Skip to main content

Adrian Meyer

Adrian Meyer

Adrian Meyer

Projekte

Wildtier-Monitoring mit UAVs - Automatisierte Signaturdetektion mittels Thermo-graphie und Multispektral-Radiometrie

Link: https://www.researchgate.net/publication/330385463_Wildtier-Monitoring_mit_UAVs_-_Automatisierte_Signaturdetektion_mittels_Thermographie_und_Multispektral-Radiometrie

Für Anwendungsfelder wie Populationserfassung, Rehkitzrettung und Wildschadensprävention in Ökologie, Jagd, Forst- und Landwirtschaft wurde in dieser Studie in Zusammenarbeit mit der Stiftung Wildtiere des Kantons Aargau untersucht, inwiefern sich verschiedene Methoden der automatisierten Luftbildanalyse anhand von UAV-Daten zur Wildtierdetektion eignen. Im Frühjahr 2018 wurden dazu 27 Befliegungen mit Fixed-Wing-UAVs und Multikoptern über sieben Wildgehegen in der Nordwestschweiz und dem Südschwarzwald durchgeführt. Dabei kamen verschiedene Infrarotkameras wie multispektrale Nahinfrarot-Sensoren (NIR) und thermografische Verfahren (Wärmebildsensorik) zum Einsatz.

Die fernerkundliche Luftbildauswertung zeigte, dass sich insbesondere Wärmebilddaten aus einer Flughöhe unterhalb von 100m AGL für eine Automatisierung durch Objekterkennungsalgorithmen eignen. Hierzu wurde ein Deep-Learning-Modell (COCO pretrained Inception-Class Faster R-CNN) als modernes Verfahren der künstlichen Intelligenz mit Tensorflow und Python implementiert. Im Trainingsprozess wurden aus ca. 8000 manuell markierten Tiersignaturen Eigenschaftsmerkmale extrahiert.

Für einige Tierarten (Damwild, Rotwild, Wisent, Ziegenartige) konnten in der anschließenden An-wendung (Inferencing) selbst in naturnahen Mischwald-Umgebungen extrem robuste Detektions-ergebnisse erreicht werden. Die effiziente, aufgabenspezifische Implementierung des Prototyps erlaubt eine Echtzeitanalyse von Live-Video-Feeds unter Feldbedingungen. Mit einer Detektionsra-te von 92,8% pro Tier, bzw. 88,6% mit zusätzlicher Spezies-Klassifikation, konnte so gezeigt wer-den, dass die neue Technologie ein enormes Innovationspotential für die Zukunft des Wildtier-Monitorings aufweist.

UAV-based Multispectral Sensors for Yield Prediction in Agriculture

Link: https://opus4.kobv.de/opus4-slbp/frontdoor/index/index/docId/13389/

Keywords: Micro UAV, Vegetation Indices, NDVI, Red-Edge NDVI, Green NDVI, Remote Sens-ing, Radiometry, NIR, Wheat, Barley, Ears Bending, Yield Prediction

Recent technological developments in multispectral remote sensing sparked widespread interest in the potential applications of Micro-UAVs to predict crop yields. The project concentrated on estimating the suitability of UAV-based radiometry to calculate vegetation indices during different stages of maturity. These indices allow the estimation of yield predictions for barley and wheat depending on cultivation, fertilization and harvesting techniques. Accurate yield predictions in-crease the reliability of planning decisions, incorporate economic advantages and therefore con-tribute in securing long-term nutrition security. To gain insights on the efficacy of this new meth-od, experimental crop plantations of the Agronomy Competence Centre Liebegg (Aargau, Swit-zerland) were mapped and analyzed while using a variety of different multispectral sensors. This study focuses on models based on 2016 data and their application to the next season.

In flowering stage, wheat was found to display an extraordinarily strong variety-linked linear cor-relation of NDVI and crop yield (R²=0.976±0.012 SD). The best fit in the variety-independent regression analysis (R²=0.839) was found in an exponential correlation between NDVI and crop yield. Other vegetation indices (namely Green NDVI and Red-Edge NDVI) also resulted in high regression coefficients for wheat cultures. Trends indicate that Green NDVI produced best re-sults in earlier cultivation stages such as the ear emergence phase, standard NDVI could be used for medium stages such as the flowering period, and Red-Edge NDVI performed best in late mapping of the maturity stage. The highest overall correlation was found during flowering stages.

Geometric Crop Surface Models were used in comparison in order to attempt yield predictions based on growth heights. Gross yield and growth height did not correlate, because breeding se-lection and the usage of growth inhibitors introduced a strong variety-linked bias.
Ears bending was shown to be the limiting factor in the radiometric yield prediction of barley fields in 2016. Mapping should therefore be undertaken at first signs of ears bending, because the reflectance map of the NIR channel proved to be highly sensitive to its effects. This finding could at least be useful for future productive capacity appraisements, as ears bending assess-ment is often performed manually to this day.

Multiple sensors were tested for their feasibility. Based on a methodical approach we could show that calculated NDVI values of two specific sensor types deviated from the values of the hyper-spectral field spectrometer reference by only 0.02-0.04 (SD 0.03-0.05). This confirmed previous results (LÄDERACH et al. 2014), that plant vitality predictions based on certain sensors are suf-ficiently precise to omit the calibration of raw data to spectrometric ground reference.

Pilotprojekt künstliche Intelligenz für die Arealstatistik der Schweiz

Das Bundesamt für Statistik (BFS) klassifiziert im 6-Jahres-Rhythmus die Bodennutzung der Schweiz anhand von Luftbildern mit ca. 4.2 Mio Erhebungspunkten im Abstand von jeweils hun-dert Metern. So wird eine bundesweit einheitliche Arealstatistik erstellt, die die Datengrundlage für viele öffentliche Planungsentscheidungen darstellt. In einem sehr personalintensiven Prozess muss dabei jeder Punkt auf einem Luftbild durch zwei Mitarbeiter jeweils einer von 27 Bodenbe-deckungs- und 46 Landnutzungsklassen zugewiesen werden.

Das Institut Geomatik (IGEO) der FHNW implementiert im Rahmen dieses Big-Data For-schungsprojekts des BFS in einer Kooperation mit dem GeoTech-Startup ExoLabs GmbH einen Softwareprototypen, der mittels modernster Machine-Learning-Algorithmen und einer Multi-sensorfusion aus Luft- (RGB, Infrarot, Höhe) und Satellitenbildern sowie weiteren Informationen das Automatisierungspotenzial der Arealstatistik untersucht. Durch den Einsatz der künstlichen Intelligenz auf der Basis einer komplexen Deep Learning Netzwerkarchitektur soll eine umfang-reiche operative Effizienzsteigerung durch kürzere Erhebungsperioden erreicht und das Fach-wissen der Mitarbeiter besser genutzt werden können.

Automatic Detection of Solar Energy Systems using Deep Convolutional Neural Networks

The Swiss renewable energy statistics estimate the use of solar energy on the basis of market surveys. To validate these statistics, existing solar installations are to be identified and quantified fully automatically using deep learning algorithms based on aerial photographs. Thanks to this method, the current inventory of installed solar systems can be determined more precisely. In addition, the results allow the location of the implementation of the Energy Strategy 2050 to be determined.

Diese Seite teilen: