Warum die Fr\u00fcherkennung von Pflanzenkrankheiten f\u00fcr die globale Ern\u00e4hrungssicherheit wichtig ist<\/strong><\/h2>\nDie Landwirtschaft besch\u00e4ftigt 281.030 der weltweiten Arbeitskr\u00e4fte, wobei L\u00e4nder wie Indien, China und die USA f\u00fchrend in der Pflanzenproduktion sind. Trotzdem f\u00fchren Pflanzenkrankheiten, die durch Pilze, Bakterien und Viren verursacht werden, zu Ernteausf\u00e4llen und belasten die Wirtschaft.<\/p>\n
Beispielsweise reduziert die Reisbrandkrankheit die Ernten in betroffenen Regionen um 30\u2013501 Tonnen, w\u00e4hrend die Zitrusvergr\u00fcnung seit 2005 701 Tonnen Orangenhaine in Florida vernichtet hat. Eine Fr\u00fcherkennung ist entscheidend, aber vielen Landwirten fehlt der Zugang zu modernen Werkzeugen oder Fachwissen.<\/p>\n
Hier kommt die KI-gest\u00fctzte Krankheitserkennung ins Spiel, die schnelle, kosteng\u00fcnstige und pr\u00e4zise L\u00f6sungen bietet, die herk\u00f6mmliche Methoden \u00fcbertreffen.<\/p>\n
Wie KI und Computer Vision Pflanzenkrankheiten erkennen<\/strong><\/h2>\nDie Studie analysierte 278 Forschungsarbeiten, um die Funktionsweise von KI-gest\u00fctzten Systemen zur Erkennung von Pflanzenkrankheiten zu erkl\u00e4ren. Zun\u00e4chst erfassen Kameras oder Sensoren Bilder der Nutzpflanzen. Diese Bilder werden anschlie\u00dfend mithilfe von Algorithmen verarbeitet, um Krankheitsanzeichen zu identifizieren.<\/p>\n
Zum Beispiel,\u00a0RGB-Kameras<\/strong>\u00a0Mithilfe von Farbfotos lassen sich sichtbare Symptome wie Blattflecken erkennen, w\u00e4hrend hyperspektrale Kameras durch die Analyse hunderter Lichtwellenl\u00e4ngen versteckte Stresssignale aufsp\u00fcren.<\/p>\nNach der Aufnahme werden die Bilder vorverarbeitet, um die Qualit\u00e4t zu verbessern. Verfahren wie die Schwellenwertsegmentierung isolieren erkrankte Bereiche anhand ihrer Farbe, und die Kantenerkennung kartiert die Grenzen von L\u00e4sionen oder Verf\u00e4rbungen.<\/p>\n
![\"Wie](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/04\/How-AI-and-Computer-Vision-Detect-Crop-Diseases.webp?resize=810%2C478&ssl=1\")
<\/p>\n
Anschlie\u00dfend analysieren Deep-Learning-Modelle die vorverarbeiteten Daten.\u00a0Faltungsneuronale Netze (CNNs)<\/strong>, Die am h\u00e4ufigsten verwendeten KI-Tools in der Landwirtschaft scannen Bilder Schicht f\u00fcr Schicht, um Muster wie ungew\u00f6hnliche Texturen oder Farben zu erkennen.<\/p>\nIn einem Prozess im Jahr 2022,\u00a0ResNet50<\/strong>Ein beliebtes CNN-Modell erreichte eine Genauigkeit von 99,07% bei der Diagnose von Tomatenkrankheiten.<\/p>\nIn der Zwischenzeit,\u00a0Vision Transformers (ViTs)<\/strong>\u00a0Man zerlegt Bilder in Ausschnitte und untersucht deren Beziehungen, um die menschliche Art der Kontextanalyse nachzuahmen. Dieser Ansatz trug in einer Studie aus dem Jahr 2020 dazu bei, das Aderaufhellungsvirus der Weinrebe mit einer Genauigkeit von 711 TP3T nachzuweisen.<\/p>\n\u201cDie Zukunft der Landwirtschaft liegt nicht darin, den Menschen zu ersetzen, sondern darin, ihn mit intelligenten Werkzeugen auszustatten.