[vc_row][vc_column][vc_custom_heading text=“Smarte Farmen“ font_container=“tag:h2|font_size:38|text_align:left|color:%23e30613″ use_theme_fonts=“yes“ css=“.vc_custom_1537083569643{margin-top: -25px !important;}“][vc_custom_heading text=“Wenn Künstliche Intelligenz bei Saat und Ernte hilft – Echtzeitsteuerung in der Landwirtschaft durch datengetriebene Dienste und Datenanalytik“ font_container=“tag:h2|font_size:22|text_align:left|color:%23f07d00″ use_theme_fonts=“yes“][vc_column_text]Wolfgang Maaß, Deutsches Forschungszentrum für Künstliche Intelligenz [/vc_column_text][vc_custom_heading text=“Kurz und bündig:“ font_container=“tag:h3|font_size:17|text_align:left|color:%23ffffff“ use_theme_fonts=“yes“ css=“.vc_custom_1519747666609{padding-left: 15px !important;background-color: #f07d00 !important;}“][vc_column_text css=“.vc_custom_1537083631183{border-top-width: 1px !important;border-right-width: 1px !important;border-bottom-width: 1px !important;border-left-width: 1px !important;padding-top: 10px !important;padding-right: 10px !important;padding-bottom: 10px !important;padding-left: 10px !important;background-color: #eaeaea !important;border-left-color: #aaaaaa !important;border-left-style: solid !important;border-right-color: #aaaaaa !important;border-right-style: solid !important;border-top-color: #aaaaaa !important;border-top-style: solid !important;border-bottom-color: #aaaaaa !important;border-bottom-style: solid !important;border-radius: 1px !important;}“]Am Beispiel des Kartoffelanbaus untersucht das DFKI zusammen mit Partnern, wie Daten über den Lebenszyklus einer Feldfrucht während der Saat, der Ernte, des Transports und der Lagerung genutzt werden können, um einen ökonomisch optimalen Ertrag zu erzielen. Das Ziel ist die rasche Entwicklung neuer Smart Farming Services, die auf unterschiedlichen Datenströmen arbeiten. Durch Automatisierung können voraussichtlich zukünftig ganze Produktionsprozesse über die Zeit lernend optimiert werden, indem sich vernetzte Smart Services an die Abläufe und Entscheidungen des Landwirtes anpassen. Dies ist auch die Basis für einen künftigen Einsatz von Agrarrobotern.[/vc_column_text][/vc_column][/vc_row][vc_row css=“.vc_custom_1519752670572{margin-top: -10px !important;}“][vc_column][vc_column_text]Die heutige Landwirtschaft nutzt bereits in vielen Bereichen digitale Technologien, um den Ertrag auf dem Acker, aber auch im Stall zu optimieren. Aktuell werden Digitaltechnologien vor allem zur Maschinensteuerung und für administrative Prozesse eingesetzt. Jedoch halten auch Technologien des Internet der Dinge und Robotik Einzug und ermöglichen sowohl die Vernetzung von Maschinen, als auch die automatisierte Steuerung landwirtschaftlicher Aktivitäten in Echtzeit.[/vc_column_text][ult_dualbutton btn_hover_style=“Style 2″ btn_border_style=“solid“ btn_color_border=“#ffffff“ btn_border_size=“2″ btn_alignment=“left“ dual_resp=“off“ button1_text=“Einzelheft kaufen“ icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2FSIR%2Fproduct%2Fkuenstliche-intelligenz|||“ btn1_background_color=“#f07d00″ btn1_bghovercolor=“#e30613″ icon=“Defaults-book“ icon_size=“22″ icon_color=“#ffffff“ icon_hover_color=“#f07d00″ button2_text=“Jetzt abonnieren“ btn_icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fabo%2F|||“ btn2_background_color=“#f07d00″ btn2_bghovercolor=“#e30613″ btn_icon=“Defaults-chevron-right“ btn_icon_size=“22″ btn_icon_color=“#ffffff“ btn_iconhover_color=“#f07d00″ divider_text=“oder“ divider_text_color=“#f07d00″ divider_bg_color=“#ffffff“ btn1_text_color=“#ffffff“ btn1_text_hovercolor=“#ffffff“ btn2_text_color=“#ffffff“ btn2_text_hovercolor=“#ffffff“ title_font_size=“desktop:20px;“ btn_border_radius=“3″ title_line_ht=“desktop:22px;“ btn_width=“280″][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Um einen Nutzen für den Landwirt und nachfolgende Produktionsunternehmen zu generieren, werden erfasste Daten verdichtet und in der richtigen Situation dem Landwirt über intelligente, analytische Dienste (Smart Services) angeboten. Am Beispiel des Kartoffelanbaus untersucht das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) zusammen mit Partnern, wie Daten unter anderem über Schläge auf Kartoffeln, Rotationen, Temperatur und Luftfeuchtigkeit über den Lebenszyklus einer Feldfrucht während der Saat, der Ernte, des Transports und der Lagerung genutzt werden können, um einen ökonomisch optimalen Ertrag zu erzielen. Beispielsweise erleiden Kartoffeln durch zu hohe Geschwindigkeiten der Erntemaschinen Beschädigungen, die später bei der Lagerung durch Fäulnis zu Ausfällen im Ertrag führen. Die intelligente „schmerzempfindliche“ Kartoffel (nPotato) ist eine kartoffelförmige, künstliche Kartoffel, welche mittels Sensorik Schläge und Rotationen während des Ernteprozesses erfasst. Die Daten werden in Echtzeit auf der Landmaschine dezentral mittels Edge AI Computing Services analysiert und als Entscheidungsgrundlage dem Landwirt in Echtzeit per Mobile App angezeigt. Die Analyse erfolgt mittels Methoden des maschinellen Lernens. Dazu gehört, dass Schläge klassifiziert und Beschädigungsverteilungen der Ernte für das Feld fortlaufend berechnet werden. Ergebnisse werden mit einem Financial Smart Service gekoppelt, welcher historische Kartoffelpreise der vergangenen Jahre dazu nutzt, um monatliche Durchschnittspreise für die nächsten drei Monate zu prognostizieren. Die Ergebnisse beider Dienste werden in einen prognostizierten finanziellen Ertragswert integriert. Dadurch kann der Landwirt jederzeit auf den vorhergesagten Ertragswert der aktuellen Ernte im gewünschten Zielmonat zugreifen. Falls die Prognose unterhalb des Zielertrags liegt, kann der Landwirt unmittelbar mit dem Lohnunternehmer Kontakt aufnehmen, um beispielsweise eine schonendere Einstellung der Erntemaschine vorzunehmen oder einen erweiterten Zeitraum für die Ernte mit dem Lohnunternehmer zu vereinbaren.[/vc_column_text][vc_custom_heading text=“Echtzeitdatenanalyse während des Ernteprozesses“ font_container=“tag:h3|text_align:left“][vc_column_text]Die nPotato erfasst Beschleunigungs- und Rotationsereignisse in Echtzeit, um diese entsprechend des Kartoffeltyps in Schläge auf die Kartoffel umzurechnen, die wiederum klassifiziert werden. Die Klassifikation erfolgt mittels eines Deep Learning Modells, welches im Vorfeld über Fallexperimente mit Kartoffeln trainiert wurde. In diesem Experiment werden Kartoffeln eines bestimmten Typs aus unterschiedlichen Höhen auf eine glatte Metalloberfläche fallen gelassen. Sie werden danach geschält, frittiert und von Experten auf Schadstellen geprüft. Ergebnisse gehen in das Lernverfahren des Deep Learning Modells ein. Die Parameter des Modells werden auf den Rechner der Kartoffelerntemaschine übertragen und stehen damit als Klassifikationsmechanismus dezentral zur Verfügung.

