Hier beginnt der Hauptinhalt dieser Seite

Wie können Hackroboter im Zuckerrübenanbau unterstützen? Dossier: Digitalisierung im Ackerbau Teil 4

Hackroboter werden zunehmend auf landwirtschaftlichen Flächen eingesetzt. Zusätzlich zur Hacktechnik können einigen Maschinen die Aussaat und Herbizid-Applikation übernehmen. Was trägt das Experimentierfeld Farmerspace dazu bei? Welche Arbeitsschritte sind vor dem Einsatz eines Roboters notwendig? Und wie funktionieren die Roboter?

Digitaler Pflanzenschutz mit Farmerspace

Logo des Experimentierfelds Farmerspace
Abbildung: Farmerspace

Das Experimentierfeld Farmerspace beschäftigt sich mit dem digitalen Pflanzenschutz an Zuckerrübe und Weizen. Ein Fokus liegt auf Blattkrankheiten und Methoden des Unkrautmanagements. Auf dem Experimentierfeld wird ein Spektrum von Sensoren und Kameras auf Robotern oder Drohnenplattformen eingesetzt. Ziel ist es, den Prozess der digitalen Geräte von der Marktverfügbarkeit bis zum Einsatz auf den Betrieben zu beschleunigen. Denn die Werkzeuge bringen nur einen Mehrwert, wenn sie in der Praxis benutzt werden. Diese Benutzung soll beschleunigt werden: Das ist aber nur möglich, wenn es eine Plattform gibt, die die Funktion und den Mehrwert unabhängig beschreibt, testet und die Ergebnisse öffentlich zeigt. Das ist Farmerspace.

Koordiniert vom Institut für Zuckerrübenforschung in Göttingen und mit weiteren Projektpartnern, wie dem Institut für Agrartechnik der Universität Göttingen, der Landwirtschaftskammer Niedersachen und dem Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB), werden digitale Werkzeuge für das Feld erforscht.

In diesem Beitrag hat Dr. Stefan Paulus für Sie zusammengetragen, was Sie über Hackroboter wissen müssen.

Digitale Bonitur versus manuelle Bonitur

Die unterschiedlichen Level der digitalen Bonitur, geordnet anhand ihrer Komplexität und ihres zeitlichen Aufwandes
Abbildung: Dr. Stefan Paulus

Landwirtinnen und Landwirte kennen ihre Felder und wissen was dort passiert. Sie können den Zustand eines Ackers visuell beurteilen: Trockene Stellen, Krankheitsbefall, Mangelerscheinungen oder der richtige Zeitpunkt für Maßnahmen werden abgeleitet, indem man regelmäßig „auf die Felder fährt und schaut“. Im Versuchswesen wird diese Einschätzung als „Bonitur“ bezeichnet. Sie wird benutzt, um einen visuellen Eindruck der Pflanzenentwicklung, speziell unter dem Einfluss von Krankheiten oder Trockenheit, für den Vergleich verschiedener Sorten zu bewerten. Sie wird von geschultem Personal durchgeführt, das die Merkmale einer Kultur oder Krankheitsbildes erkennen kann.

Die Übertragung der manuellen Bonitur in eine digitale Bonitur ist herausfordernd: Um große Flächen zu bonitieren wird viel Fachpersonal benötigt. Je mehr Wiederholungen der Versuche bonitiert werden, desto verlässlicher ist die statistische Auswertung. Die digitale Bonitur landwirtschaftlicher Versuche und Flächen ist eine gute Möglichkeit hierfür.

Der Begriff „digitale Bonitur“ unterteilt sich in mehrere Kategorien oder Level, die mit steigender Zahl einen höheren Grad der Automatisierung aufweisen:

  • Manuelle Bonitur mit digitalen Helfern, wie GPS-Stäbe oder Smartphones und Tablets zur direkten digitalen Eingabe (Level 1)
  • Manuelle Bonitur mit Hilfe digitaler Fotos (Level 2)
  • Manuelle Bonitur mit Hilfe digitaler Fotos von Drohnen zur Bildaufnahme (Level 3)
  • Nachgelagerte Automatisierte Analyse digitaler Fotos auf leistungsstarken Computern (Level 4)
  • Automatisierte Bonitur direkt auf dem Feld durch Roboter (Level 5).

Die wesentlichen Arbeitsschritte neben der eigentlichen Bonitur und der Dokumentation sind die Datenaufnahme, sowie die Analyse durch die KI.

