Früherkennung von Symptomen des Echten Mehltaus auf Weizenblättern mittels KI-basierter Auswertung von multi- und hyperspektralen Messreihen
- Beschreibung
Echter Mehltau ist ein wesentlicher Faktor der Ertragsverringerung bei Weizenpflanzen. Um der Infektion mit Echten Mehltau vorzubeugen werden hauptsächlich resistente Sorten in der Landwirtschaft verwendet. Um eventuelle Bekämpfungsmaßnahmen gezielt durchführen zu können und das Schadpotential besser abschätzen zu können ist eine möglichst frühe Erkennung der Symptome notwendig.
Innerhalb des Projekts werden angezogene Weizenpflanzen mit Sporen von Blumeria graminis f. sp. tritici, dem Erreger des Echten Mehltaus auf Weizen, inokuliert und in einer Zeitreihe täglich mittels multi- und hyperspektraler, bildgebender Sensoren gemessen. Die so ermittelten hyperspektralen Daten werden dann mittels auf künstlicher Intelligenz basierenden Machine Learning Methoden ausgewertet um eine automatisierte Erkennung der Symptome vor dem Auftreten sichtbarer Symptome zu ermöglichen.
Anschließend werden die Multispektraldaten mit den im vorherigen Schritt erarbeiteten Modellen ausgewertet, um die Leistungsfähigkeit des auf multispektralen Sensoren basierenden Datensatzes mit der des hyperspektralen Datensatzes im Hinblick auf die Früherkennung des Pathogens zu vergleichen.
- Projektzeitraum
- Sommersemester 2023
- Bewerbungszeitraum
- 03. bis 23.04.2023
- Durchführung
- semesterbegleitend
- Details zu Projektzeitraum und Durchführung
Das Projekt kann zeitlich flexibel über den Verlauf des Semesters hinweg durchgeführt werden. Anzucht der Pflanzen, Inokulation mit Bluemria graminis und Datenanalyse sind nicht in feste Zeiträume gebunden.
Die einzigen festen Zeiten sind die der Messreihen der inokulierten Pflanzen, welche täglich über einen Zeitraum von etwa zwei Wochen durchgeführt werden müssen.
- Studienfach
- offen für alle Studienfächer
- Betreuende
- Dr. Stefan Thomas
- Institut
- Institut für Phytomedizin (360) (Phytopathologie)
- Sprache
- deutsch/englisch
- Teilnehmendenanzahl
- min. 1, max. 2
- Arbeitsaufwand
-
ca. 180 Stunden pro Teilnehmende:r
| 6
ECTS-Punkte
Arbeitsaufwand (Stunden und ggf. ECTS) sind ungefähre Angaben. Die tatsächlich vergebenen ECTS-Punkte ergeben sich aus der tatsächlich geleisteten Arbeit.
- Für dieses Projekt ist kein Motivationsschreiben des Studierenden erforderlich
- Projektart
- experimentell
- Lernziele
-
Die Teilnehmende lernen in diesem Projekt:
Innerhalb des Projekts erweben die Studierenden Kenntnisse von Pflanzenanzucht, Gewächshausversuchen, Pathogeninokulation, multi- und hyperspektraler Sensormessungen, sowie Analyse von Bilddaten mittels Machine Learning.
- Anmerkungen für Studierende
- Schlagworte
- Pflanzen, Pathogendetektion, optische Sensoren, hyperspektral, multispektral, Datenanalyse, Echter Mehltau