Maschinelles Lernen in der Landwirtschaft: 100 % Einsparungen bei Pestiziden und Humanressourcen

Innowise hat die Computer-Vision-Technologie in selbstfahrende Landwirtschaftsroboter integriert, so dass diese automatisch Pflanzen mit Nährstoffen versorgen und Unkraut mit Lasern entfernen können.

Der Kunde

Branche

Landwirtschaft, IoT

Region

Kunde seit

2021

Unser Kunde ist ein Unternehmen, das autonome Landwirtschaftsroboter herstellt, um die Arbeit in der Landwirtschaft im europäischen Raum zu automatisieren und zu beschleunigen.

Detaillierte Informationen über den Kunden können aufgrund der Bestimmungen des NDA nicht veröffentlicht werden.

Herausforderung: Überwindung der Grenzen der manuellen Pflanzenpflege durch KI-Technologie in der Landwirtschaft

Der Einsatz von ML-Farming-Systemen und Robotern in der Landwirtschaft gewinnt immer wieder an Bedeutung, da die manuelle Pflanzenpflege, die einen hohen Zeit- und Kostenaufwand erfordert, erhebliche Hürden mit sich bringt. Mit diesen fortschrittlichen Technologien lassen sich verschiedene Herausforderungen angehen, darunter Arbeitskräfteknappheit und Ressourceneffizienz. Dies führt zu einer umfassenderen und effizienteren Lösung für die Probleme der modernen Landwirtschaft.

Unser Kunde stellt autonome Roboter und Geräte her, die den Prozess der Kultivierung und Pflege von Pflanzen automatisieren sollen. Die Roboter konnten sich zwar auf den Beeten und Feldern bewegen, waren aber nicht in der Lage, zwischen Pflanzen und Unkraut zu unterscheiden, um selektiv zu düngen und zu bewässern.

Unsere Experten sahen sich mit der großen Herausforderung konfrontiert, eine spezielle Software in die Roboter zu integrieren, die ausgedünnte Pflanzen präzise unterscheiden und aussortieren kann. Das anschließende Ziel des Programms bestand darin, bestimmte Unkräuter mithilfe von Lasern mit optimaler Genauigkeit zu beseitigen. Darüber hinaus mussten die ML-Farmsysteme die Art der Pflanzen bestimmen und sie je nach ihrer Klasse und den Zustandsmerkmalen mit einer ausreichenden Menge an geeignetem Dünger versorgen.

Zusammenfassend lässt sich sagen, dass der Umfang der Arbeiten Folgendes umfasste:

Datenerhebung;
manuelle Datenauszeichnung;
Datenerweiterung;
Modellschulung;
Modellintegration;
Echtzeit-Verarbeitung.

Lösung: Einsatz von maschinellem Lernen in der Landwirtschaft zur Unkrautbeseitigung und selektiven Pflanzenversorgung

Unsere Entwickler schlossen das Projekt erfolgreich ab und implementierten eine KI-Lösung in die autonomen Roboter für die Echtzeitverarbeitung von gescannten Feldbildern und die Identifizierung von Unkraut in Millisekunden. Ausgestattet mit präzise kalibrierten Lasern, können die Roboter bis zu 100.000 Unkräuter pro Stunde beseitigen. Darüber hinaus sind die Roboter nun in der Lage, Pflanzen zu klassifizieren und Düngemittel entsprechend ihrer individuellen Bedürfnisse zu verabreichen. Darüber hinaus können sie Feldbedingungen und -kennzahlen ermitteln, um landwirtschaftliche Verfahren zu optimieren und die Effizienz zu steigern.

