PlantVillage – App-Diagnose von Pflanzenkrankheiten

PLantVillage ist ein innovatives Projekt, das an der EPFL in Zusammenarbeit mit der Penn State University durchgeführt wird. Es soll der Diagnose von Pflanzenkrankheiten mittels einer Deep-Learning-App den Weg ebnen.

Möglich wird das durch einen Computer-Algorithmus, der auf die hochpräzise Identifizierung von Pflanzenkrankheiten trainiert ist. Integriert in eine Smartphone-App kann er Landwirten dabei helfen, frühzeitig Gegenmassnahmen einzuleiten, Ernteeinbussen zu verhindern und damit eventuellen Nahrungsmittelengpässen vorzubeugen.

Deep-Learning-Network wurde trainiert

Pflanzenkrankheiten, die die Welternährungssicherheit bedrohen, können mithilfe von künstlicher Intelligenz bekämpft werden. Die am Projekt beteiligten Wissenschaftler haben ein neuronales Deep-Learning-Network trainiert, das allein durch das „Anschauen“ und die Analyse normaler Fotos individueller Pflanzen exakte Krankheitsdiagnosen erstellt. Der zum „PlantVillage“-Projekt gehörende Algorithmus ist der erste erfolgreiche Wirksamkeitsnachweis für Krankheitsdiagnostik anhand von Smartphone-Fotos.

Initianten des PLantVillage-Projektes sind Marcel Salathé von der EPFL und David Hughes von der Penn State University. Für die Entwicklung der Algorithmen zeichnet der Informatiker Sharada P. Mohanty, Doktorand im Labor für digitale Epidemiologie von Marcel Salathé, verantwortlich.

Künftig Krankheits-Diagnose in Sekunden

Das Projekt profitiert von den Fortschritten, die in den vergangenen Jahren im Bereich des Deep Learning gemacht wurden. Deep Learning ist eine Form des maschinellen Lernens, bei dem Algorithmen für das Erkennen von Mustern in grossen Datensätzen genutzt werden: Im vorliegenden Fall hat PlantVillage über 50 000 digitale Fotos kranker Pflanzen offen zugänglich gemacht. Dank eines computergestützten neuronalen Netzwerks durchlaufen die Fotos zahlreiche Schichten künstlicher Neuronen und „lernen“ so schrittweise, verschiedene Krankheiten mit grosser Sicherheit zu identifizieren.

Ziel ist es, den Landwirten, Bauern und Gärtnern dieses Instrument als Smartphone-App zur Verfügung zu stellen. „Zukünftig können diese mit der App ein Foto der kranken Pflanze machen und innerhalb weniger Sekunden die Diagnose erhalten“, erklärt Salathé. 2015 machten die Wissenschaftler die Datenbank mit über 50 000 Fotos frei zugänglich, damit weltweit jedermann solche Algorithmen entwickeln kann.

Über 99 Prozent Treffsicherheit

Der Deep-Learning-Algorithmus funktioniert so: Die Forscher teilten die 54 306 Fotos kranker und gesunder Pflanzenblätter einem von 38 Paaren aus Pflanze und Krankheit (Bsp.: Tomatenpflanze – früher Mehltau, Apfelbaum – Apfelschorf etc.) zu. Anschliessend trainierten sie das „Deep Convolutional Neural Network“ auf die Erkennung von Pflanzen und Krankheiten (bzw. das Nichtvorhandensein von Krankheiten bei gesunden Pflanzen) und massen, wie korrekt jedes Bild zugeteilt werden konnte.

Insgesamt arbeiteten sie mit 14 Kulturpflanzenarten und 26 Pflanzenkrankheiten. Das System kann auf Fotos abgebildete Krankheiten mit einer Genauigkeit von 99.35% zuordnen, ohne diese je zuvor gesehen zu haben. Die Entwicklung des Algorithmus und das Training des Modells setzen signifikante Rechenkapazitäten und viel Zeit voraus.

Nach der „Lernphase“ verläuft die Klassifizierungsarbeit jedoch sehr schnell und der sich daraus ergebende Code ist klein genug, um leicht auf einem Smartphone installiert zu werden. „Das ist ein bedeutender Fortschritt für die smartphonegestützte Pflanzenkrankheitsdiagnostik“, sagt Hauptautor Sharada Mohanty.

Weiterentwicklung für praktischen Einsatz

Die Fotos wurden allerdings unter kontrollierten Bedingungen bezüglich Licht, Farbe etc. geschossen, die nicht immer denen der Schnappschüsse in der Praxis entsprechen. Um dieses Problem zu lösen, erweitert das Team die Bilddatenbank nun auf rund 150 000 Fotos, um die Erkennungsfähigkeit des Systems noch zu verbessern. Zusätzlich ist geplant, auch die Datenmenge zu vergrössern, die das Netzwerk für eine genaue Diagnostik verwendet.

„Dafür brauchen wir Fotos, die von Anwendern vor Ort unter natürlichen Bedingungen geschossen werden“, erklärt Salathé. „In der Zukunft möchten wir auch weitere Faktoren wie Zeitpunkt, Standort, epidemiologische Trends, Wetterbedingungen und andere Signale berücksichtigen, die die Fähigkeit des Systems noch umfassend steigern würden.“

„Wir sind davon überzeugt, dass dieser Ansatz eine zukunftsträchtige weitere Methode für die Prävention von Ernteverlusten sein wird“, sagt David Hughes. „Angesichts der ständig steigenden Anzahl und Qualität der Sensoren mobiler Geräte glauben wir, dass die hochgenaue Diagnostik per Smartphone nur noch eine Frage der Zeit ist.“

Artikel von: EPFL École polytechnique fédérale de Lausanne
Artikelbilder: © EPFL