Skip to content

Read-only version: For security reasons, the Research Information System (FIS) has been temporarily replaced by this read-only version. All public content and full texts remain available; login, editing, submission and statistics are not available. Questions: fis@uni-bamberg.de

Home › Publications › Automatische Detektion von Trockenstress bei Tabakpflanzen mittels Machine-Learning-Verfahren

Publication

Automatische Detektion von Trockenstress bei Tabakpflanzen mittels Machine-Learning-Verfahren

Siebers, Michael; Uhrmann, Franz; Scholz, Oliver; u. a. (2016): Automatische Detektion von Trockenstress bei Tabakpflanzen mittels Machine-Learning-Verfahren, in: Arno Ruckelshausen, Andreas Meyer-Aurich, Thomas Rath, u. a. (Hrsg.), Informatik in der Land-, Forst- und Ernährungswirtschaft Fokus : Intelligente Systeme - Stand der Technik und neue Möglichkeiten : Referate der 36. GIL-Jahrestagung, 22.-23. Februar 2016 in Osnabrück, Germany, Bonn: Köllen Druck+Verlag GmbH, S. 197–200.

Details

Faculty/Chair
Author
Uhrmann, Franz
Scholz, Oliver
Stocker, Christoph
Editor
Ruckelshausen, Arno
Meyer-Aurich, Andreas
Rath, Thomas
Recke, Guido
Theuvsen, Brigitte
Title of the compilation
Informatik in der Land-, Forst- und Ernährungswirtschaft Fokus : Intelligente Systeme - Stand der Technik und neue Möglichkeiten : Referate der 36. GIL-Jahrestagung, 22.-23. Februar 2016 in Osnabrück, Germany
Corporate Body
GIL-Jahrestagung, 36, 2016, Osnabrück
Publisher Information
Köllen Druck+Verlag GmbH : Bonn
Year of publication
2016
ISBN
978-3-88579-647-3
Language
German
URL
Abstract

Dieser Beitrag befasst sich mit der Klassifikation der Vitalität von Pflanzen durch Machine-Learning-Verfahren am Beispiel von Trockenstress bei Tabak (Nicotiana tabacum). Wir zeigen, dass Machine-Learning-Verfahren die menschliche Unterscheidung von gesunden und gestressten Pflanzen durch einen Experten nachbilden können und zudem, dass eine frühzeitige Erkennung von Pflanzenstress möglich ist, indem eine dritte Klasse für mäßig gestresste Pflanzen eingeführt wird. Zur Klassifikation werden Entscheidungsbaumverfahren, Support Vector Machine, künstliche Neuronale Netze und Lineare Regression verglichen. Im Beitrag wird schwerpunktmäßig die Auswahl der Merkmale beschrieben, die für eine zuverlässige Klassifikation notwendig sind. Da die Experteneinschätzung weniger auf Einzelkriterien als vielmehr auf dem Gesamteindruck des Pflanzenphänotyps basiert, stellt sich die Frage, welche relevanten Merkmale ein automatisches Diagnose-System berücksichtigen muss. Es hat sich herausgestellt, dass neben blattspezifischen Merkmalen auch Merkmale, die sich auf die Gesamtpflanze beziehen, für die Klassifikation relevant sind.

Keywords
Phänotypisierung
Trockenstress
Machine-Learning
Klassifikation
Merkmale
Peer Reviewed
yes
International Distribution
no
Type
Conferenceobject
URI
Activation date
2017-03-07, 2017-03-07

Permalink: https://fis.uni-bamberg.de/handle/uniba/41745 · Data as JSON · Cite: BibTeX · RIS

Data as of: 2026-11-16

Restricted read-only access: login, editing and submission are temporarily disabled.