Mithilfe einer integrierten Videokamera haben wir einen Datensatz von mehr als 10.000 Pflanzenbildern erfasst und markiert. Anschließend führte unser Team Aufgaben wie Markierung, Erweiterung und Modelltraining an einem erweiterten Datensatz durch. Innowise hat erfolgreich ein überwachtes maschinelles Lernmodell implementiert, das automatisch die Verbindung zwischen Eingabevariablen und Zieloutputs herstellen kann und so präzise Vorhersagen auf neuen, ungesehenen Stängel- und Feldbildern ermöglicht. Dies erleichtert die weitere Klassifizierung von Pflanzen und die Erkennung von Stängeln, die Unkrautvernichtung und die selektive Düngung. Diese Lösung ist ein hervorragender Anwendungsfall für maschinelles Lernen in der Landwirtschaft und liefert bemerkenswerte Ergebnisse in Bezug auf die Automatisierung von Aufgaben, die Schonung von Ressourcen, die Verbesserung der Fruchtbarkeit und die Verringerung der durch Pestizide verursachten negativen Umweltauswirkungen.

Neuronales Netz zur End-to-End-Segmentierung von Pflanzen und zur Erkennung von Stängeln

In der Phase der Datenerfassung sammelten wir Bilder von Pflanzen und Unkraut mit einer Videokamera, die an einem Agrarroboter befestigt war, der auf einem Feld navigierte. Nach der Erfassung markierten Landwirtschaftsexperten die Daten für die Objekterkennung und -segmentierung in den nachfolgenden Phasen der Datenerweiterung und -verfeinerung.

Anschließend entwickelte unser Team ein maßgeschneidertes neuronales Netzwerk, das in der Lage ist, die Art und Klasse einer Pflanze anhand eines Bildes zu erkennen und auf der Grundlage früherer Erfahrungen fundierte Entscheidungen über die Behandlung der Pflanzen zu treffen. Wir haben diese Lösung in ein mit einem Grafikprozessor ausgestattetes Endgerät integriert, so dass es Daten in Echtzeit verarbeiten und Pflanzen aus zuvor gelernten Datensätzen unterscheiden kann. Der Stängeldetektor identifiziert die Standorte der Pflanzenstängel, um die Laserführung zu erleichtern.

Die Software ermöglicht die Entscheidungsfindung durch den Roboter ohne Internetzugang bei der Arbeit auf landwirtschaftlichen Feldern. Nach der Rückkehr zur Station und dem Zugriff auf das Netzwerk kann der Datensatz mit zusätzlichen Informationen und Einstellungen aktualisiert werden. Die Fähigkeiten des neuronalen Netzes sind nicht auf eine Datenbank beschränkt: Das maschinelle Lernsystem unterstützt das Neutrainieren neuronaler Netze anhand aktualisierter Datensätze, um neue Pflanzenarten zu züchten und verschiedene Arten von Unkraut zu vernichten.

Neben der Identifizierung von Pflanzen- und Unkrautklassen kann das neuronale Netz auch den Zustand des Feldes und wichtige Kennzahlen ermitteln, die anschließend zur Regelung der Bewässerungsintensität verwendet werden.

Hochpräzise Laser-Unkrautbeseitigung und selektive Pflanzenversorgung

Die ML-Farmsysteme nutzen modernste Technologie, um die Landwirtschaft zu revolutionieren. Während der Datenerfassungsphase sammelt die integrierte Videokamera Bilder von Pflanzen und Unkraut, während sich der Agrarroboter über das Feld bewegt. Die gesammelten Daten werden dann von Landwirtschaftsspezialisten für die anschließende Objekterkennung und -segmentierung markiert.

Das neuronale Netzwerk zur durchgängigen Segmentierung von Pflanzen und Unkraut sorgt für eine genaue semantische Segmentierung der Szene und unterscheidet zwischen Pflanzen, Unkraut und Gras. Das System sendet Signale an mehrere Lasermodule, die gleichzeitig arbeiten, so dass die autonomen Unkrautbekämpfungsgeräte über 100.000 Unkräuter pro Stunde automatisch und chemiefrei vernichten können. Die hohe Genauigkeit des Lasersystems ist auf ultrapräzise Detektoren zurückzuführen, deren fein abgestimmte Laserparameter eine Bestimmung der Reichweite von bis zu 2 mm ermöglichen.