\u201d<\/em><\/p><\/blockquote>\nDie Rolle fortschrittlicher Sensoren in der modernen Landwirtschaft<\/strong><\/h2>\nUnterschiedliche Sensoren bieten einzigartige Vorteile f\u00fcr die Pr\u00e4zisionslandwirtschaft.\u00a0RGB-Kameras<\/strong>, Obwohl sie erschwinglich und einfach zu bedienen sind, sto\u00dfen sie bei Krankheiten im Fr\u00fchstadium aufgrund begrenzter spektraler Details an ihre Grenzen. Im Gegensatz dazu,\u00a0Hyperspektralkameras<\/strong>\u00a0Sie erfassen Daten \u00fcber Hunderte von Lichtwellenl\u00e4ngen hinweg und machen so Stresssignale sichtbar, die mit blo\u00dfem Auge nicht erkennbar sind.<\/p>\nForscher nutzten beispielsweise im Jahr 2022 hyperspektrale Bildgebung, um den Apfelkrebs Valsa mit einer Genauigkeit von 98% zu diagnostizieren. Diese Kameras kosten jedoch viel Geld.\u00a010.000\u2013<\/span>10<\/span>,<\/span>000\u2013<\/span><\/span><\/span><\/span>50.000, was sie f\u00fcr Kleinbauern zu teuer macht.<\/p>\nW\u00e4rmebildkameras<\/strong>\u00a0Eine weitere M\u00f6glichkeit bietet die Messung von Temperaturver\u00e4nderungen, die durch Infektionen verursacht werden. Eine Studie aus dem Jahr 2019 ergab, dass Bl\u00e4tter, die mit Citrus Greening infiziert sind, charakteristische W\u00e4rmemuster aufweisen, was eine Fr\u00fcherkennung erm\u00f6glicht.<\/p>\nIn der Zwischenzeit,\u00a0Multispektralkameras<\/strong>\u2014eine Zwischenl\u00f6sung\u2014die Messung des Chlorophyllgehalts zur Beurteilung der Pflanzengesundheit.<\/p>\nDiese Sensoren kartierten 2014 den Gelbrostbefall des Weizens und halfen Landwirten so, Behandlungen gezielter einzusetzen. Trotz ihrer Vorteile stellen die Kosten der Sensoren und Umwelteinfl\u00fcsse wie Wind oder ungleichm\u00e4\u00dfige Beleuchtung weiterhin Herausforderungen dar.<\/p>\n
\u00d6ffentliche Datens\u00e4tze: Das R\u00fcckgrat der KI-gest\u00fctzten Landwirtschaft<\/strong><\/h2>\nDas Training zuverl\u00e4ssiger KI-Modelle erfordert riesige Mengen an gelabelten Daten.\u00a0PlantVillage-Datensatz<\/strong>, eine kostenlose Ressource mit 87.000 Bildern von 14 Nutzpflanzen und 26 Krankheiten, ist zum Goldstandard f\u00fcr Forscher geworden.<\/p>\n\u00dcber 901.030 der in der Arbeit zitierten Studien nutzten diesen Datensatz zum Trainieren und Testen ihrer Modelle. Eine weitere wichtige Ressource ist die\u00a0Maniokkrankheitsdatensatz<\/strong>, umfasst 11.670 Bilder der Maniokmosaikkrankheit und erreichte mit CNN-Modellen eine Genauigkeit von 96%.<\/p>\nDennoch bestehen weiterhin L\u00fccken. F\u00fcr seltene Krankheiten wie den Kiefernholznematoden liegen weniger als 100 beschriftete Bilder vor, was die Erkennungsm\u00f6glichkeiten durch KI einschr\u00e4nkt. Zudem enthalten die meisten Datens\u00e4tze im Labor aufgenommene Bilder, die reale Einflussfaktoren wie Wetter oder Lichtverh\u00e4ltnisse nicht ber\u00fccksichtigen.<\/p>\n
Um dem entgegenzuwirken, sammeln Projekte wie AI4Ag Bilder von Feldern von Landwirten weltweit per Crowdsourcing, mit dem Ziel, robustere und realistischere Datens\u00e4tze zu erstellen.<\/p>\n
Messung der KI-Leistung: Genauigkeit, Pr\u00e4zision und mehr<\/strong><\/h2>\n![\"Leistungskennzahlen](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/04\/Performance-Metrics-of-AI-Plant-Disease-Detection-Systems.png?resize=810%2C481&ssl=1\")