Eingehende Datenströme werden über ein Zeitfenster von zwei Sekunden über das Deep Learning Modell klassifiziert. Damit erkennt der Landwirt sortenspezifisch die Anzahl an leichten, mittleren und starken Schlägen, die auf die nPotato pro Erntevorgang gewirkt haben. Da die nPotato am Ende wieder aus dem Ernteprozess automatisch herausgezogen wird, kann dieser Prozess permanent durchlaufen werden. Mehrere Rundläufe werden über eine statistische Verteilung integriert, so dass dem Landwirt auch Mittelwerte angezeigt werden.[/vc_column_text][vc_custom_heading text=“Ökonomisches Vorhersagemodell“ font_container=“tag:h4|text_align:left“][vc_column_text]Basierend auf historischen Kartoffelpreisdaten wurde ein weiteres Deep Learning Modell trainiert. Da der Kartoffelmarktpreis täglichen Schwankungen unterliegt, die schwer vorherzusagen sind, wird der monatliche Durchschnittswert relativ zum Erntetag prognostiziert. Um das unternehmerische Risiko zu reduzieren, gehen viele Kartoffellandwirte weit vor der Ernte Verträge mit Großabnehmern ein. Nur ein kleinerer Teil der Ernte wird frei über den Markt verkauft. Mit dem ökonomischen Vorhersagemodell könnte dieser Anteil erweitert werden, da der Landwirt eine Durchschnittsprognose für die nächsten drei Monate erhält, mittels derer er den optimalen Verkaufszeitpunkt mit einer gegebenen Wahrscheinlichkeit vorhersagen kann. Zusammen mit dem Anteil an unbeschädigten Kartoffeln kann ferner Gesamtgewinn vorhergesagt werden. Durch Kopplung mit einem Farm Management Informationssystem (FMIS) werden die Produktionskosten und somit das Ergebnis vor Steuern (EBT) für ein bestimmtes Feld bestimmt. Die Abstufung erfolgt über Güteklassen. Güteklasse I sind Produkte guter Qualität mit leichten Fehlern, Kartoffeln der Güteklasse II sind mit marktfähigen und zulässigen Fehlern, wohingegen Kartoffeln der Güteklasse III nur noch als Viehfutter Verwendung finden und demzufolge einen niedrigeren Ertrag erbringen. Zu viele starke Schläge auf die Kartoffeln bewirken ein Abrutschen in die Güteklasse III. Im Beispiel in Abbildung 1 ist dies mit einem ökonomischen Verlust für das betrachtete Anbaufeld gleichbedeutend[/vc_column_text][vc_single_image image=“7245″ img_size=“large“ add_caption=“yes“ alignment=“center“][vc_custom_heading text=“RESFAST Plattform und technische Architektur“ font_container=“tag:h3|text_align:left“][vc_column_text]Die Analyse der Kartoffelbewegungen, die Vorhersage mittlerer Marktpreise und die Integration der beiden Analysen sind jeweils Smart Services, welche erfasste Daten in Echtzeit analytisch verdichten und in Form von digitalen Diensten anbieten. Diese Smart Services sind Teil der Realtime Smart Farming Services Plattform (RESFAST), welche landmaschinenübergreifend im Projekt Smart Farming Welt entwickelt wird, wie man es in Abbildung 1 sieht. Das Ziel von RESFAST ist die rasche Entwicklung neuer Smart Farming Services, welche auf unterschiedlichen Datenströmen arbeiten. RESFAST koppelt lokale Analytik auf der landwirtschaftlichen Maschine mit zentralen Cloud- Services. Diese „Edge Computing“-Architektur unterstützt die dezentrale Auswertung von Datenströmen unabhängig von der Verfügbarkeit einer Kommunikationsverbindung zu Cloud- Services. Cloud-Services integrieren über Maschinen und landwirtschaftliche Flächen hinweg und können so Aufschluss zu übergreifenden Entwicklungen geben. Beispielsweise kann über Cloud-Services der ökonomische Erfolg des Gesamtbetriebs festgestellt werden.