KI-gestützte Pflanzenerkrankungs-Erkennung für nachhaltige Landwirtschaft

Fast jede Wirtschaft hängt von der Landwirtschaft ab, doch Pflanzenkrankheiten verursachen jährlich massive Ernteverluste. Ein neues KI-Projekt könnte hier Abhilfe schaffen: Mit nur einem Foto einer Blattkrankheit lassen sich Krankheiten blitzschnell identifizieren – und das direkt auf dem Acker oder im Gewächshaus.

Diese innovative Lösung kombiniert moderne Deep-Learning-Algorithmen mit einer benutzerfreundlichen Webanwendung. Entwickelt wurde sie von Somnath Das und nutzt TensorFlow sowie das Django-Framework, um KI direkt in die Praxis zu bringen. Das System erkennt nicht nur Krankheiten, sondern gibt auch konkrete Behandlungsempfehlungen, Düngerhinweise und Präventionstipps – alles basierend auf einer Datenbank mit über 54.000 hochaufgelösten Pflanzenbildern.

KI trifft auf Agrartechnik: So funktioniert das System

Das Herzstück der Anwendung ist ein Convolutional Neural Network (CNN) auf Basis der MobileNetV2-Architektur. Diese vortrainierte KI wurde mit dem PlantVillage-Datensatz weiter optimiert, der mehr als 38 verschiedene Krankheitsklassen abdeckt – von Blattflecken bei Tomaten bis hin zu Krautfäule bei Kartoffeln. Der Algorithmus analysiert hochgeladene Blattbilder in Echtzeit und liefert eine detaillierte Diagnose mit Konfidenzwert.

Wer die Anwendung nutzen möchte, muss lediglich ein Foto hochladen. Innerhalb weniger Sekunden erhält der Nutzer folgende Informationen:

• Erkannte Pflanzenkrankheit
• Zuverlässigkeitsgrad der Diagnose (in Prozent)
• Empfohlene Behandlungsmaßnahmen
• Geeignete Düngemittel
• Präventive Maßnahmen zur Vermeidung zukünftiger Schäden

Die Plattform speichert zudem jede Analyse in einer Historie, sodass Landwirte den Krankheitsverlauf über die Zeit nachverfolgen können. Besonders praktisch: Die Anwendung läuft auf allen Endgeräten – ob Desktop, Tablet oder Smartphone – und kann sogar über eine REST-API in mobile Apps integriert werden.

Unterstützte Kulturen und Krankheitsbilder im Überblick

Das System deckt derzeit 38 Krankheitsklassen ab und unterstützt folgende Nutzpflanzen:

• Tomaten: 10 Krankheitsbilder (u.a. Spätfäule, Mehltau, Blattflecken)
• Kartoffeln: 3 Krankheitsbilder (z.B. Krautfäule, Schorf)
• Mais: 4 Krankheitsbilder (inkl. Stängelfäule, Blattbrand)
• Paprika: 2 Krankheitsbilder (z.B. Bakterienflecken)
• Weitere Kulturen: Äpfel, Weizen und mehr (je nach Datensatzumfang)

Die hohe Genauigkeit des Modells liegt zwischen 81 und 84 Prozent, wobei die Validierungsdaten eine leicht niedrigere Quote von 77 Prozent erreichen. Die Testdaten zeigen eine Genauigkeit von 69 Prozent – ein Wert, der durch weitere Datenanreicherung und Modelloptimierung noch gesteigert werden soll.

Technische Umsetzung: So startest du das Projekt lokal

Das Projekt ist vollständig open source und lässt sich mit wenigen Schritten auf dem eigenen Rechner einrichten. Voraussetzungen sind Python 3.8 oder höher, 4 GB RAM sowie 2 GB freier Speicherplatz. Empfohlen wird die Nutzung einer virtuellen Umgebung (Virtualenv), um Abhängigkeiten sauber zu verwalten.

Hier die wichtigsten Installationsschritte:

# Repository klonen
git clone 
cd Plant-Disease-Detection

# Virtuelle Umgebung erstellen und aktivieren
python -m venv venv
# Windows:
venv\Scripts\activate
# Linux/macOS:
source venv/bin/activate

# Abhängigkeiten installieren
pip install -r requirements.txt

Nach der Installation kann das vortrainierte Modell direkt genutzt oder – bei Bedarf – mit eigenen Daten neu trainiert werden:

# Option A: Vorhandenes Modell verwenden
# Die Dateien plant_disease_model.h5 und class_names.json müssen im Ordner /models liegen

# Option B: Eigenes Modell trainieren
python download_data.py
python train_with_test.py

Anschließend startet der Django-Entwicklungsserver mit:

python manage.py makemigrations
python manage.py migrate
python manage.py runserver

Die Anwendung ist dann unter erreichbar. Für Entwickler, die die API nutzen möchten, steht ein Endpunkt für die Krankheitserkennung bereit:

POST /api/predict/

{
  "success": true,
  "prediction": {
    "disease": "Tomato_Late_blight",
    "confidence": 94.32,
    "plant_type": "Tomato",
    "treatment": "Fungizid auftragen",
    "prevention": "Boden nicht nass halten"
  }
}

Deployment und Integration: Von der lokalen Lösung zur produktiven Anwendung

Das System lässt sich einfach in bestehende Arbeitsabläufe integrieren. Für die Cloud-Nutzung eignen sich Plattformen wie Heroku oder eine Docker-Containerisierung für lokale Server:

# Heroku
heroku create dein-app-name
git push heroku main

# Docker
docker build -t pflanzenerkennung .
docker run -p 8000:8000 pflanzenerkennung

Für mobile Entwickler ist die API besonders interessant, da sie sich problemlos in React Native- oder Flutter-Apps einbinden lässt. Die Kommunikation erfolgt über Multipart-Requests, sodass Bilder direkt vom Smartphone hochgeladen werden können.

Fazit: KI als Game-Changer für die Landwirtschaft

Dieses Projekt zeigt eindrucksvoll, wie moderne Technologien die Landwirtschaft revolutionieren können. Durch die Kombination aus Echtzeit-Bildanalyse, benutzerfreundlicher Oberfläche und praktischen Handlungsempfehlungen wird aus einer reinen Diagnose-App ein wertvolles Werkzeug für Landwirte weltweit.

Die Zukunft der Agrartechnik liegt in der Vernetzung von KI, Sensoren und IoT – und Projekte wie dieses sind ein wichtiger Schritt dorthin. Wer das Projekt unterstützen oder selbst weiterentwickeln möchte, kann sich über die MIT-Lizenz frei beteiligen. Die Community freut sich über Ideen, Bug-Reports und Pull Requests.

Ein Sternchen auf GitHub oder ein Feedback wäre ein Ansporn für die Weiterentwicklung – denn jede Verbesserung kommt letztendlich den Menschen zugute, die unsere Nahrungsmittel anbauen.