<\/p>\n
Forscher verwenden verschiedene Kennzahlen, um KI-gest\u00fctzte Systeme zur Erkennung von Pflanzenkrankheiten zu bewerten.\u00a0Genauigkeit<\/strong>\u2014der Prozentsatz korrekter Diagnosen\u2014 liegt zwischen\u00a076.9% in fr\u00fchen Modellen<\/strong>\u00a0Zu\u00a099,97% in fortschrittlichen Systemen wie EfficientNet-B5<\/strong>.<\/p>\nGenauigkeit allein kann jedoch irref\u00fchrend sein. Die Pr\u00e4zision misst, wie viele der gemeldeten Krankheiten tats\u00e4chlich vorliegen (und vermeidet Fehlalarme), w\u00e4hrend die Trefferquote erfasst, wie viele tats\u00e4chliche Infektionen erkannt werden.<\/p>\n
Zum Beispiel,\u00a0Mask R-CNN<\/strong>, Ein Objekterkennungsmodell erreichte eine Trefferquote von 93,5% bei der Erkennung von Erdbeer-Anthraknose, jedoch nur eine Pr\u00e4zision von 45% bei der Erkennung von Baumwollwurzelf\u00e4ule.<\/p>\nDie\u00a0F1-Score<\/strong>\u00a0Es vereint Pr\u00e4zision und Treffsicherheit und bietet so einen ganzheitlichen \u00dcberblick \u00fcber die Leistung. In einer Studie aus dem Jahr 2023,\u00a0PlantViT<\/strong>\u2014ein hybrides KI-Modell\u2014erreichte einen F1-Score von 98,61% auf dem PlantVillage-Datensatz.<\/p>\nZur Objekterkennung,\u00a0mittlere durchschnittliche Pr\u00e4zision (mAP)<\/strong>\u00a0ist von entscheidender Bedeutung.\u00a0Schnelleres R-CNN<\/strong>, ein beliebtes Modell, erreichte in Apfelkrankheitsversuchen einen mAP-Wert von 73.07%, was bedeutet, dass es Infektionen in den meisten F\u00e4llen korrekt lokalisierte und klassifizierte.<\/p>\nHerausforderungen, die den Einsatz von KI in der Landwirtschaft hemmen<\/strong><\/h2>\nTrotz ihres Potenzials steht die KI-gest\u00fctzte Krankheitserkennung vor H\u00fcrden. Erstens stellt die Datenknappheit ein gro\u00dfes Problem bei seltenen oder neu auftretenden Krankheiten dar.<\/p>\n
\n- F\u00fcr eine Studie aus dem Jahr 2021 standen beispielsweise nur 20 Bilder von Gurkenmehltau zur Verf\u00fcgung, was die Zuverl\u00e4ssigkeit des Modells einschr\u00e4nkte.<\/li>\n
- Zweitens verringern Umweltfaktoren wie Wind, Schatten oder wechselnde Lichtverh\u00e4ltnisse die Genauigkeit im Feld um 20\u201330% im Vergleich zu Laborbedingungen.<\/li>\n
- Drittens behindern hohe Kosten die Verbreitung. Hyperspektralkameras sind zwar leistungsstark, aber f\u00fcr Kleinbauern nach wie vor unerschwinglich, und KI-Tools erfordern Smartphones oder Internetzugang \u2013 in l\u00e4ndlichen Gebieten immer noch ein Hindernis.<\/li>\n
- Schlie\u00dflich bestehen weiterhin Vertrauensprobleme. Eine Umfrage aus dem Jahr 2023 ergab, dass 681.030 Landwirte aufgrund der Intransparenz von KI \u2013 sie k\u00f6nnen nicht nachvollziehen, wie Entscheidungen getroffen werden \u2013 z\u00f6gern, KI einzuf\u00fchren.<\/li>\n<\/ul>\n
Um dem entgegenzuwirken, entwickeln Forscher interpretierbare KI, die Diagnosen in einfachen Worten erkl\u00e4rt, beispielsweise durch Hervorhebung infizierter Blattbereiche oder Auflistung von Symptomen.<\/p>\n
