Optimal multispectral sensor confgurations through machine learning for cognitive agriculture

Hyperspectral sensor systems play a key role in the automation of work processes in the farming industry. Non-invasive measurements of plants allow for an assessment of the vitality and health state and can also be used to classify weeds or infected parts of a plant. However, one major downside of hyperspectral cameras is that they are not very cost-effective. In this paper, we show, that for specific tasks, multispectral systems with only a fraction of the wavelength bands and costs of a hyperspectral system can lead to promising results for regression and classification tasks. We conclude that for the ongoing automation efforts in the context of cognitive agriculture reduced multispectral systems are a viable alternative.

Hyperspektrale Sensorsysteme spielen eine Schlüsselrolle bei der Automatisierung von Arbeitsprozessen in der Landwirtschaft. Nicht-invasive Messungen von Pflanzen ermöglichen eine Beurteilung des Vitalitäts- und Gesundheitszustands und können auch zur Klassifizierung von Unkraut oder infizierten Pflanzenteilen verwendet werden. Ein großer Nachteil von Hyperspektralkameras ist jedoch, dass sie nicht sehr kosteneffektiv sind. In diesem Beitrag zeigen wir, dass für bestimmte Aufgaben multispektrale Systeme mit nur einem Bruchteil der Wellenlängenbänder und Kosten eines Hyperspektralsystems zu vielversprechenden Ergebnissen bei Regressions- und Klassifikationsaufgaben führen können. Wir kommen zu dem Schluss, dass für die laufenden Automatisierungsbemühungen im Rahmen der kognitiven Landwirtschaft reduzierte multispektrale Systeme eine praktikable Alternative sind.