HARV-EST - Hoeing Automatically through Recognition of Vegetation - Evaluation of a Sustainable Technology

Ziel des Projektvorhabens ist es, Precision Farming Technologien, die in vorher­gehenden Projekten entwickelt wurden, auf einem Demonstrator zu integrieren, um tiefgehende quantitative Tests und Evaluierungen durchzuführen um die Funktion des Demonstrators nach zu weisen. Die Leistung des Technologie-Demonstrators wird anhand spezifisch für In-Row-Hackgeräte neu entwickelter Metriken evaluiert, getestet und optimiert.

Kurzbeschreibung

Eine wesentliche Zielstellung im Forschungsbereich der Präzisionslandwirtschaft ist es, Wachstum und Gesundheit einzelner Kulturpflanzen zu überwachen und zu fördern. 

Hierfür bedarf es einer exakten Lokalisierung der Pflanzen durch den Einsatz moderner Technologien, wie maschinelles Lernen und Robotik. Dadurch ergibt sich das Potential, Erträge zu erhöhen und gleichzeitig Ressourcen wie Wasser, Herbizide und Pestizide einzusparen.

Eine weltweite Anwendung und Akzeptanz der Präzisionslandwirtschaft kann daher nicht nur zu einer Kostenersparnis führen, sondern darüber hinaus substanziell zur Erreichung einer leistbaren nachhaltigen biologischen Landwirtschaft beitragen.

Ausgangssituation

Obwohl die Lokalisierung von Nutzpflanzen in Kameraaufnahmen anhand von neuronalen Netzwerken auf akademischer Ebene in Teilbereichen als gelöst gilt, wurde bislang nicht demonstriert, dass solche Ansätze mit der sehr hohen optischen Variabilität in natürlichen Bildern umgehen können, die durch Faktoren wie Typ und Feuchtegehalt des Bodens, Pflanzenvielfalt, Lichtverhältnisse und Artefakte wie Steine, Stroh und Pflanzenreste bedingt ist.

Da diese Methoden zur Nutzpflanzendetektion bislang nie großangelegten Dauertests unterworfen wurden, ist ungewiss, ob sie die nötige Genauigkeit aufweisen, um einen Einsatz in der Produktion zu ermöglichen.

Vorgehen

Die quantitativen Resultate fließen in einen Entwicklungs- und Optimierungsprozesses ein, um gleichzeitig Nutzpflanzendetektion und Hackensteueralgorithmen zu optimieren und in weiterer Folge die Hackleistung zu verbessern.

Unsere In-Row-Hackmethode wird quantitativ mit konventioneller Landwirtschaft (mit Einsatz von Herbiziden) und konventionell-biologischer Landwirtschaft (nur Hacken zwischen den Reihen) verglichen. Dabei werden relevante Parameter wie Fahrtgeschwindigkeit, durch den Hackvorgang verursachte Pflanzenschäden und Einsatzkosten berücksichtigt, so dass sowohl die landwirtschaftliche Performance als auch die Wirtschaftlichkeit unseres Demonstrators evaluiert werden können.

Angestrebte Ergebnisse

  • Stark erweiterten, annotierten Datensatz
  • Optimierte Algorithmik (Detektion & Steuerung)
  • Fine-Tuning Hardware
  • Evaluierungsergebnisse bezüglich Potentials zur Wirtschaftlichkeit

Projektbeteiligte

Projektleitung

Gerardus Croonen, MSc. - AIT Austrian Institute of Technology GmbH, Center for Vision, Automation & Control

Projektpartnerin

DI Dr. Edith Haslinger - AIT Austrian Institute of Technology GmbH, Integrated Energy Systems

Kontaktadresse

AIT Austrian Institute of Technology GmbH
Center for Vision, Automation & Control
Gerardus Croonen
Giefinggasse 4
A-1210 Vienna
Tel.: +43 (505) 50-4246
E-Mail: gerardus.croonen@ait.ac.at
Web: www.ait.ac.at

Integrated Energy Systems
DI Dr. Edith Haslinger
Tel.: +43 (505) 50-3608
Fax: +43 (505) 50-6390
E-Mail: edith.haslinger@ait.ac.at
Web: www.ait.ac.at