Datenaufnahme mit Drohnen

Eine Drohne fliegt über einen Acker.
Bild: André Weiskopf

Überfliegungen von Äckern mit Drohnen sind heute leicht zu bewerkstelligen, da Kombinationen von Drohne und Kamera marktverfügbar sind. Die rechtlichen Anforderungen an Versicherung sowie Kenntnisnachweisen sind geringer je kleiner die Drohne und je größer die räumliche Entfernung zu unbeteiligten Dritten ist.

Je nachdem, welche Parameter auf dem Feld erfasst werden sollen, ist eine hohe Auflösung der Kamera wichtig. Eine Bonitur zu einem Krankheitsbefall mit zum Beispiel Cercospora beticola in Zuckerrüben benötigt eine höhere Auflösung als eine Biomasseschätzung im Mais.

Datenauswertung mit künstlicher Intelligenz

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.

Das Ergebnis der Bildinterpretation mit künstlicher Intelligenz kann die Unterscheidung zwischen Boden und Vegetation und im Folgenden die Unterscheidung zwischen Kultur- und Beikrautpflanze sein (links). Weiterhin ist es möglich Krankheiten zu detektieren und Applikationskarten abzuleiten (Mitte). Auf Satellitenebene ist die Bemaßung der Feldgrenzen oder die Erkennung der Fruchtarten möglich (rechts).
Bilder (v. l. n. r.): Dr. Stefan Paulus, Facundo Ispizua, Philipp Pfeffer

Aktuell sind menschliche Expertinnen und Experten der Goldstandard im Feldversuchswesen. Wer im Feld ist, kann gezielt Pflanzen genauer betrachten. Die Drohne bleibt beschränkt auf den reinen Blick von oben. Zudem hängt die automatisierte Auswertung vom Trainingsdatensatz des benutzten Modells ab. Schon heute ergibt sich dadurch eine hohe Genauigkeit, jedoch mit einem Fehler. Wird dieser Fehler zu Gunsten der hohen Flächenleistung aktueller KI-Routinen toleriert, stellen die neuen digitalen Methoden der Bonitur einen effektiven und schnellen Weg dar, große Flächen für landwirtschaftliche Versuche oder auch in der Praxis zu analysieren. Dabei werden die Bestandesinformationen, wie Pflanzengesundheit und Biomasseentwicklung, auf dem Feld quantifiziert.

Hackrobotertechnik

Autonome Maschinen, die auf dem Feld effizient und ohne manuelles Zutun Aufgaben verrichten, sind schon in ganz Deutschland anzutreffen. Möglich ist dies durch Fortschritte im Maschinenbau, Neuentwicklungen im Akku- und Elektronikbereich, der breiten Verfügbarkeit von Mobilfunk und GPS-Signalen sowie der maschinennahen Implementierung von KI-Modellen zur schnellen und automatisierten Analyse von Bilddaten.

Speziell Roboter für das Unkrautmanagement sind seit einigen Jahren für Zuckerrübe und im Gemüseanbau marktverfügbar. In den folgenden Ausführungen zu dieser Art des Unkrautmanagements steht die Zuckerrübe im Fokus.

Welche Funktionsweisen gibt es bei Hackrobotern?

Grundsätzlich gibt es zwei Funktionsweisen für Steuerung von Hackrobotern. Positionsbasierte Roboter nutzen eine hochgenaue Standortinformation bei der Aussaat des Saatguts und dem anschließenden Hacken. Kamerabasierte Systeme analysieren digitale Bilder und steuern die Hackwerkzeuge dementsprechend.

Beide Systeme sind marktverfügbar und werden in der Praxis eingesetzt. Sie besitzen Limitierungen in der Anwendung und der funktionelle Bedarf an den Roboter muss geklärt werden.

Positionsbasierte Systeme

Farmdroid FD 20 auf dem Feld. Der Roboter übernimmt die Aussaat und merkt sich die Pillenposition. Dadurch ist er in der Lage um die Pflanzen herum zu hacken. Die Einzelansichten zeigen die Sähaggregate.
Bilder: Dirk Koops

Der positionsbasierte Ansatz nutzt das Standortsignal des GPS-Netzwerkes kombiniert mit einem Korrektursignal für eine finale Positionsgenauigkeit von wenigen Zentimetern. Bei der Saatgutablage wird gespeichert, wo die Pille abgelegt wurde. Diese Daten werden beim Hackdurchgang genutzt: Die Hackwerkzeuge werden anschließend so gesteuert, dass sie dort, wo die Pillen abgelegt wurden, nicht hacken. Bei dieser Art des Hackens ist der Schritt der Pillenablage und Erfassung der Position der einzelnen Pflanzorte essentiell.

Der positionsbasierte Ansatz kontrolliert nicht, ob die Pflanze überhaupt oder an anderer Stelle aufläuft. Daher wird entweder nicht gehackt, obwohl keine Pflanze an der Position steht. Oder eine Pflanze wird weg gehackt, weil diese etwas verrollt ist.

