Onkruidherkenning
- Precisielandbouw OT
Automatische onkruidherkenning met behulp van camera’s kan op verschillende manieren en onder verschillende omstandigheden. Het kan gaan om onkruid op braakliggend land of onkruid tussen het cultuurgewas. Het eerste geval is relatief makkelijk te herkennen. Op basis van kleur (groen = gewas en bruin of geel = grond of gewasresten) kan beslist worden of er onkruid staat of niet. Deze methode van onkruidherkenning wordt “green on brown” genoemd. Onkruid tussen het cultuurgewas is echter lastiger te herkennen. In beide gevallen gaat het (meestal) om groene planten. Het verschil tussen het onkruid en cultuurgewas wordt dan bepaald met morfologische kenmerken van de bladeren en andere zichtbare kenmerken. Deze methode van onkruid herkenning wordt “green on green” genoemd.
Zoals beschreven onder het kopje “nieuwe technieken”, heeft het algoritme ingetekende objecten (planten) nodig op de afbeelding voor het trainingsproces. Het labelen van deze planten heet annoteren. Er zijn verschillende typen annotaties: classificatie, objectdetectie en segmentatie.
Classificatie is de meest algemene vorm annoteren, waarbij een afbeelding als geheel wordt toegewezen aan een bepaalde categorie. In het geval van onkruidherkenning kan een categorie “cultuurgewas” en “onkruid” zijn, of elk specifieke onkruid of gewas heeft een eigen categorie. Voor deze manier van classificeren is het belangrijk dat er maar één plant op de afbeelding staat. Tijdens het trainen van een algoritme worden namelijk alle kenmerken van die afbeelding toegekend aan de categorie waartoe deze gelabeld is. Onderstaande afbeelding toont een suikerbiet, deze afbeelding behoort dan tot de categorie “suikerbiet” of “cultuurgewas”.
De tweede annotatie methode is object detectie. Hierbij worden rechthoeken (bounding boxen) gemaakt om de objecten heen en per rechthoek wordt een label gegeven wat erop te zien is. Deze boxen geven alleen aan waar het object zich in de afbeelding bevindt en wat grofweg de grootte is, maar niet de specifieke vorm met bijbehorende pixels. Het voordeel van bounding boxen is dat deze snel en makkelijk in te tekenen zijn in vergelijking met segmentatie (hieronder uitgelegd). Het nadeel is dat ook kenmerken die niet per se bij de plant horen, maar wel binnen de bounding box vallen, ook worden meegenomen bij het classificeren wat het algoritme minder nauwkeurig maakt. Hieronder is bijvoorbeeld een voorbeeld te zien waarop bieten (groen) en aardappelopslagplanten (rood) zijn ingetekend.
De derde vorm van annoteren is segmentatie. Bij segmentatie wordt een specifiek deel van de afbeelding ingekleurd en toegewezen aan een categorie. Het markeren gebeurt door een object te omlijnen zodat de vorm met bijbehorende pixels bekent is. Hierbij kunnen meerdere markeringen van verschillende categorieën in één afbeelding zijn. Voor praktische doeleinden betekent dit dat een camera een groter oppervlak kan vastleggen met meerdere planten, en dat de locatie van deze planten dan ook bekend is. Onderstaande afbeelding toont een voorbeeld van segmentatie, waarbij met 3 kleuren afzonderlijke planten zijn ingetekend.
Een algoritme getraind met afbeeldingen die alleen geclassificeerd (annotatie methode 1) zijn kan niet meerdere planten in één foto tellen. Wanneer er twee onkruid planten aanwezig zijn is de uitkomst nog steeds “onkruid”. Wanneer de annotatie methode ‘object detectie’ of ‘segmentatie’ is gebruikt, kan het algoritme wel individuele planten op een foto herkennen. Bij segmentatie is er veel meer detail bij het annoteren aangebracht, wat dan ook leidt tot de meest nauwkeurige uitkomst.
Let op!
Een algoritme is vaak getraind op een bepaald gewas en/of onkruid. Let er bij de aanschaf van een camera gestuurde machine dan ook op, dat het algoritme wat wordt gebruikt ook getraind is op het gewas en/of onkruid waarvoor jij het gaat gebruiken!
Het kan zo zijn dat er op een perceel een specifieke situatie voorkomt waarop het algoritme nog niet is getraind. Machines kunnen dan mogelijk ongewenst cultuurplanten beschadigen. Denk bijvoorbeeld aan stenen in het veld, bladeren van bomen, door ziekte aangetaste cultuurplanten, etc. Vraag bij de leverancier na wat de fabrikant eraan doet om algoritmes te verbeteren of nieuwe algoritmes te ontwikkelen.
Daarnaast is het type camera wat wordt gebruikt ook van belang. RGB camera’s zijn vaak nauwkeurig genoeg voor het onderscheiden van verschillende planten. Multi- of hyperspectraalcamera’s zien meer licht dan mensen met het oog kunnen waarnemen (bijv. UV-licht of nabij-infraroodlicht) en kunnen soms beter het onderscheid maken.