Spores Detection with Deep Learning

dc.contributor.authorDietler, Silas
dc.contributor.authoret al.
dc.date.accessioned2024-02-06T07:02:01Z
dc.date.available2024-02-06T07:02:01Z
dc.date.issued2024-01-24
dc.description.abstractPflanzenkrankheiten sind ein Grund für den Einsatz von Fungiziden in der Landwirtschaft. Einige Erreger verbreiten sich durch Sporen in der Luft und können sich dadurch effizient ausbreiten. Die Identifikation dieser Verbreitungsorgane ist eine Herausforderung aufgrund ihrer kleinen Größe (1-100 Mikrometer) und ihrer Ähnlichkeit zu anderen Partikeln, wie Pollen oder Staub. In diesem Projekt entwickeln wir einen multimodalen Deep Learning-Algorithmus, der digitale Holographie und UV-induzierte spektrale Fluoreszenz kombiniert, um die automatisierte Klassifizierung von Sporen zu ermöglichen. Die Daten werden vom SwisensPoleno Jupiter gesammelt, der bisher hauptsächlich für die Pollenerkennung eingesetzt wurde. Unser Ziel ist es, einen Echtzeit-Klassifizierungsalgorithmus zu entwickeln, der Sporen erkennen und klassifizieren kann, um das Infektionsrisiko besser einzuschätzen und dadurch die Landwirte bei der Entscheidungsfindung für den Fungizid-Einsatz zu unterstützen.
dc.identifier.citation9. F&E-Konferenz zu Industrie 4.0, Industrie 2025
dc.identifier.urihttps://hdl.handle.net/20.500.12839/1332
dc.language.isode
dc.titleSpores Detection with Deep Learning
dc.typeConference
dc.type.csemdivisionsDiv-R
dc.type.csemresearchareasData & AI
dc.type.csemresearchareasIndustry 4.0
Files
Original bundle
Now showing 1 - 2 of 2
Loading...
Thumbnail Image
Name:
Poster_Dietler.pdf
Size:
444.04 KB
Format:
Adobe Portable Document Format
Loading...
Thumbnail Image
Name:
Slides_Dietler_Sporen.pdf
Size:
1.24 MB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.82 KB
Format:
Item-specific license agreed upon to submission
Description: