RegisTer

Das Projekt RegisTer zielt darauf ab, automatisierte Methoden zur Charakterisierung und Bewertung von Zuckerrübensorten auf Basis ihrer optischen und geometrischen Eigenschaften zu entwickeln. Dabei werden Merkmale gesucht, die den Phänotyp einer Zuckerrübensorte beschreiben, um sie korrekt zu identifizieren und für den Vertrieb zu registrieren. Um dieses Ziel zu erreichen, werden Pflanzenphänotypisierungs-Pipelines implementiert, die auf maschinellem Lernen basieren und hochauflösende RGB- und Multispektralbilder von Drohnen sowie bodengestützte 3D-Vermessungen verwenden. Durch die Analyse von Daten über verschiedene Zeitpunkte hinweg können dynamische Merkmale abgeleitet werden, um neue Eigenschaften für die Sortenbeschreibung zu entwickeln und die Selbstlernalgorithmen weiter zu verbessern. Dies ermöglicht eine präzisere Charakterisierung und reduziert den manuellen Aufwand für Züchter und das Zulassungsverfahren des Bundessortenamtes. RegisTer trägt dazu bei, die Automatisierung und Standardisierung des Bewertungsprozesses zu fördern und somit die Effizienz und Qualität der Pflanzenzüchtung zu steigern.

Im Verlauf des Projektes wurden umfangreiche Datensätze in Feld- und Gewächshausversuchen gesammelt. Die Feldversuche umfassen mehrere Standorte innerhalb Deutschlands und mehrere Versuchsjahre. Die Datensätze wurden unter Praxisbedingungen sowie unter kontrollierten Bedingungen erhoben, um eine Datengrundlage für Verarbeitungspipelines bereit zu stellen. Auf dieser Grundlage wurde eine digitale Krankheitsbonitur für Cercospora beticola und weitere ertragsrelevante Blattkrankheiten auf Basis von Drohnenbildern entwickelt und auf verschiedenen Standorten getestet. Dabei zeigte sich eine hohe Übereinstimmung zwischen der digitalen und manuellen Krankheitsbonitur durch Experten des Bundessortenamtes. Des Weiteren wurde eine 3D-Vermessung zur Ableitung morphologischer Merkmale auf Einzelpflanzen- und Einzelblattebene etabliert. Zunächst wurden 3D-Modelle mittels terrestrischem Laserscanning und photogrammetrischen Algorithmen erstellt, woraufhin diverse Merkmale wie Höhe, Breite und Volumen der Einzelpflanzen abgeleitet wurden. Zur Validierung der Messergebnisse wurde eigens eine 3D-druckbare Referenzpflanze modelliert und in Feld- und Gewächshausversuchen integriert. Eine Segmentierung einzelner Blätter auf Parzellenebene ermöglichte die Vermessung von Merkmalen wie Blattlänge und -breite mithilfe einer Keypoint-Erkennung, die eine hohe Übereinstimmung mit manuellen Vermessungen von Einzelblättern aufweist.

Die Förderung des Vorhabens erfolgt (bzw. erfolgte) aus Mitteln des Bundesministeriums für Ernährung und Landwirtschaft (BMEL) aufgrund eines Beschlusses des deutschen Bundestages. Die Projektträgerschaft erfolgt (bzw. erfolgte) über die Bundesanstalt für Landwirtschaft und Ernährung (BLE) im Rahmen der Förderung der Künstlichen Intelligenz (KI) in der Landwirtschaft mit dem Förderkennzeichen 28DK108C20.