Ein industrieller Agrarproduzent in Rumänien steht vor einer entscheidenden Herausforderung: Krankheiten, Schädlinge und Nährstoffmängel in verschiedenen Kulturen frühzeitig zu erkennen, bevor sie die Produktion erheblich beeinträchtigen. Das traditionelle Verfahren beinhaltet die manuelle Sichtprüfung der Pflanzen durch Agronomen – langsam, teuer und abhängig von der Verfügbarkeit von Fachkräften vor Ort. Im Kontext der industriellen Produktion mit großen Anbauflächen und engen Fristen für phytosanitäre Maßnahmen ist der Spielraum für Fehler minimal.
Die größte technische Herausforderung bestand darin, ein System zu entwickeln, das in der Lage ist, unter verschiedenen Bedingungen aufgenommene Bilder zu analysieren – natürliches Licht, unterschiedliche Blickwinkel, variable Kameraqualität – und in Echtzeit direkt vor Ort eine genaue Diagnose zu erstellen, ohne die Verbindung zu einem menschlichen Experten.
Nenos hat eine Plattform zur Diagnose von Pflanzenkrankheiten entwickelt, die als sofort einsatzbereite API bereitgestellt und in eine mobile und webbasierte Anwendung integriert ist. Der Landwirt oder Agronom fotografiert die betroffene Pflanze, und das System liefert die vollständige Diagnose – identifizierte Krankheit, Schädling oder Nährstoffmangel, geschätzter Schweregrad und empfohlene Lösungen – in weniger als 30 Sekunden.
Kern der Plattform ist ein in Python entwickelter Deep-Learning-Algorithmus, der darauf trainiert wurde, 68 verschiedene Krankheiten und Schäden an verschiedenen Nutzpflanzen zu erkennen. Das Modell analysiert das Bild und identifiziert für jede Krankheit spezifische visuelle Muster – Verfärbungen, Läsionen, abnormale Oberflächenstrukturen, Anzeichen von Befall – unabhängig von der Pflanzenart oder den Wachstumsbedingungen. Neben der Diagnose bietet das System auf Basis der Bildanalyse Handlungsempfehlungen: den optimalen Zeitpunkt für Herbizideinsatz, Behandlung oder Ernte.
Die Lösung wurde als API auf Amazon SageMaker bereitgestellt, wodurch automatische Skalierbarkeit und hohe Verfügbarkeit für den gleichzeitigen Einsatz durch mehrere Bediener im Feld gewährleistet wurden.
Die Implementierung der Plattform hat die Art und Weise, wie der Produzent die Gesundheit seiner Pflanzen verwaltet, grundlegend verändert:
- Über 94% Genauigkeit bei der Identifizierung von Krankheiten, Schädlingen und Nährstoffmängeln bei verschiedenen Nutzpflanzen.
- Die vollständige Diagnose lag in weniger als 30 Sekunden nach dem Fotografieren der Pflanze vor.
- 68 Arten von Krankheiten, Schädlingen und Nährstoffmängeln werden in einem System abgedeckt.
- Beseitigung der Abhängigkeit von physischer menschlicher Expertise im Feld für die Erstdiagnose.
- Verkürzung der Reaktionszeit auf das Auftreten von Krankheiten, was sich direkt auf die Qualität und das Volumen der Produktion auswirkt.
Die Plattform ist in Python aufgebaut und verfügt über einen auf Computer Vision spezialisierten Machine-Learning-Stack: TensorFlow und Keras für die Definition und das Training von Convolutional Neural Networks, OpenCV für die Bildvorverarbeitung – Normalisierung, Größenänderung, Kontrastkorrektur und Entfernung von fotografischen Artefakten – und Scikit-learn für die Komponenten zur Klassifizierung und Bewertung der Modellleistung.
Das Erkennungsmodell ist ein Convolutional Neural Network (CNN), das anhand eines repräsentativen Datensatzes von Bildern betroffener Nutzpflanzen trainiert wurde. Dieser Datensatz umfasst 68 Krankheits- und Schadensklassen verschiedener Pflanzenarten. Das Training beinhaltete umfangreiche Datenaugmentation – Rotationen, Spiegelungen, Helligkeitsvariationen und Unschärfesimulationen –, um die Robustheit unter realen Bedingungen der Feldfotografie zu gewährleisten, wo die Bildqualität stark variiert. Die Genauigkeit des finalen Modells liegt bei über 94 % und wurde durch einen iterativen Prozess aus Training, Validierung und erneutem Training mit umfangreichen Datensätzen erzielt.
Die Lösung wird als REST-API auf Amazon SageMaker bereitgestellt, das die automatische Skalierung der Auswertung anhand des Anfragevolumens steuert. Die Client-Anwendung – verfügbar für Mobilgeräte und Web – sendet das Bild an die API und zeigt Diagnose und Empfehlungen in weniger als 30 Sekunden an. Sie ist ohne technische Vorkenntnisse direkt vor Ort nutzbar.
