Sensing and automatic scoring of sugar-beet fields by using UAV-imagery systems for disease quantification

von Abel Andree Barreto Alcántara
Kumulative Dissertation
Datum der mündl. Prüfung:2024-01-30
Erschienen:2024-04-19
Betreuer:Prof. Dr. Anne-Katrin Mahlein
Gutachter:Prof. Dr. Frank Beneke
Gutachter:Prof. Dr. Mark Varrelmann
Gutachter:Prof. Dr. Uwe Rascher
Zum Verlinken/Zitieren: http://dx.doi.org/10.53846/goediss-10336

 

 

Dateien

Name:IFZ_Dissertationen_Barreto.pdf
Size:10.6Mb
Format:PDF
Description:Dissertation

Lizenzbestimmungen:

Zusammenfassung

Englisch

Cercospora leaf spot (CLS) in sugar beet is a damaging leaf disease caused by the fungal pathogen Cercospora beticola Sacc. This disease leads to substantial yield diminishment, and its management poses a challenge owing to rapid sporulation and high genetic variability. Integrated pest management strategies, including cultural practices, cultivar resistance, and fungicide management, are used to mitigate the disease. Disease intensity evaluation plays a crucial role in plant breeding for resistance screening and in agricultural practice for guiding control measures. The use of optical sensor technology and unmanned aerial vehicles (UAVs) with multispectral or hyperspectral cameras provides a novel alternative to human-based disease assessment. These sensors capture reflected light in multiple wavelength bands, allowing high spatial resolution imaging with spectral information. Machine and deep learning techniques are utilized to analyze multispectral UAV images and extract relevant disease assessment information. The combination of multispectral UAV data and machine learning approaches holds great promise for assessing parameters such as disease incidence (DI) and disease severity (DS) as a basis for decision-making. This thesis focuses on using RGB and multispectral imaging sensor technologies, UAVs, and machine learning to monitor and assess CLS in sugar beet. Two main application scenarios were investigated: evaluating tolerance and resistance in variety trials, and assessing parameters for decision-making in integrated CLS control in agricultural practice. The results of this dissertation recommended utilizing multispectral UAV systems for evaluating CLS resistance, particularly through an image-based and pixel-wise quantification of healthy foliage and soil regions. The close association between healthy foliage and yield outcomes emphasizes the importance of the proposed pixel-wise methods in breeding procedures. Furthermore, the identification and standardization of image-based scoring units are crucial for crop protection. Accurate detection of diseased specimens is essential for efficient site-specific disease management. In the present work, machine learning models were adapted and developed to detect DI and DS parameters with high accuracy. Procedures considering plant, circle, and leaf scoring units were incorporated to optimize decision-making. However, limitations in spatial resolution and nadir UAV-perspective, as well as challenges in discriminating diseased tissue from bare soil under certain light conditions, may impact the sensitivity for detecting first symptoms of disease. Curative site-specific fungicide application and generation of multidisease application maps are potential future developments. Overall, the dissertation demonstrates the potential of multispectral UAV-based methodologies for advancing disease resistance breeding and precise disease control, offering valuable applications in practical agriculture for integrated control of CLS. The knowledge gained from studying Cercospora beticola Sacc. and sugar beet can be transferred to other relevant sugar beet diseases such as Powdery mildew, Rust, and virus yellows using the established UAV-based assessment pipeline.
Keywords: Deep learning; FCN; UAV; Sugar beet; Cercospora beticola; Disease incidence; Disease severity; Automatic scoring; Mask R-CNN; Plant disease; Leaf segmentation