Der marktverfügbare Repräsentant für den positionsbasierten Ansatz ist der FD20 des Herstellers Farmdroid ApS (Dänemark).

Farmdroid nutzt eine langsame Fahrt mit eher filigranen Hackwerkzeugen, um eine Fläche von ca. 20 Hektar unkrautfrei zu halten. Nur durch die permanente Fahrt des Roboters können die Unkräuter bereits im Auflaufen bzw. in sehr frühen Stadien entfernt werden. Insgesamt sind die Hackwerkzeuge kleiner dimensioniert. Größere Unkräuter können durch den FD20 nicht mehr beseitigt werden und wachsen durch.

Kamerabasierte Systeme

Der Ecorobotix ARA ist ein smartes System zur pflanzengenauen Behandlung von Unkrautpflanzen. Eine Kamera mit einer integrierten Auswerteeinheit nimmt ein Bild auf und analysiert während der Fahrt. Mittels maschineller Lernmethoden wird unterschieden zwischen Boden-Vegetation, sowie zwischen Kulturpflanze und Unkraut. Diese Detektion wird benutzt, um punktgenau die Spritzdüsen zu schalten und das Unkraut zu behandeln.
Bilder: Dirk Koops

Kamerabasierte Systeme können zum reinen Hacken eingesetzt werden. Sie säen nicht selbst und nutzen eine betriebsübliche Aussaat. Ausgehend von digitalen Bildern erfolgt die Analyse direkt auf dem Gerät. Hierzu werden effiziente KI-Modelle eingesetzt. Diese nutzen annotierte Trainingsdaten, um nicht nur zwischen Boden und Pflanze zu unterscheiden, sondern auch zwischen Kulturpflanze und Beikraut. Zusätzlich kann die Reihenausrichtung mit ausgewertet werden. Diese Informationen steuern die Hackwerkzeuge und die weitere Fahrt.

Die Qualität des kamerabasierten Ansatzes hängt stark vom zu Grunde liegenden Trainingsdatensatz ab: Wird die Rübe nicht erkannt, wird sie weg gehackt. Wird das Beikraut nicht erkannt, weil es zu klein ist, oder fälschlicherweise als Rübe angesehen, erfolgt keine Behandlung.

Der kamerabasierte Ansatz und dessen Integration in einen Roboter erfolgt durch den Farming GT der Firma Farming Revolution. Hier wird ein hochauflösendes Kamerasystem, gekoppelt mit einer KI-basierten Auswertung verbunden mit autonomer Hacktechnik.

Die Firma Ecorobotix (Schweiz) bietet eine Integration in eine Herbizidspritze zur Unkrautkontrolle am Schlepper an. Die Kombination von Kamera, Auswertung und Düsensteuerung an der Spritze ermöglicht so eine höhere Schlagkraft im Vergleich zu reinen Robotersystemen.

Fazit

Für Betriebsleiterinnen und Betriebsleiter wird es zunehmend schwerer, Arbeitskräfte für handarbeitsintensive Tätigkeiten zu gewinnen. (Hack-) Roboter, die relativ neu am Markt sind, können diesem Problem entgegenwirken und Mitarbeitende entlasten.

Technikbegeisterte Landwirtinnen und Landwirte nutzen auf ihren Betrieben teilweise schon Technik, die auch in den Robotern genutzt wird: Dazu zählen zum Beispiel intelligente Hacktechnik mit Kamerasystemen und Spurführung.

Weitere Werkzeuge und Maschinen, mit denen Landwirtschaft betrieben wird, sind hinsichtlich ihrer Handhabung mit der „neuen“ Technik wenig vergleichbar. Der Informationsbedarf auf landwirtschaftlichen Betrieben ist daher groß. Es wird immer wichtiger, dass Landwirtinnen und Landwirte sich weiterbilden und mit den Zukunftstechnologien auseinandersetzen. So können die Arbeitsweisen der Systeme verstanden werden, sodass bei Anschaffung auf ein detailliertes Wissen zurückgegriffen werden kann.

Anbieter entsprechender Weiterbildungsangebote sind beispielsweise die Akademie Burg Warberg, Agronym e. V. sowie lokale Volkshochschulen.

Weitere Informationen

Heim, R. et al. (2022): Digital weed management – New trends for weed scoring in sugar beet. Sugar Industry (2022), 147(6), 343-351, doi.org/10.36961/si28804

Letzte Aktualisierung 08.01.2024

Weitere Beiträge vom Dossier: Digitalisierung im Ackerbau

Weitere Informationsangebote