Eine neuartige Methode zur Blattzählung bei Tabakfeldern basierend auf UAV-Bilddaten und einem verbesserten PointNext

Warum Blattzählung aus der Luft wichtig ist

Zu wissen, wie viele Blätter eine Pflanze hat, mag wie ein kleines Detail klingen, doch für Tabakbauern ist es ein direkter Indikator für Pflanzenzustand und Ertragspotenzial. Heute gehen Arbeiter noch immer zu Fuß über die Felder und zählen Blätter von Hand – eine langsame, ermüdende und teure Aufgabe, die sich nicht gut auf moderne Plantagen übertragen lässt. Diese Studie zeigt, wie Drohnen, 3D-Bildgebung und künstliche Intelligenz zusammenarbeiten können, um Blätter von Tabakpflanzen in Feldbedingungen automatisch zu zählen. Das bietet eine schnellere und präzisere Grundlage für Düngungsentscheidungen, Ernteprognosen und die Züchtung verbesserter Sorten.

Von Drohnenflügen zu einer 3D-Ansicht des Feldes

Die Forscher setzten zunächst Drohnen als fliegende Kameras ein. Sie flogen mit einem handelsüblichen Quadrocopter über Tabakfelder in Yunnan, China, und machten hochauflösende Fotos aus mehreren Höhen und aus steilen Winkeln rund um die interessierenden Parzellen. Mit Photogrammetrie-Software wurden diese überlappenden Bilder zu detaillierten dreidimensionalen Modellen der Pflanzen zusammengesetzt. Jede Pflanze wurde anschließend als eigene Punktwolke im 3D-Raum extrahiert, wobei jeder Punkt einen kleinen Bereich an Stängel, Blatt oder Umgebungsbestandteilen wie Boden und benachbartem Laub darstellt. Dieser Schritt verwandelt flache Aufnahmen in eine reichhaltige 3D-Beschreibung, die Blätter auch dann sichtbar machen kann, wenn sie in gewöhnlichen Fotos überlappen.

Einem Computer beibringen, einzelne Blätter zu sehen

Um diese 3D-Punktwolken nutzbar zu machen, erstellte das Team einen großen, sorgfältig beschrifteten Datensatz. Sie sammelten 1.000 einzelne Pflanzenmodelle und markierten jeden Punkt manuell als zu Zielblättern, Stängeln, anderen Pflanzen oder Rauschen gehörig. Mit diesem Trainingsmaterial verfeinerten sie ein modernes 3D-Deep-Learning-Netzwerk namens PointNext zu einer neuen, auf Feldkulturen zugeschnittenen Version, SRW-PointNext. Es wurden drei zentrale Verbesserungen eingeführt: ein Aufmerksamkeitsmodul, das dem Netzwerk hilft, die informativsten räumlichen und farblichen Muster zu fokussieren; eine überarbeitete Verlustfunktion, die verhindert, dass die zahlreichen Blattpunkte seltenere Klassen wie Stängel und Hintergrund überdeckt; und ein verstärkter Ausgabekopf, der feine Details besser rekonstruiert, wenn Teile der Punktwolke fehlen oder ungleichmäßig sind.

Von segmentierten Punktwolken zu Blattzählungen

Nachdem SRW-PointNext gelernt hatte, jeden 3D-Punkt zu kennzeichnen, konnte das Modell die Punktwolke einer einzelnen Pflanze in Blatt- und Nicht-Blatt-Teile trennen. Wissenschaftler mussten jedoch noch wissen, wie viele tatsächliche Blätter vorhanden waren. Dafür verwendeten sie einen Clustering-Ansatz namens MeanShift. Einfach ausgedrückt sucht der Algorithmus in drei Dimensionen nach dichten Ansammlungen von Blattpunkten, wobei jede solche Ansammlung einem Blatt entspricht. Die Wahl eines einzelnen "Bandwidth"-Parameters steuert, wie eng oder weit der Algorithmus Punkte gruppiert. Eine zu kleine Einstellung teilt ein Blatt in künstliche Cluster und erhöht somit die Zählung; eine zu große Einstellung verschmilzt nahe beieinanderliegende Blätter und senkt die Zählung. Durch sorgfältiges Abstimmen dieses Parameters gelang es den Forschern, die segmentierten Blattpunkte in realistische, einzelne Blätter zu gruppieren.

Wie gut die Methode abschnitt

Zur Prüfung der Genauigkeit verglich das Team die automatischen Zählungen mit mühsam von Hand erfassten Zählungen für 230 Feldpflanzen. Ihre Pipeline – Drohnenaufnahmen, 3D-Rekonstruktion, SRW-PointNext-Segmentierung und anschließendes MeanShift-Clustering – erreichte eine Blattzählgenauigkeit von etwa 92,6 Prozent. Das verbesserte Netzwerk lieferte zudem hochwertige Segmentierungen: etwa 92 Prozent Präzision und einen mittleren Intersection-over-Union-Wert von 76 Prozent und übertraf damit mehrere gängige 3D-Punktwolkenmethoden wie PointNet, PointNet++, RandLA-Net und das ursprüngliche PointNext. Wichtig ist, dass dieser Genauigkeitsgewinn nur mit einem moderaten Anstieg des Rechenaufwands einherging, was darauf hindeutet, dass der Ansatz für großflächige Erhebungen praktisch einsetzbar ist.

Was das für die zukünftige Landwirtschaft bedeutet

Für Nichtfachleute ist die Kernbotschaft einfach: Durch die Kombination von Drohnen, 3D-Modellierung und einem verbesserten KI-Modell können die Forscher Tabakblätter in realen Feldbedingungen nun nahezu so zuverlässig zählen wie Menschen, jedoch deutlich schneller und über viel größere Flächen. Damit verschiebt sich die Blattzählung von Klemmbrett und Stiefeln auf den Boden hin zu einem automatisierten, datenreichen Prozess, der in digitale Pflanzmanagementsysteme eingespeist werden kann. Während die aktuelle Arbeit auf Tabak in einem Wachstumsstadium und auf gute 3D-Rekonstruktionen angewiesen ist, könnte dieselbe Strategie auf andere Kulturen und Jahreszeiten ausgeweitet werden. Mit der Zeit könnten solche Werkzeuge für Landwirte zur Routine werden und ihnen helfen, Pflanzenwachstum zu überwachen, Einsatzmengen zu optimieren und leistungsstärkere Sorten mit deutlich weniger manueller Arbeit auszuwählen.

Zitation: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Schlüsselwörter: Tabak-Phänotypisierung, Drohnen in der Landwirtschaft, 3D-Punktwolken, Blattzählung, Tiefes Lernen in der Landwirtschaft