Krankheitserkennung Bildanalyse Cannabis

Kurzdefinition

Automatisierte Detektion von Cannabis-Pathogenen und Schädlingen (primär Mehltau, Spinnmilben) durch Deep-Learning-basierte Bildanalyse. RGB-Kameras erreichen 72–78% Genauigkeit bei Mehltau; Hyperspektral-Ansätze erreichen ~94% durch Pre-Symptom-Spektralsignaturen. Zentrales Bottleneck: Mangel an cannabis-spezifischen Trainingsdatensätzen.

Wissenschaftliche Beschreibung

Methodik: CNN-Klassifikation für Pflanzenkrankheiten

Der dominante Ansatz nutzt Convolutional Neural Networks (CNN) zur Klassifikation auf Blattbildern. Allgemeine Trainingssets (PlantVillage: 54.000 Bilder, 26 Krankheiten, kein Cannabis) bilden die Basis; Transfer Learning adaptiert diese Modelle auf Cannabis-spezifische Pathologien. Neben Klassifikation kommen YOLO- und Faster-R-CNN-Architekturen für Objekt-Detection (lokalisierte Schäden) und Segmentierungsmodelle für flächige Läsionsquantifizierung zum Einsatz.

Mehltau (Powdery Mildew)

Mehltau (Golovinomyces cichoracearum / G. ambrosiae) ist eines der bedeutendsten Pathogene im Cannabis-Gewächshausanbau.

• RGB-Ansatz: Shin et al. (2021) entwickelten einen Deep-Learning-Ansatz für RGB-basierte Mehltau-Erkennung auf Erdbeeren (übertragbar auf Cannabis): 72–78% Genauigkeit. Frühstadium-Infektionen manifestieren sich als spektrale Verschiebungen außerhalb des sichtbaren Bereichs — Standard-RGB-Kameras detektieren erst nach sichtbarer Symptomausprägung.
• Hyperspektral-Ansatz: ~94% Genauigkeit durch Erfassung von NIR-Spektralsignaturen der Pilzkolonisation vor Symptomvisiblität. Mechanismus: Pilzhyphen verändern Blattgewebereflexion im NIR bevor Chlorose/Nekrose sichtbar wird.
• Attention-Mechanismen: Ein robustes Deep Attention Dense CNN (DADNN) wurde für die Klassifikation heterogener Blattgesundheitszustände aus Felddaten entwickelt — Aufmerksamkeitsmechanismen fokussieren auf befallene Regionen, verbessern Signal-Rausch-Verhältnis.

Spinnmilben (Spider Mites)

Spinnmilben (Tetranychus spp.) gehören zu den kritischsten Cannabis-Schädlingen. Charakteristisch: Stippling (Punktmuster), Spinnweben, Blattverfärbung. Herausforderungen für Computer Vision:

• Individuelle Milben < 0,5 mm — Auflösungsgrenze standardmäßiger Kameras
• Frühschadens-Muster ähnelt Nährstoffmangel-Symptomen → False-Positive-Risiko
• Specifische Cannabis-Spinnmilben-Datensätze in der Literatur noch selten

YOLO-/SSD-Modelle können charakteristische Webbing-Muster und Blattschadens-Signaturen erkennen; hochauflösende Bildgebung (>10 Megapixel, Makroaufnahmen) ist Voraussetzung.

Cannabis-spezifische Herausforderung: Trichome als False Positives

Cannabis-eigene Drüsenhaare (Trichome) erscheinen in Kamerabildern als helle Punkte auf Blattoberflächen und können Mehltau-Kolonien oder Spinnmilben-Eier visuell imitieren. Modelle, die auf anderen Pflanzenarten trainiert wurden, produzieren systematische False Positives, wenn sie auf Cannabis angewendet werden. Cannabis-spezifisches Training ist daher nicht optional, sondern strukturell erforderlich.

Datenmangel als Kernproblem

Empirische Mindestanforderung: N = 500–1.000 annotierte Bilder (Zantvoort et al. 2024). Verfügbare öffentliche Cannabis-Datensätze:

Strategien zur Datenlücken-Überbrückung: 1. Synthetische Datengenerierung: Sapkota et al. (2022) demonstrierten Wirksamkeit synthetischer Bilder als Trainingsergänzung bei ähnlichen Pflanzenarten 2. Transfer Learning: Von PlantVillage oder anderen Pflanzenkrankheits-Datensätzen mit Cannabis-Fine-Tuning 3. Data Augmentation: Rotation, Spiegelung, Color Jitter, Croppping für effektive Datensatz-Erweiterung

Edge Deployment

Für Echtzeit-Monitoring im Gewächshaus: Deployment auf Edge-Hardware (Raspberry Pi 4, Google Coral TPU) ermöglicht dezentrale Kamera-Integration ohne Cloud-Latenz. Voraussetzung: Modell-Komprimierung (Quantisierung, Pruning) für leistungsbeschränkte Hardware.

Integration mit IPM-Systemen

Vision-basierte Krankheitsdetektion kann mit Integrated Pest Management (IPM) verknüpft werden: Detektionsereignis → automatische Alarmierung → Dosierung von Biopestiziden (z.B. MiteXstream gegen Spinnmilben) oder Klimaanpassung (Luftfeuchtigkeit ↓ bei Mehltau-Risiko). Dateninteroperabilität zwischen Vision-System und Klimasteuerung ist aktuell der limitierende Faktor.

Anbau-Relevanz

• Frühwarnung: Hyperspektral-Systeme detektieren Mehltau vor sichtbaren Symptomen (~94% vs. 72–78% RGB) — kritisch für Schadensbegrenzung.
• Trichom-Interferenz: Cannabis-Modelle müssen zwingend cannabis-spezifisch trainiert werden; allgemeine Modelle sind für Cannabis nicht direkt einsetzbar.
• Datenstrategie: Eigenaufbau eines annotierten Cannabis-Krankheitsdatensatzes (Ziel: >1.000 Bilder pro Pathogen) schafft dauerhaften Wettbewerbsvorteil.
• Edge-Deployment: Raspberry Pi + Coral TPU ermöglicht kosteneffektives Echtzeit-Kamera-Monitoring im Grow-Room ohne Cloud-Abhängigkeit.
• Empfehlung: RGB für Grobscreening + Human-Validation; Hyperspektral für Pre-Symptom-Früherkennung in High-Value-Anlagen.

Verwandte Begriffe

• ndvi-cannabis-gesundheit — NDVI-Abfall als ergänzender Stressindikator
• plant-phenotyping — Krankheitsdetektion als Teilaufgabe der Phänotypisierung
• trichom-reife-ml-klassifikation — Ähnliche CNN-Architekturen, Trichome als False-Positive-Quelle

Quellen

• Shin et al. 2021 — A deep learning approach for RGB image-based powdery mildew detection — ScienceDirect S0168169921000600
• PMC11885274 — Leveraging deep learning for plant disease and pest detection (Review)
• Roboflow Powdery Mildew Dataset: universe.roboflow.com (j-rkp0c/powdery-mildew-0o5rc; thesis-lyi4j/powdery-mildew)
• Zantvoort et al. 2024 — Estimation of minimal data set sizes for machine learning — PMC11655521
• Sapkota et al. 2022 — Use of synthetic images for training a deep learning model — Nature Scientific Reports (s41598-022-23399-z)
• Deep Learning Based DADNN for plant leaf health conditions — ScienceDirect S1574954122001753

Quellen

• https://doi.org/10.1021/acs
• Wang CT et al. (2022): Air quality in cannabis cultivation facilities. Environ. Sci. Technol. doi:10.1021/acs.est.1c06372