Das System arbeitet auch mit selektiver Versorgung, bei der jede Pflanze auf dem Feld einzeln behandelt wird. Die Computer-Vision-Technologie analysiert den aktuellen Zustand jeder Pflanze und berücksichtigt dabei Faktoren wie Wachstumsstadium, Gesundheitszustand und Nährstoffbedarf. Auf der Grundlage dieser Informationen bestimmt das System die am besten geeignete Behandlung für jede Pflanze und wählt die richtigen Futterportionen für die Anwendung aus. Dies führt zu einer Verringerung der Ressourcen und zu einem kosteneffizienteren Ansatz bei der Pflanzenfütterung.

Die ML-Farmsysteme sind so konzipiert, dass sie flexibel sind und sich an verschiedene Arten von Pflanzen anpassen lassen. Das neuronale Netz kann aus neuen Datensätzen lernen und neu lernen, um die KI-Maschine für die Identifizierung und Behandlung verschiedener Pflanzenarten zu trainieren. Dies beinhaltet das Sammeln und Beschriften von Bildern der neuen Pflanzen, die Datenerweiterung und die Verfeinerung der neuen Daten, so dass das System seine Wissensbasis und Fähigkeiten kontinuierlich erweitern kann.

Insgesamt ist das von Innowise entwickelte ML-Farmsystem ein hervorragendes Beispiel für die Vorteile des maschinellen Lernens im Agrarsektor, das kostengünstige und effiziente Lösungen für die Bewirtschaftung und Behandlung von Nutzpflanzen ermöglicht.

Technologien

ML und MLOps

Python, PyTorch, OpenCV, MMSegmentation, TensorFlow, AWS (S3, Lambda, EC2, CloudWatch)

Prozess

Unser Team führte die Erstbesprechung mit dem Kunden durch, um die Anforderungen zu sammeln und seine spezifischen Bedürfnisse für die autonomen Roboter zu verstehen. Auf der Grundlage dieser Anforderungen erstellten wir einen umfassenden Entwurfsplan für die Entwicklung des Softwaresystems, der aus zwei Hauptphasen bestand: Datenerfassung und -kennzeichnung mithilfe einer integrierten Videokamera und die Implementierung eines überwachten maschinellen Lernmodells.

Um das Projekt effektiv zu verwalten, folgten wir der Agile-Methode und hielten tägliche Besprechungen ab, um den Fortschritt zu verfolgen und alle Probleme oder Bedenken zu besprechen. Außerdem nutzten wir Kommunikationstools wie Google Chat und Projektmanagementsoftware wie Jira und Confluence, um Aufgaben zuzuweisen und die Leistung zu überwachen.

Nach anderthalb Monaten Entwicklungszeit konnten wir die MVP-Version des neuronalen Netzes erstellen, die in der Lage war, effektive Entscheidungen ohne zusätzliche Steuerung zu treffen. Mit diesem Ansatz konnten wir ein flexibles und skalierbares System entwickeln, das an verschiedene landwirtschaftliche Umgebungen und Anwendungsfälle angepasst werden kann und den Landwirten eine kostengünstige und effiziente Lösung für die Verwaltung ihrer Arbeitsgänge bietet.

Team

Project Manager

ML-Ingenieure

Back-end-Entwickler

Ergebnisse: Verringerung des Pestizideinsatzes und der Personalkosten

Die Einführung des maschinellen Lernens in der Landwirtschaft durch den Einsatz von Landwirtschaftsrobotern, die mit Computer Vision und KI-basierten Motoren ausgestattet sind, bietet zahlreiche Vorteile für die Branche. Sie fördert die Kosteneffizienz, indem sie den Einsatz von unnötigen Düngemitteln und Chemikalien reduziert und die landwirtschaftliche Produktivität durch die selektive Behandlung jeder Pflanze verbessert. Darüber hinaus ermöglicht er eine detaillierte Feldüberwachung und -kartierung ohne menschliches Eingreifen und liefert den Landwirten wichtige Informationen über den Zustand ihrer Felder.

Das Ergebnis der Implementierung dieser Technologie für den Kunden ist eine Reduzierung des gesamten Ressourcenverbrauchs, was zu wirtschaftlichen Vorteilen durch kontinuierliche automatische Pflanzenpflege, hohe Erträge und perfekte Pflanzengesundheit führt. Darüber hinaus schützt die laserbasierte, chemiefreie Unkrautbekämpfung landwirtschaftliche Ökosysteme und minimiert die negativen Umweltauswirkungen herkömmlicher Anbaumethoden. Die Fähigkeit des Systems, kontinuierlich zu lernen und sich anzupassen, ermöglicht es den Landwirten, den Datensatz regelmäßig zu aktualisieren und sich an neue Pflanzentypen und landwirtschaftliche Arbeiten anzupassen.

Insgesamt birgt die Integration von KI-Technologie in der Landwirtschaft ein enormes Potenzial, um der Branche, der Umwelt und der Natur Vorteile zu bringen. ML-Roboter können die Qualität und Fruchtbarkeit der Ernte steigern, die Kosten senken, die natürlichen Ressourcen schonen und durch die automatische Erledigung komplexer Aufgaben potenzielle Schäden für den Menschen vermeiden.

Projektdauer

September 2021 - November 2022

64%

Einsparung von Düngemitteln

100%

Einsparung von Pestiziden und Humanressourcen

Kontaktieren Sie uns!

Buchen Sie einen Anruf oder füllen Sie das Formular unten aus und wir melden uns bei Ihnen, sobald wir Ihre Anfrage bearbeitet haben.

Name

Unternehmen

E-Mail

Telefon

Nachricht Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten und andere Infos bei.

Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten
und andere Infos bei.

Hängen Sie nach Bedarf zusätzliche Dokumente an.

Datei hochladen

Sie können bis zu 1 Datei von insgesamt 2 MB anhängen. Gültige Dateien: pdf, jpg, jpeg, png

Bitte beachten Sie, dass Innowise mit dem Anklicken der Schaltfläche 'Senden' Ihre persönlichen Daten nach der Datenschutzrichtlinie verarbeiten wird, um Ihnen die gewünschten Informationen zukommen zu lassen.

Wie geht es weiter?

Sobald wir Ihre Anfrage erhalten und bearbeitet haben, werden wir uns mit Ihnen in Verbindung setzen, um Ihre Projektanforderungen zu besprechen und eine NDA für die Vertraulichkeit der Informationen zu unterzeichnen.

Nach der Prüfung der Anforderungen erstellen unsere Analysten und Entwickler einen Projektvorschlag, der Arbeitsumfang, Teamgröße, Zeit- und Kostenschätzung enthält.

Wir vereinbaren einen Termin mit Ihnen, um das Angebot zu besprechen und eine Vereinbarung zu treffen.

Wir unterzeichnen einen Vertrag und beginnen umgehend mit der Arbeit an Ihrem Projekt.

Maschinelles Lernen in der Landwirtschaft: 100 % Einsparungen bei Pestiziden und Humanressourcen

Der Kunde

Herausforderung: Überwindung der Grenzen der manuellen Pflanzenpflege durch KI-Technologie in der Landwirtschaft

Lösung: Einsatz von maschinellem Lernen in der Landwirtschaft zur Unkrautbeseitigung und selektiven Pflanzenversorgung

Technologien

Prozess

Team

Ergebnisse: Verringerung des Pestizideinsatzes und der Personalkosten

Ähnliche Fälle

Kontaktieren Sie uns!

Wie geht es weiter?

Gemeinsam Software entwickeln ^●

Einen weiteren Antrag stellen

Schließen

Maschinelles Lernen in der Landwirtschaft: 100 % Einsparungen bei Pestiziden und Humanressourcen

Der Kunde

Herausforderung: Überwindung der Grenzen der manuellen Pflanzenpflege durch KI-Technologie in der Landwirtschaft

Lösung: Einsatz von maschinellem Lernen in der Landwirtschaft zur Unkrautbeseitigung und selektiven Pflanzenversorgung

Technologien

Prozess

Team

Ergebnisse: Verringerung des Pestizideinsatzes und der Personalkosten

Ähnliche Fälle

Kontaktieren Sie uns!

Wie geht es weiter?

Gemein­sam Software entwickeln ●

Abonnement an unseren Newsletter

Einen weiteren Antrag stellen

Schließen

Gemeinsam Software entwickeln ^●

Abonnement
an unseren Newsletter