Planter

Vurdering af rapssorternes modtagelighed for lys bladplet via fototeknik

På basis af resultaterne vurderes det muligt at udvikle en model, som via fotos kan rangordne rapssorternes modtagelighed for lys bladplet rimelig sikkert.

I et IPM-projekt i 2023 bevilliget af Miljøstyrelsen er det undersøgt, om der kan udvikles en model, der via fototeknik kan vurdere rapssorters modtagelighed for lys bladplet. Projektet er udført i samarbejde med The AI Lab.

Der er forskel på rapssorternes modtagelighed for lys bladplet. Det er tidskrævende at bedømme sorternes modtagelighed, og bedømmelsen kan være forbundet med usikkerhed afhængig af, hvor trænet man er i at kende symptomerne. Der sker også en relativ hurtig udskiftning af sorter, så der mangler data for mange af de nu dyrkede sorters modtagelighed. I 2020 og 2021 blev angrebet af lys bladplet bedømt i 25-30 sorter i sortsforsøgene. Se data i Hold øje med lys bladplet i vinterraps

Der er derfor et ønske om at kunne bedømme sorternes modtagelighed eller rangordne sorternes modtagelighed ved en hurtigere og måske også mere sikker metode.

I 2020 og 2021 blev det undersøgt, om der var en sammenhæng mellem bladangreb og senere angreb på stænglerne. Der blev fundet en god og statistisk sikker sammenhæng mellem de to bedømmelser. Enkelte sorter afveg dog, og der var her stor forskel mellem angreb på blade og stængler. 

Metode til at bedømme angrebsstyrke af lys bladplet

Angrebsstyrken af lys bladplet blev bedømt i 10 sorter i sortsforsøg 05-103-2323- 002 i juli 2023 efter karakterskalaen vist i tabel 1. Sorter med forskellig modtagelighed blev valgt.

Tabel 1. Karakterskala for bedømmelse af lys bladplet i raps.

Karakter Beskrivelse af angreb
1 Ingen angreb
2 Spor
3 Enkelte pletter
4 Ca. 1 pct. dækning
5 Ca. 5 pct. dækning
6 Ca. 10 pct. dækning
7 Ca. 25 pct. dækning
8 Ca. 50 pct. dækning
9 Ca. 100 pct. dækning

I tabel 2 ses sorterne og de bedømte angrebsgrader. Til højre i tabellen er indgruppering af sorternes modtagelighed i undersøgelsen i 2020-2021 vist.

Der blev samtidig bedømt angreb af evt. andre svampesygdomme, og der var kun sporadiske angreb af Phoma (rodhalsråd) på stænglerne og ingen angreb af knoldbægersvamp mv.

Tabel 2. Udvalgte sorter samt deres karakterer for angreb af lys bladplet. 

Sort Bedømt karakter i juli 2023 Indgruppering af modtagelighed ifølge data fra 2020-2021
DK Expansion 7 modtagelig
Hodysse 5 modtagelig
V367OL 2 -
PT302 3 middel modtagelig
Haugustina 4 middel modtagelig
DK Expectation 3 mindre modtagelig
DK Exsteel 3 mindre modtagelig
KWS Heikos 3 -
LG Aviron 4 mindre modtagelig
PT299 5 mindre modtagelig

Samtidig med bedømmelsen blev der taget fotos i en enkelt gentagelse i hver af de 10 sorter. Der blev taget tre billeder pr. sort; et foran parcellen og et med en skrå indfaldsvinkel fra højre og venstre. Formålet er at øge mængden af billeddata pr. parcel og også at reducere graden af overlappende planter, hvor de forreste planter dækker for planterne bagved. Der blev brugt en neutral baggrund i form af et stort stykke grå pap, der blev placeret 3-4 planter inde i parcellen. Se foto 1-2. 

Pladen sikrer, at kameraet og analysen fokuserer på planterne i de forreste rækker og ikke bagved stående planter, der er ude af kameraets fokusområde. Billederne blev indsamlet ved brug af en ringblitz, så skygger fra hhv. solskin og blitz er reducerede. Udover et ensartet udtryk i billederne, sikrer det, at billedindsamlingen kan foregå upåvirket af skydækket.

Efter billedindsamlingen blev billederne klippet til, så områderne ved siden af og ovenfor pladen blev skåret væk. Se foto 3. Således opnås en ensartet opløsning, og kun stænglerne foran baggrundspladen er med på billedet.

Modellen skal kunne bestemme procent dækning af stænglen med lys bladplet. Derfor er det nødvendigt at estimere arealet af lys bladplet såvel som stængel. Da en pixel i digitale billeder er et mål for areal, er opgaven for modellen derfor at kategorisere samtlige pixels i billederne som hhv. lys bladplet, stængel eller baggrund. Hertil blev der taget udgangspunkt i en deep learning model til semantic segmentation, der løst kan oversættes til kategorisk inddeling af billeder. 

For at træne modellen til at kunne bestemme graden af lys bladplet, blev der indledningsvis valgt et træningsdatasæt af otte billeder af fire af de ti sorter (to billeder pr. sort) med en karakter for modtagelighed i intervallet 3-5. På billederne blev det manuelt markeret (annoteret), hvad der var lys bladplet, og hvad der var stængel. Ukrudt, rapsskulper og lignende blev kategoriseret som baggrund. Data blev herefter kørt igennem modellen for at træne modellen. Der blevet brugt en såkaldt DeeplabV3+ model. Et eksempel på, hvad modellen har klassificeret som hhv. lys bladplet og grøn stængel på foto 3 ses i foto 4. 

