A1 (de) Verfahren zum Klassifizieren von Pflanzen
EP4287831B1 (de) Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten
Montellano Butterfly, Larvae and Pupae Defects Detection Using Convolutional Neural Network and Apriori Algorithm
DE112022004002T5 (de) Validierung eines linearen Modells
EP4730997A1 (de) Erkennen von funktionsbeeinträchtigungen bei einer vorrichtung
EP1486920A2 (de) Fernerkundungsverfahren
EP4710761A1 (de) Vorrichtung und verfahren zum versetzen einer vorrichtung zur überwachung von gliederfüssern in einen ruhezustand
EP4725307A1 (de) Überwachen von gliederfüssern

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20251002

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR