JTF Teknikstipendium 2022

Under 2022 har vi fått in flera mycket relevanta ansökningar. Av dessa har vi enigt utsett masteruppsatsen “Detection of pests in agriculture using machine learning” av Emma Olsson, masterstudent på Lindköpings Universitet, till vinnare. Vår bedömning är att det är den uppsats som har störst relevans, störst originalitet och att den genomförts med en bra metod. Vi bedömer att resultatet kan komma till stor nytta för svenskt lantbruk.

–––––

Inventering av skadeinsekter i jordbruksmark är viktigt för att veta när skadedjursbekämpningen är tillräcklig, men detektering och analys av små insekter är både svårt och tidskrävande. En lösning kan vara automatiserade inventeringar genom maskininlärning enligt en prisad masteruppsats.

Emma Olsson från Linköpings universitet tilldelades i mars Jordbrukstekniska föreningens stipendium på 30 000 kr för sin uppsats ”Detection of pests in agriculture using machine learning”. Ett stipendium som delas ut årligen till en examensuppsats inom teknik på magister- eller mastersnivå, skriven vid ett svenskt lärosäte.

Mer skadeinsekter i ett varmare klimat

Varmare temperaturer och mildare höstar gör att förekomsten av vissa skadedjur har ökat. Samtidigt minskar antalet nyttoinsekter på grund av klimatförändringar och användning av bekämpningsmedel. När de nyttiga rovdjuren börjar försvinna finns det mindre naturliga sätt att hålla skadedjuren borta, men att förstå den fulla inverkan som skadedjur har på grödor är tidskrävande.

– Ytorna som ska undersökas är ofta stora medan skadedjuren är små. Därför kan automatisering av insektsdetektering och klassificering, samt en grov uppskattning av hur allvarligt angreppet kommer att bli, vara användbart för jordbruk både på ekologiska och konventionella fält, säger Emma.

(Agtech Sweden)

–––––

Sammanfattning (svensk översättning):

Att inventera skadeinsekter i fält är ett sätt att avgöra när tröskeln för bekämpning är nådd. Intresset ökar för att använda maskininlärning för att automatisera denna process, men det finns många utmaningar – särskilt vid identifiering av små insekter, både i fällor och direkt på växter.

I denna masteruppsats undersöks möjligheten att utveckla ett automatiskt varningssystem som meddelar användaren när vissa skadeinsekter upptäcks i en fälla. För detta testades en metod baserad på sliding window och histogram of oriented gradients i kombination med support vector machine. Dessutom utvärderades neurala nätverksmodeller för detektion av fällor samt en storlekskontrollfunktion för att avgränsa detektionen till insekter av viss storlek.

Resultaten visar att metoden, med vidare utveckling och fler träningsbilder, kan ha potential för att upptäcka sorgmyggor och rapsbaggar. Uppsatsen utvärderade även prestandan hos Mask R-CNN och YOLOv5 vid detektion av olika insekter i fält för att automatisera datainsamlingen. Modellerna visade lovande resultat för identifiering av rapsbaggar, och YOLOv5 visade dessutom potential som flerklassdetektor – från små rapsbaggar till större humlor.

Här kan du ladda ner uppsatsen som är mycket läsvärd.