Deutsch

Die Cercospora-Blattfleckenkrankheit (Cercospora leaf spot, CLS) ist die bedeutendste Blattkrankheit im Zuckerrübenanbau. Sie wird durch den pilzlichen Erreger Cercospora beticola Sacc. verursacht und kann zu erheblichen Ertragseinbußen führen. Die Kontrolle von CLS ist aufgrund einer schnellen Sporenproduktion und einer hohen genetischen Variabilität äußerst herausfordernd. Derzeit besteht die Bekämpfungsstrategie hauptsächlich aus den Leitlinien des integrierten Pflanzenschutzes. Diese umfassen ackerbauliche Maßnahmen, Sortenresistenzen und Strategien zum Fungizideinsatz. Die Bewertung der Krankheitsintensität spielt eine entscheidende Rolle für das Resistenzscreening in der Pflanzenzüchtung und für die Empfehlung von Pflanzenschutzmaßnahmen in der landwirtschaftlichen Praxis. Der Einsatz von Drohnen (UAVs), ausgestattet mit optischer Sensortechnologie wie beispielweise multispektralen oder hyperspektralen Kameras bietet eine neuartige Alternative für das Krankheitsmonitoring von CLS gegenüber den herkömmlich durchgeführten manuellen Bonituren. Maschinelle- und Deep-Learning Verfahren können eingesetzt werden, um multispektrale UAV-Bilder zu analysieren und relevante Informationen zur Krankheitsbewertung zu extrahieren. Durch diesen methodischen Ansatz kann eine Automatisierung der Erfassung von Parametern wie der Befallshäufigkeit (disease incidence, DI) und der Befallsstärke (disease severity, DS) erreicht werden, welche eine Grundlage für die Entscheidungsfindung bilden. Die vorliegende Arbeit konzentriert sich auf den Einsatz von UAVs, ausgestattet mit bildgebender RGB- und multispektraler Sensortechnologie, und die Nutzung von maschinellem Lernen zur Überwachung und Bewertung von CLS im Zuckerrübenanbau. Zwei Anwendungsgebiete wurden untersucht: eine digitale Bewertung von Toleranzen und Resistenzen in Sortenversuchen; sowie die Beurteilung von Parametern zur Entscheidungsfindung für integrierte Bekämpfungsmaßnahmen von CLS. Die Ergebnisse dieser Arbeit empfehlen den Einsatz von multispektralen UAV-Systemen zur Bewertung der CLS-Resistenz, insbesondere durch eine bildbasierte und pixelweise Quantifizierung gesunder Blattbereiche und Differenzierung von symptomatischen Bereichen und Boden. Der enge Zusammenhang zwischen gesundem Blattapparat und Ertragsergebnissen betont die Bedeutung der vorgeschlagenen pixelweisen Methoden für Züchtungsverfahren. Darüber hinaus ist die Identifizierung und Standardisierung von bildbasierten Bewertungseinheiten für Kontrollmaßnahmen und die Anwendung von Pflanzenschutzmittel von entscheidender Bedeutung. Die digitale Erkennung von Befallsparametern ist für ein zeitlich präzises und teilflächenspezifisches Krankheitsmanagement unerlässlich. In der vorliegenden Arbeit wurden Modelle des maschinellen Lerners angepasst und entwickelt, um mit hoher Genauigkeit die Parameter DI und DS zu erfassen. Für die Optimierung der Entscheidungsfindung wurden Verfahren zur Berücksichtigung der Bewertungseinheiten Pflanze, Kreis und Blatt integriert. Einschränkungen bei der räumlichen Auflösung des Sensors und der Nadir UAV-Perspektive sowie Probleme bei der Unterscheidung von krankem Gewebe und Boden unter bestimmten Lichtverhältnissen können jedoch die Verlässlichkeit bei der Erkennung erster Krankheitssymptome beeinträchtigen. Kurative und teilflächenspezifische Fungizidapplikationen und die Erstellung von Applikationskarten für mehrere, simultan auftretende Krankheiten sind weitere potenzielle Anwendungsgebiete. Insgesamt zeigt die Arbeit das Potenzial von multispektralen UAV-basierten Methoden zur Anwendung in der Resistenzzüchtung und dem präzisen Pflanzenschutzmitteleinsatz und bietet weitere wertvolle Ansätze zur Verbesserung der integrierten Kontrolle von CLS. Das im Rahmen der Dissertationsschrift gewonnene Wissen kann auf weitere relevante Zuckerrübenkrankheiten wie den Echter Mehltau, Rübenrost oder die viröse Vergilbungen übertragen werden.
 
Statistik