Die Zukunft der Landwirtschaft: 5 Innovationen, die man im Auge behalten sollte<\/strong><\/h2>\n1. Edge Computing f\u00fcr Echtzeitanalyse<\/strong>Leichtgewichtige KI-Modelle wie MobileNetV2 (7 MB) laufen auf Smartphones oder Drohnen und erm\u00f6glichen die Krankheitserkennung in Echtzeit \u2013 auch ohne Internetverbindung. Im Jahr 2023 erreichte dieses Modell eine Genauigkeit von 99,42% bei der Klassifizierung von Kartoffelkrankheiten und versetzt Landwirte so in die Lage, sofort Entscheidungen zu treffen.<\/p>\n2. Transferlernen f\u00fcr eine schnellere Anpassung<\/strong>Vortrainierte Modelle wie PlantViT lassen sich mit minimalen Daten f\u00fcr neue Nutzpflanzen feinabstimmen. Eine Studie aus dem Jahr 2023 adaptierte PlantViT f\u00fcr die Erkennung von Reisbrand und erreichte mit nur 1.000 Bildern eine Genauigkeit von 87,871 TP3T.<\/p>\n3. Vision-Language-Modelle (VLMs)<\/strong>Systeme wie OpenAIs CLIP erm\u00f6glichen es Landwirten, KI-Anfragen per Text zu stellen (z. B. \u201cFinde braune Flecken auf Bl\u00e4ttern\u201d). Diese nat\u00fcrliche Interaktion schlie\u00dft die L\u00fccke zwischen komplexer Technologie und dem landwirtschaftlichen Alltag.<\/p>\n
Die Studie analysierte 278 Forschungsarbeiten, um die Funktionsweise von KI-gest\u00fctzten Systemen zur Erkennung von Pflanzenkrankheiten zu erkl\u00e4ren. Zun\u00e4chst erfassen Kameras oder Sensoren Bilder der Nutzpflanzen. Diese Bilder werden anschlie\u00dfend mithilfe von Algorithmen verarbeitet, um Krankheitsanzeichen zu identifizieren.<\/p>\n
Zum Beispiel,\u00a0RGB-Kameras<\/strong>\u00a0Mithilfe von Farbfotos lassen sich sichtbare Symptome wie Blattflecken erkennen, w\u00e4hrend hyperspektrale Kameras durch die Analyse hunderter Lichtwellenl\u00e4ngen versteckte Stresssignale aufsp\u00fcren.<\/p>\n Nach der Aufnahme werden die Bilder vorverarbeitet, um die Qualit\u00e4t zu verbessern. Verfahren wie die Schwellenwertsegmentierung isolieren erkrankte Bereiche anhand ihrer Farbe, und die Kantenerkennung kartiert die Grenzen von L\u00e4sionen oder Verf\u00e4rbungen.<\/p>\n Anschlie\u00dfend analysieren Deep-Learning-Modelle die vorverarbeiteten Daten.\u00a0Faltungsneuronale Netze (CNNs)<\/strong>, Die am h\u00e4ufigsten verwendeten KI-Tools in der Landwirtschaft scannen Bilder Schicht f\u00fcr Schicht, um Muster wie ungew\u00f6hnliche Texturen oder Farben zu erkennen.<\/p>\n In einem Prozess im Jahr 2022,\u00a0ResNet50<\/strong>Ein beliebtes CNN-Modell erreichte eine Genauigkeit von 99,07% bei der Diagnose von Tomatenkrankheiten.<\/p>\n In der Zwischenzeit,\u00a0Vision Transformers (ViTs)<\/strong>\u00a0Man zerlegt Bilder in Ausschnitte und untersucht deren Beziehungen, um die menschliche Art der Kontextanalyse nachzuahmen. Dieser Ansatz trug in einer Studie aus dem Jahr 2020 dazu bei, das Aderaufhellungsvirus der Weinrebe mit einer Genauigkeit von 711 TP3T nachzuweisen.<\/p>\n \u201cDie Zukunft der Landwirtschaft liegt nicht darin, den Menschen zu ersetzen, sondern darin, ihn mit intelligenten Werkzeugen auszustatten.\u201d<\/em><\/p><\/blockquote>\n Unterschiedliche Sensoren bieten einzigartige Vorteile f\u00fcr die Pr\u00e4zisionslandwirtschaft.