[/vc_column_text][vc_single_image image=“7248″ img_size=“large“ add_caption=“yes“ alignment=“center“][vc_column_text]Entsprechend dem vom Arbeitskreis „Smart Service Welt“ der Deutschen Akademie der Technikwissenschaft (acatech) vorgeschlagenen Schichtenmodell werden landwirtschaftliche Maschinen und sensorisch ausgerüstete Objekte zu intelligenten Räumen vernetzt (smart spaces). Produkte erhalten dadurch eine digitale Schale, auf dessen Basis das Produkt digital interaktiv wird (Smartes Produkt). Besonders bedeutsam ist hierbei das digitale Produktgedächtnis, welches über den Produktlebenszyklus hinweg angefüllt wird und ausgewertet werden kann. Dadurch kann die landwirtschaftliche Maschine in ihrer Nutzung genauso analysiert werden, wie eine Feldfrucht. Basierend auf Daten der Smarten Produkte können generische und spezialisierte Smart Services angewendet werden. Generische Smart Services sind domänenunabhängig. Beispielsweise ist ein Track&Trace-Service in jeder Domäne nutzbar, in der Objekte transportiert werden. Daten, die aus generischen Smart Services extrahiert wurden, können durch domänenspezifische Smart Services auf die Anforderungen der Domäne angepasst werden. Ein Beispiel ist hierzu eine optimierende Routenplanung. Der hier vorgestellte Smarte Kartoffel-Service bestimmt Beschädigungen direkt auf Basis sensorischer Daten. Mit der Kombination aus dezentralen Smart Services und Cloud-Services kann der moderne Landwirt jederzeit auf den Zustand der Ernte zugreifen. Da die RESFAST Architektur herstellerunabhängig ist, kann die Plattform auf unterschiedlichen Maschinen übergreifend verwendet werden. Somit kann der Landwirt zunehmend betriebliche Entscheidungen in Echtzeit treffen, um das unternehmerische Risiko zu verringern. Auf der RESFAST Plattform können auch generische und spezifische Smart Services von Drittanbietern installiert und miteinander gekoppelt werden. Smart Services unterstützen Geschäftsabläufe und berücksichtigen über ein webbasiertes Autorisierungsverfahren (basierend auf OAuth 2.0) aufbauorganisatorische Rollenkonzepte. Somit liefert RESFAST eine Smart Service Plattform, auf der eine datengetrieben Smarte Landwirtschaft effizient realisiert werden kann.[/vc_column_text][vc_single_image image=“7247″ img_size=“large“ add_caption=“yes“ alignment=“center“][vc_column_text]Technologisch basiert RESFAST auf einer webbasierten, mehrschichtigen Architektur. Sensoren sind direkt mit einer Hardware-Plattform verbunden, auf dem ein Betriebssystem für eingebettete Systeme läuft – beispielsweise ROS oder Android. Die Sensorik und das eingebettete System sind in der nPotato verbaut. Der Datenstrom wird mit einer relativ hohen Rate erfasst (z. B. 5 Hz) und permanent an die Software auf dem eingebetteten System übertragen. Mittels WLAN werden die Daten im JSON-Format über eine REST-Schnittstelle an einen lokalen Server weitergeleitet, der auf der landwirtschaftlichen Maschine installiert ist. In Erweiterung dieser Architektur ist der lokale Server über eine weitere REST-Schnittstelle an einen Cloud- Dienst angebunden, um feldübergreifende Analysen durchführen zu können. Durch diese Architektur ist die permanente Verfügbarkeit der Smarten Farming Services unabhängig von der Verfügbarkeit eines Internet-Zugangs gewährleistet. Auf dem lokalen Server ist die Datenanalytik- Software auf Basis von Methoden des maschinellen Lernens realisiert. Bei der Auslieferung der landwirtschaftlichen Maschine ist ein trainiertes Modell auf dem lokalen Server vorkonfiguriert, so dass der Smart Harvesting Service sofort einsetzbar ist. Analyseergebnisse und erfasste Rohdaten können auf dem lokalen Server gespeichert werden.[/vc_column_text][vc_single_image image=“7249″ img_size=“large“ add_caption=“yes“ alignment=“center“][/vc_column][/vc_row]