← Zurück zu Projekten
PythonPyTorchDockerMLOpsDVC

Pflanzenkrankheitserkennung mit Deep Learning

Wie wir ein robustes KI-System zur Erkennung von Pflanzenkrankheiten mit Transfer Learning, effizienten Modellen und einem hochwertigen Datensatz entwickelt haben.

Code ansehen
22.3.2026

Pflanzenkrankheitserkennung mit Deep Learning

Ein Machine-Learning-Projekt zur automatisierten Analyse von Pflanzenblättern

Pflanzen und Bäume bilden die Grundlage der Landwirtschaft – und gleichzeitig sind sie sehr anfällig für Krankheiten, die sowohl Ertrag als auch Qualität drastisch beeinträchtigen können. Noch schlimmer: Falsche Diagnosen führen oft zu übermäßigem oder falschem Pestizideinsatz, was Kosten erhöht und die Umwelt belastet.

Gemeinsam mit meinem Team habe ich ein System entwickelt, das Deep Learning nutzt, um Pflanzenkrankheiten zuverlässig zu erkennen – optimiert für eingebettete Systeme, Drohnen und automatisierte landwirtschaftliche Prozesse.

Projektübersicht

Unser Ziel war es, ein effizientes, leichtgewichtiges und robustes Klassifikationsmodell für Pflanzenkrankheiten zu entwickeln. Der Fokus lag auf:

  • Transfer Learning mit modernen leichtgewichtigen Architekturen
  • Hohe Generalisierungsfähigkeit trotz unterschiedlicher Bildquellen
  • Einfache Integration in Automatisierungssysteme und UAVs (z.B. Drohnen)

Das Ergebnis ist ein anpassbares Framework, das Diagnosen in nahezu Echtzeit liefern kann.

Unser Ansatz: Transfer Learning & Fine-Tuning

Wir haben den Kern unseres Systems mit Transfer Learning aufgebaut. Anstatt von Grund auf neu zu beginnen, nutzen wir das Wissen vortrainierter Modelle und passen sie für unser spezifisches Problem an.

Verwendete Modelle

  • MobileNetV2 (3,5M Parameter)
  • EfficientNet-B0 (5,3M Parameter)
  • Zum Vergleich: ResNet50 (25,6M Parameter – zu groß für eingebettete Systeme)

Diese Modelle bieten:

  • Sehr hohe Effizienz
  • Geringe Parameteranzahl
  • Gute Leistung auf kleineren Geräten (Edge AI)

Bewertung mit einer Konfusionsmatrix

Um die Leistung des Modells aussagekräftig zu bewerten, haben wir eine Konfusionsmatrix verwendet, die deutlich zeigt, wie gut echte und fehlklassifizierte Fälle erkannt wurden.

Hier sehen Sie die Konfusionsmatrix unseres MobileNetV2 nach der 2. Trainingsepoche:

Konfusionsmatrix

Die Matrix zeigt deutlich:

  • Welche Klassen besonders gut erkannt werden
  • Wo Fehlklassifizierungen auftreten
  • Wie zuverlässig das Modell insgesamt arbeitet

Die Macht des richtigen Datensatzes

Wir haben den Plant Diseases Kaggle Dataset verwendet, aber schnell erkannt:

Ein Modell ist nur so gut wie die Daten, mit denen es trainiert wird.

Einige Erkenntnisse:

  • Das Modell arbeitet hervorragend auf ähnlichen Datensätzen
  • Bei völlig neuen Bildern (z.B. echte Feldfotos) ist die Varianz höher
  • ⇒ Vielfalt im Trainingssatz ist entscheidend

Unsere Schlussfolgerung: Datenaugmentierung und domänenspezifische Ergänzungen sind Schlüsselfaktoren für eine gute Generalisierung.

Vortrainierte Modelle vs. Eigene Architektur

Wir haben sowohl vortrainierte Modelle als auch selbst entworfene Architekturen getestet.

Ansatz Vorteile Nachteile
Vortrainiert Schneller Start, weniger Daten benötigt, starke Basisleistung Modelle für generische Bildklassifikation optimiert
Eigen Vollständig maßgeschneidert, volle Kontrolle Mehr Aufwand, umfangreiche Datensammlung erforderlich

Unser finaler Workflow kombiniert beides: vortrainierte Modelle + gezieltes Fine-Tuning.

Zukunft: Automatisierte landwirtschaftliche Prozesse

Wir sehen das größte Potenzial in der Integration unseres Systems in UAVs / Drohnen:

  • Automatisierte Feldüberflüge
  • Echtzeitanalyse des Pflanzenzustands
  • Automatische Berichte & Frühwarnsysteme
  • Präzise, ressourceneffiziente Behandlung

Diese Technologie ermöglicht einen völlig neuen Ansatz in der Präzisionslandwirtschaft – messbar effizienter und nachhaltiger.

Fazit

Unser Projekt zeigt, wie moderne Machine-Learning-Algorithmen helfen können, globale Herausforderungen in der Landwirtschaft zu bewältigen.

Mit einem effizienten Modell, einer sauber strukturierten Pipeline und der Integration in automatisierte Systeme wird KI zu einer zentralen Komponente der intelligenten Landwirtschaft.

Bonus: Poster / Präsentationsinhalt

Wenn Sie ein akademisches Poster auf Basis dieses Projekts erstellen möchten:

  • Konfusionsmatrix
  • Vergleiche: EfficientNet vs MobileNetV2 vs ResNet
  • Strategie: Vortrainiertes Modell + Fine-Tuning
  • Hyperparameter: Learning Rate, Batch Size, Scheduler
  • Eigene zufällige Testproben
  • Ergebnisübersicht & Workflow-Diagramme