\u00a0RGB-Kameras<\/strong>, Obwohl sie erschwinglich und einfach zu bedienen sind, sto\u00dfen sie bei Krankheiten im Fr\u00fchstadium aufgrund begrenzter spektraler Details an ihre Grenzen. Im Gegensatz dazu,\u00a0Hyperspektralkameras<\/strong>\u00a0Sie erfassen Daten \u00fcber Hunderte von Lichtwellenl\u00e4ngen hinweg und machen so Stresssignale sichtbar, die mit blo\u00dfem Auge nicht erkennbar sind.<\/p>\n Forscher nutzten beispielsweise im Jahr 2022 hyperspektrale Bildgebung, um den Apfelkrebs Valsa mit einer Genauigkeit von 98% zu diagnostizieren. Diese Kameras kosten jedoch viel Geld.\u00a010.000\u2013<\/span>10<\/span>,<\/span>000\u2013<\/span><\/span><\/span><\/span>50.000, was sie f\u00fcr Kleinbauern zu teuer macht.<\/p>\n W\u00e4rmebildkameras<\/strong>\u00a0Eine weitere M\u00f6glichkeit bietet die Messung von Temperaturver\u00e4nderungen, die durch Infektionen verursacht werden. Eine Studie aus dem Jahr 2019 ergab, dass Bl\u00e4tter, die mit Citrus Greening infiziert sind, charakteristische W\u00e4rmemuster aufweisen, was eine Fr\u00fcherkennung erm\u00f6glicht.<\/p>\n In der Zwischenzeit,\u00a0Multispektralkameras<\/strong>\u2014eine Zwischenl\u00f6sung\u2014die Messung des Chlorophyllgehalts zur Beurteilung der Pflanzengesundheit.<\/p>\n Diese Sensoren kartierten 2014 den Gelbrostbefall des Weizens und halfen Landwirten so, Behandlungen gezielter einzusetzen. Trotz ihrer Vorteile stellen die Kosten der Sensoren und Umwelteinfl\u00fcsse wie Wind oder ungleichm\u00e4\u00dfige Beleuchtung weiterhin Herausforderungen dar.<\/p>\n Das Training zuverl\u00e4ssiger KI-Modelle erfordert riesige Mengen an gelabelten Daten.\u00a0PlantVillage-Datensatz<\/strong>, eine kostenlose Ressource mit 87.000 Bildern von 14 Nutzpflanzen und 26 Krankheiten, ist zum Goldstandard f\u00fcr Forscher geworden.<\/p>\n \u00dcber 901.030 der in der Arbeit zitierten Studien nutzten diesen Datensatz zum Trainieren und Testen ihrer Modelle. Eine weitere wichtige Ressource ist die\u00a0Maniokkrankheitsdatensatz<\/strong>, umfasst 11.670 Bilder der Maniokmosaikkrankheit und erreichte mit CNN-Modellen eine Genauigkeit von 96%.<\/p>\n Dennoch bestehen weiterhin L\u00fccken. F\u00fcr seltene Krankheiten wie den Kiefernholznematoden liegen weniger als 100 beschriftete Bilder vor, was die Erkennungsm\u00f6glichkeiten durch KI einschr\u00e4nkt. Zudem enthalten die meisten Datens\u00e4tze im Labor aufgenommene Bilder, die reale Einflussfaktoren wie Wetter oder Lichtverh\u00e4ltnisse nicht ber\u00fccksichtigen.<\/p>\n Um dem entgegenzuwirken, sammeln Projekte wie AI4Ag Bilder von Feldern von Landwirten weltweit per Crowdsourcing, mit dem Ziel, robustere und realistischere Datens\u00e4tze zu erstellen.<\/p>\n Forscher verwenden verschiedene Kennzahlen, um KI-gest\u00fctzte Systeme zur Erkennung von Pflanzenkrankheiten zu bewerten.\u00a0Genauigkeit<\/strong>\u2014der Prozentsatz korrekter Diagnosen\u2014 liegt zwischen\u00a076.9% in fr\u00fchen Modellen<\/strong>\u00a0Zu\u00a099,97% in fortschrittlichen Systemen wie EfficientNet-B5<\/strong>.