Die Auswertung erfolgt mit Methoden der künstlichen Intelligenz. Dazu werden die Daten geteilt. Ein Teil wird genutzt, um das Modell zu trainieren, das heißt wir lernen das Modell an. Dazu wird beschrieben, wie zum Beispiel eine Infektion oder eine gesunde Pflanze aussieht und trainieren so die Unterscheidung. Wie gut dieses Modell funktioniert, wird auf einem anderen unbekannten Datensatz getestet. Sind die Daten den Trainingsdaten ähnlich, ergibt sich eine hohe Genauigkeit. Sind sie unterschiedlicher, ergibt sich eine geringere Genauigkeit. Um also ein Modell zur Erkennung von Cercospora zu erstellen, werden viele Daten von Zuckerrüben benötigt: unterschiedliche Sorten, Beleuchtungs- und Aufnahmewinkeln, unterschiedliche Auflösungen und Kameratypen, auf unterschiedlichen Böden und in den verschiedenen Wachstums- und Krankheitsstadien.
Dahinter steckt ein lernendes Modell für die Unterscheidung von Pflanzen und Unkraut, oder der Erkennung von Krankheiten auf Pflanzen. Das Modell lernt dabei unterschiedliche Unterscheidungsmuster je nach verwendetem Sensor auf Grundlage von visuellen Mustern (RGB-Kameras), Geometriestrukturen (3D) oder der spektralen Signatur (multi-/hyperspektrale Kameras). Durch den Abgleich mit manuell genommenen Referenzdaten wie einer Proberodung/Teilernte, der menschlichen Bonitur oder einer chemischen Analyse erfolgt der Realabgleich.
Diese riesige Menge an Daten zeigt, warum Daten heute das „neue Gold“ sind. Sobald sie verfügbar sind, ist es möglich, teure manuelle Arbeit durch ein Modell hochautomatisiert durchführen zu lassen.
