Hier beginnt der Hauptinhalt dieser Seite

ARERO Digitalisierung in der Land- und Ernährungswirtschaft

ARERO

Adaptive Regelung der Ernte- und Reinigungsorgane bei Rübenrodern auf Basis bildbasierter Qualitätsbewertung

Projektkoordinator

Dr.-Ing. Jan Schattenberg
Technische Universität Braunschweig, Braunschweig
j.schattenberg(ät)tu-braunschweig(punkt)de

Verbundpartner

CLK GmbH
HOLMER Maschinenbau GmbH

Projektbeschreibung in FISA

Zum Forschungsinformationssystem Agrar und Ernährung (FISA)

Ziel

Das Ziel des Verbundprojektes ARERO war es, ein neuartiges Assistenz- und Regelsystem zu entwickeln und zu erproben, bei dem die Erntequalität auf der Maschine online erfasst und die Rode- und Reinigungsorgane adaptiv an die jeweiligen Feldverhältnisse angepasst bzw. dem Fahrer Handlungsempfehlungen gegeben werden. Die wissenschaftlichen und technischen Arbeitsziele waren dabei die Abbildung der Wirkzusammenhänge im Rübenroder, die Entwicklung einer bildbasierten Qualitätsbewertung der Rüben im Erntebetrieb und die Optimierung der Maschineneinstellung mit dem Ziel, den Ertrag zu steigern und Kosten zu minimeren.

Abbildung 1: Potentiale der Optimierung von äußeren Qualitätsparametern bei der Ernte von Zuckerrüben anhand von drei Beispielen (Blattreste, Erdreste und Wurzelbruch & Beschädigungen).

Die Herausforderungen waren zum einen die Entwicklung eines bildbasierten Sensorsystems für die Online-Qualitätsbewertung und zum anderen das Sammeln des Expertenwissens für die algorithmische Abbildung der Wirkzusammenhänge des Ernteprozesses und eine darauf aufbauende Optimierung der Maschineneinstellung hinsichtlich Qualität und Effizienz (Abbildung 1).

Ergebnisse

Im Vorhaben wurde ein Köpfbunkerroder mit einem Kamerasensor ausgestattet, der für die Online-Erfassung von Qualitätsparametern in den ersten Versuchsreihen speziell konfiguriert wurde. Bei der Datenerhebung mit der ausgerüsteten Maschine wurden anschließend die Maschinenparameter gezielt von den Fahrern manipuliert, um verschiedene Variationen der Erntequalität erfassen zu können. Parallel dazu wurde das benötigte Expertenwissen dokumentiert und die Maschinendaten für die Abbildung der Wirkzusammenhänge aufgezeichnet.

Für die Umsetzung der maschinellen Auswertung der Bilddaten stellte die wechselnde Sonneneinstrahlung ein komplexes Problem dar, dessen Lösung mittels Hard- und Software untersucht wurde. Die besten Ergebnisse lieferte schließlich der Einsatz von Deep Learning Algorithmen, da diese durch das gezielte Training eine gegenüber der Sonneneinstrahlung robuste Segmentierung von Qualitätsmerkmalen ermöglichten.

Zur Modellierung der Wirkzusammenhänge und für die Bewertung der Bildverarbeitungsalgorithmen wurden die erhobenen Daten auf Basis des Expertenwissens maschinell geclustert. Anschließend wurde anhand der Cluster ein Datensatz für die Auslegung der Algorithmen ausgewählt, der eine gute Verteilung der Qualitäts- und Maschinenparameter im Parameterraum hat. Für die Modellierung der Prozesse wurden verschiedene Methoden des maschinellen Lernens untersucht. In Abbildung 2 ist die berechnete Qualität anhand der funktionalen Zusammenhänge aus dem geeignetsten Prozessmodell über der Expertenbewertung für den Datensatz dargestellt.

Abbildung 2: Prozessmodelle zur Abbildung der Qualitätsparameter mittels der Maschinendaten. Die Qualitätsparameter wurden durch die Bewertung der Kameradaten durch Experten bestimmt.

Zur Erprobung wurde das System auf einem Jobrechner implementiert und in Feldversuchen getestet. Die Handlungsempfehlungen wurden schließlich in Rücksprache mit den Fahrern zumeist positiv bewertet und spiegelten die optimale Einstellung der Fahrer wider.

Verwertung

Im Projekt konnte der Proof of Concept für eine adaptive Regelung eines Köpfbunkerroders anhand einer bildbasierten Qualitätsbewertung erbracht werden. Aufgrund der technischen Erfolgsaussichten wurden im Projektzeitraum ein Schutzrecht angemeldet und eine Skizze für ein Nachfolgeprojekt eingereicht. Aufbauend auf den bisherigen Forschungs- und Entwicklungsergebnissen sollen darin die Ergebnisse abgesichert und die Lücke zwischen dem prototypischen Funktionsnachweis und einem Vorserienprodukt minimiert werden. Die Ergebnisse aus dem Proof of Concept sind vielversprechend und stellen eine breite Nutzung in Aussicht, um die zunehmende Komplexität der Maschinen beherrschbar zu machen und die Maschine weitgehend automatisch zu parametrieren.