<\/p>\n Genauigkeit allein kann jedoch irref\u00fchrend sein. Die Pr\u00e4zision misst, wie viele der gemeldeten Krankheiten tats\u00e4chlich vorliegen (und vermeidet Fehlalarme), w\u00e4hrend die Trefferquote erfasst, wie viele tats\u00e4chliche Infektionen erkannt werden.<\/p>\n Zum Beispiel,\u00a0Mask R-CNN<\/strong>, Ein Objekterkennungsmodell erreichte eine Trefferquote von 93,5% bei der Erkennung von Erdbeer-Anthraknose, jedoch nur eine Pr\u00e4zision von 45% bei der Erkennung von Baumwollwurzelf\u00e4ule.<\/p>\n Die\u00a0F1-Score<\/strong>\u00a0Es vereint Pr\u00e4zision und Treffsicherheit und bietet so einen ganzheitlichen \u00dcberblick \u00fcber die Leistung. In einer Studie aus dem Jahr 2023,\u00a0PlantViT<\/strong>\u2014ein hybrides KI-Modell\u2014erreichte einen F1-Score von 98,61% auf dem PlantVillage-Datensatz.<\/p>\n Zur Objekterkennung,\u00a0mittlere durchschnittliche Pr\u00e4zision (mAP)<\/strong>\u00a0ist von entscheidender Bedeutung.\u00a0Schnelleres R-CNN<\/strong>, ein beliebtes Modell, erreichte in Apfelkrankheitsversuchen einen mAP-Wert von 73.07%, was bedeutet, dass es Infektionen in den meisten F\u00e4llen korrekt lokalisierte und klassifizierte.<\/p>\n Trotz ihres Potenzials steht die KI-gest\u00fctzte Krankheitserkennung vor H\u00fcrden. Erstens stellt die Datenknappheit ein gro\u00dfes Problem bei seltenen oder neu auftretenden Krankheiten dar.<\/p>\n Um dem entgegenzuwirken, entwickeln Forscher interpretierbare KI, die Diagnosen in einfachen Worten erkl\u00e4rt, beispielsweise durch Hervorhebung infizierter Blattbereiche oder Auflistung von Symptomen.<\/p>\n 1. Edge Computing f\u00fcr Echtzeitanalyse<\/strong>Leichtgewichtige KI-Modelle wie MobileNetV2 (7 MB) laufen auf Smartphones oder Drohnen und erm\u00f6glichen die Krankheitserkennung in Echtzeit \u2013 auch ohne Internetverbindung. Im Jahr 2023 erreichte dieses Modell eine Genauigkeit von 99,42% bei der Klassifizierung von Kartoffelkrankheiten und versetzt Landwirte so in die Lage, sofort Entscheidungen zu treffen.<\/p>\n 2. Transferlernen f\u00fcr eine schnellere Anpassung<\/strong>Vortrainierte Modelle wie PlantViT lassen sich mit minimalen Daten f\u00fcr neue Nutzpflanzen feinabstimmen. Eine Studie aus dem Jahr 2023 adaptierte PlantViT f\u00fcr die Erkennung von Reisbrand und erreichte mit nur 1.000 Bildern eine Genauigkeit von 87,871 TP3T.<\/p>\n 3. Vision-Language-Modelle (VLMs)<\/strong>Systeme wie OpenAIs CLIP erm\u00f6glichen es Landwirten, KI-Anfragen per Text zu stellen (z. B. \u201cFinde braune Flecken auf Bl\u00e4ttern\u201d). Diese nat\u00fcrliche Interaktion schlie\u00dft die L\u00fccke zwischen komplexer Technologie und dem landwirtschaftlichen Alltag.<\/p>\n<\/p>\nDie Rolle fortschrittlicher Sensoren in der modernen Landwirtschaft<\/strong><\/h2>\n
\u00d6ffentliche Datens\u00e4tze: Das R\u00fcckgrat der KI-gest\u00fctzten Landwirtschaft<\/strong><\/h2>\n
Messung der KI-Leistung: Genauigkeit, Pr\u00e4zision und mehr<\/strong><\/h2>\n
<\/p>\nHerausforderungen, die den Einsatz von KI in der Landwirtschaft hemmen<\/strong><\/h2>\n
\n
Die Zukunft der Landwirtschaft: 5 Innovationen, die man im Auge behalten sollte<\/strong><\/h2>\n