Smart Farming: Unkrauterkennung mit Deep-Learning (SPR)

Motivation und Aufgabenstellung

Auch in der Landwirtschaft werden immer mehr Prozesse automatisiert. Intelligente Feldroboter können mit entsprechender
Sensorik ausgestattet werden um beispielsweise Unkraut zu erkennen oder den Zustand einer Pflanze zu
bewerten. Insbesondere im nahen Infrarot können wertvolle Informationen extrahiert werden. Mit Hilfe von Deep-
Learning Verfahren soll geprüft werden, ob Unkraut hinreichend gut erkannt werden kann und ob ein zusätzlicher
„vierter“ Nahinfrarot-Kanal die Klassifikationsgüte verbessert.
Hierfür benötigen wir von der Abteilung Sichtprüfsysteme (SPR) Deine Untertützung!

  • Einarbeitung und Literaturrecherche
  • Welche Architekturen werden in der Literatur verwendet? Wie ist die Performance?
  • Implementierung einer Deep-Learning Architektur mit tensorflow
  • Anwendung und Auswertung auf (bereits vorliegenden) Bilddaten
  • Dokumentation der Ergebnisse
     

Themengebiete

Deep Learning, Mustererkennung, Computer Vision, Smart Farming
 

Unsere Anforderungen

  • Interesse an neuen Technologien
  • Freude am Einbringen eigener Ideen
  • Grundkenntnisse im Bereich Bildverarbeitung und Maschinelles Lernen
  • Programmierkenntnisse in Python, Tensorflow
     

Wir bieten

Wir bieten Dir die Möglichkeit, in einer interdisziplinären Arbeitsumgebung an industrierelevanten Projekten mitzuwirken
und die Entwicklung verschiedener Sichtprüfsysteme mitzuverfolgen. Schwerpunkte der Arbeit können
individuell nach Deinen Qualifikation und Neigung abgesprochen werden. Eine intensive Betreuung wird durch das
Fraunhofer IOSB gewährleistet.
 

Haben wir dein Interesse geweckt?

Dann sende uns eine Mail mit allen erforderlichen Bewerbungsunterlagen (Anschreiben, Lebenslauf, Zeugnisse).

Bei Fragen oder zum Einsenden der Bewerbung wende dich bitte an:

Dr.-Ing. Robin Gruna, robin.gruna@iosb.fraunhofer.de, +49 721 6091-263

M.Sc. Florian Becker, florian.becker@iosb.fraunhofer.de, +49 721 6091 213

Weitere Informationen

 

Downloads