Detektion von Weintrauben in Bildern mit Hilfe von Fully Convolutional Neural Nets | Detection of grapevine in images using Fully Convolutional Neural Nets

German. Die Ertragsabschätzung und –vorhersage ist für Winzer eine Herausforderung, um gesteckte Produktionsziele (Menge-Güte Relation) zu erreichen. Die Detektion von Weintrauben in Bildern stellt hierbei eine günstige und schnelle Alternative zu den anerkannten aber zeitintensiven und subjektiven Methoden dar. Statt einer Extrapolation von kleinen Stichproben wenden wir ein neuronales Netz auf Bilder der Weinreben an, die mit einer Phänotypisierungsplattform, dem Phenoliner, aufgenommen wurden. Dabei steht die Erkennung weißer Beeren im Mittelpunkt, da ihre grüne Farbe vor den ebenfalls grünen Blättern eine anspruchsvolle Klas-sifikationsaufgabe darstellt. Wir formulieren die Erkennung von Beeren als ein 3-Klassen-Problem: Kante, Beere und Hintergrund. Das Netz wurde mit 60 Bildern der Sorte Riesling, in unterschiedlichen Erziehungssystemen, in denen die Bee-ren manuell markiert wurden, ausgewertet. 30 Bilder zeigen Pflanzen im Spalier-schnitt (VSP) und 30 im Minimalschnitt im Spalier (SMPH). Wir sind in der Lage 94,0% im VSP und 85,6% der markierten Beeren im SMPH korrekt zu detektieren.

English. Yield estimation and forecasting are of special interest in the field of grapevine breeding and viticulture. The number of harvested berries per plant is strongly correlated with the resulting quality. Therefore, early yield forecasting can enable a focused thinning of berries to ensure a high qual- ity end product. Traditionally yield estimation is done by extrapolating from a small sample size and by utilizing his- toric data. Moreover, it needs to be carried out by skilled ex- perts with much experience in this field. Berry detection in images offers a cheap, fast and non-invasive alternative to the otherwise time-consuming and subjective on-site anal- ysis by experts. We apply fully convolutional neural net- works on images acquired with the Phenoliner, a field phe- notyping platform. We count single berries in images to avoid the error-prone detection of grapevine clusters. Clus- ters are often overlapping and can vary a lot in the size which makes the reliable detection of them difficult. We ad- dress especially the detection of white grapes directly in the vineyard. The detection of single berries is formulated as a classification task with three classes, namely ’berry’, ’edge’ and ’background’. A connected component algorithm is ap- plied to determine the number of berries in one image. We compare the automatically counted number of berries with the manually detected berries in 60 images showing Ries- ling plants in vertical shoot positioned trellis (VSP) and semi minimal pruned hedges (SMPH). We are able to detect berries correctly within the VSP system with an accuracy of 94.0 % and for the SMPH system with 85.6 %.