Resultater for angrebsgraden af lys bladplet

Angrebsgraden af lys bladplet er estimeret som d_LB=N_LB/(N_S+N_LB ) , hvor N_LB og N_S  er antallet af pixels klassificeret som henholdsvis lys bladplet og vinterrapsstængel. Således blev der analyseret, hvor mange procent lys bladplet der var på stænglerne. 

I figur 1 ses data for de otte billeder fra træningsdatasættet. Den lodrette afvigelse mellem de parvise billeder fra parcellerne er et mål for variationen af synlig lys bladplet afhængigt af synsvinklen (positioneringen af kameraet). 

Sammenligning af modellens vurdering af lys bladplet

Figur 1. Sammenligning af modellens vurdering af lys bladplet (procent stængel med angreb) i billeder fra træningsdatasættet og den manuelle bedømmelse (karakter).

Efter fuldendt træning blev modellen testet på de resterende bedømmelser i de ti sorter. I figur 2 ses sammenhængen mellem den modelestimerede mængde lys bladplet (procent stængel med lys bladplet) og den manuelle bedømmelse (karakter). Det fremgår, at der er en relativ god sammenhæng mellem den mængde af lys bladplet (procent stængel med angreb), som modellen har estimeret (y-aksen) og den manuelle karakter, der er givet (x-aksen). 

Der er dog flere afvigelser. Afvigelserne kan skyldes, at den manuelle bedømmelse er foretaget i hele parcellen i modsætning til de analyserede fotos. Den manuelle bedømmelse er selvfølgelig også behæftet med en vis usikkerhed. 

Desuden kan misfarvninger på stænglerne, som ikke skyldes lys bladplet, give usikre resultater. Derudover kan grønt ukrudt i bunden af afgrøden tælle med som grøn stængel, og herved undervurderes angrebene. Figur 2 viser også, at der kan være forskellige mængder lys bladplet på hvert billede, der er blevet taget af en given sort, se f.eks. sorten PT299. Af hensyn til præsentation af resultaterne fremgår den estimerede sygdomsgrad for hvert billede, men til et estimat på parcelniveau bør der tages et gennemsnit af billedresultaterne fra parcellen.

Sammenhæng mellem det modelestimerede areal med lys bladplet (procent stængel med angreb) og den angivne sygdomskarakter for de 10 sorter (2-3 billeder pr. sort).

Figur 2. Sammenhæng mellem det modelestimerede areal med lys bladplet (procent stængel med angreb) og den angivne sygdomskarakter for de 10 sorter (2-3 billeder pr. sort). Farverne refererer til de enkelte sorter.

På figur 3 ses fordelingen af det modelestimerede areal med lys bladplet i forhold til placeringen på stænglen (højden) for alle 10 parceller. Figuren viser, at der generelt er mest lys bladplet på de nederste ca. 25 cm af stænglen. Figur 4 viser det samme som figur 3, men er her delt op efter karakter for angrebsgrad. Data viser, at det er vigtigt, at basis af alle stængler kommer med på fotos.

Anvendt kamera til forsøget

Billederne blev taget med et højt-opløseligt kamera (Sony A7R4) på 61 megapixel, med et 35 mm objektiv. På objektivet var der monteret et ND-filter til øget kontrol af det indkomne lys i kameraet. Omkring kameraet var der monteret en ringblitz (Godox AR400). Denne blitz hjælper til dels med øget dybdeskarphed i billederne, men også til reduktion af hårde skygger fra direkte sollys. Det samlede system var monteret på en trefod, så kameraet stod i konstant højde ved hver parcel. 

Hele dette set-up koster omkring 30.000 kr. Det vurderes dog, at andre og billigere kameratyper også er velegnede. Uden ringblitz er det vigtigt, at der er gode lysforhold under optagelserne, og billederne ikke er for mørke eller overbelyste. Overskyet og samtidig lyst vejr er i så fald bedst. Desuden er det vigtigt at være opmærksom på kameraets blænde, så man ikke kun stiller skarpt på stænglerne i første række.

Konklusion af forsøg med fototeknik

På basis af resultaterne vurderes det muligt at udvikle en model, som via fotos kan rangordne rapssorternes modtagelighed for lys bladplet rimelig sikkert. Test af modellen i flere sorter og på flere lokaliteter og år vil gøre modellen mere sikker, ikke mindst på baggrund af øget variation af datagrundlaget modellen trænes på.

Den præsenterede model har kun set svampesygdomme i form af lys bladplet, da andre sygdomme ikke var til stede i træningsdataene. Det er derfor vigtigt før fotografering af parcellerne at sikre sig, at misfarvningerne på stænglen ikke skyldes andre årsager end lys bladplet som f.eks. angreb af Phoma (rodhalsråd) eller nødmodning som følge af angreb af knoldbægersvamp, da modellen kun kender misfarvningerne og ikke den givne svampesygdom. 

Det er vigtigt, at basis af stænglerne kommer med på fotos, da de er mest angrebne. Meget grønt ukrudt i bunden af afgrøden kan også gøre bedømmelsen usikker. Desuden skal man være en habil, men slet ikke professionel fotograf.

Medforfatter: Søren Skovsen, The AI Lab.

Vil du vide mere?