KI-basierte Bildverarbeitungssysteme in der Landwirtschaft

Albert Van Breemen erklärt im Podcast, dass der Gurkenanbau in den Niederlanden stark von manueller Arbeit abhängt, insbesondere beim regelmäßigen Abschneiden der Blätter an der Basis jeder Pflanze. Diese Arbeit ist unerlässlich, um den Ertrag und die Energieverteilung der Pflanze zu optimieren.

Um diese Abhängigkeit von Arbeitskräften zu verringern, hat das Unternehmen VBTI in Kooperation mit der niederländischen Firma Cropteq ein Robotersystem entwickelt, das auf KI-basiertem maschinellem Sehen basiert. Ein entscheidender Faktor bei dieser Automatisierung ist die präzise Erkennung und Unterscheidung von Pflanzenstrukturen. Aufgrund der natürlichen Variationen in der Pflanzenform stellt dies eine große Herausforderung dar.

Traditionelle Bildverarbeitungstechnologien haben Schwierigkeiten, unregelmäßige Formen zu erkennen. Deep Learning bietet eine vielversprechende Lösung: Durch die Analyse großer Datensätze und das Training neuronaler Netze mit einer Vielzahl von Bildern kann das System Blätter und Gurken auch bei Abweichungen präzise identifizieren.

Dieser technologische Durchbruch hilft, langjährige Engpässe in der landwirtschaftlichen Automatisierung zu überwinden und bietet eine präzisere und effizientere Alternative zur manuellen Arbeit.

Bei der Entwicklung von KI-gesteuerter Automatisierung für die Landwirtschaft geht es jedoch nicht nur um die Datenerfassung. Es müssen auch komplexe Herausforderungen in den Bereichen Wahrnehmung und Steuerung gelöst werden. Van Breemen weist auf die Schwierigkeiten hin, einen Blattschneideroboter zu entwickeln, der in der Lage ist, Pflanzenstrukturen genau zu erkennen, ihre 3D-Position zu bestimmen und die Bewegungen des Roboters präzise zu steuern.

Die Robotertechnologie ist jedoch nicht auf den Gurkenanbau beschränkt. Sie lässt sich auch auf andere landwirtschaftliche Anwendungen wie die Ernte von Tomaten oder Paprika übertragen. Durch die Anpassung von Trainingsdaten und Roboteraktionen kann dasselbe KI-Framework auf verschiedene landwirtschaftliche Prozesse angewendet werden, was es zu einer skalierbaren Lösung für die Automatisierung in der Landwirtschaft macht.

Während Deep Learning bei der Objekterkennung exzellent ist, zeigen traditionelle Suchalgorithmen ihre Stärken bei der Strukturanalyse. Deep Learning identifiziert Pflanzenknoten und -stämme, während heuristische Algorithmen deren Verbindungen abbilden und ein strukturiertes Pflanzenmodell erstellen.

Dieser hybride Ansatz, der KI mit traditionellen Algorithmen kombiniert, ermöglicht eine deutlich höhere Vorhersagegenauigkeit und steigert damit die Effizienz der Automatisierung in der Landwirtschaft.

Ein Beispiel für die Entwicklungsarbeit von VBTI, das Van Breemen im Podcast vorstellt, ist die Erkennung von Spargel. Durch den Einsatz von maschineller Bildverarbeitung können sie Spargelstangen auf dem Feld präzise identifizieren, was den Ernteprozess deutlich effizienter macht. Bei der Erkennung von Spargel auf dem Feld wurde eine beeindruckende Genauigkeit von 95 Prozent erreicht.

Während einer dreimonatigen Erntesaison sammelten die Maschinen mehr als vier Millionen Datenpunkte, die zur kontinuierlichen Verbesserung des Modells verwendet wurden. Mit dem erweiterten Datensatz soll die Genauigkeit auf 98 bis 99 Prozent steigen.

Die Entwicklung eines präzisen KI-Modells erfordert eine umfangreiche Datensammlung. Wie Van Breemen im Podcast erklärt, ist es dank Transfer Learning jedoch möglich, mit deutlich kleineren Datensätzen eine hohe Genauigkeit zu erreichen. Anstatt ein Deep-Learning-Modell von Grund auf zu trainieren – wofür in der Regel Millionen von Bildern erforderlich sind – verwendet VBTI bereits trainierte Modelle, die ursprünglich für andere Anwendungen wie die Fahrzeugerkennung entwickelt wurden.

Durch Modifizierung dieser Modelle und Feinabstimmung mit nur wenigen tausend Gewächshausbildern konnte die KI so angepasst werden, dass sie Gurken und Pflanzenstrukturen mit hoher Genauigkeit erkennt.

Um den erforderlichen Datensatz zu erstellen, nahm das VBTI manuell Bilder mit Handkameras in den Gewächshäusern auf. Diese Bilder wurden dann annotiert – ein Prozess, bei dem Menschen wichtige Elemente wie Gurken, Blätter und Stängel markieren. Dieser kommentierte Datensatz bildete die Grundlage für das Training von KI-Modellen und ermöglichte es Deep-Learning-Algorithmen, mit einer wesentlich geringeren Datenmenge zu lernen und sich zu verbessern, als dies sonst der Fall gewesen wäre.

Kameravariationen spielen eine entscheidende Rolle beim Training von KI-Modellen. Vier Jahre lang hat VBTI Daten mit fünf verschiedenen Kamerasystemen gesammelt, die jeweils eine einzigartige Optik bieten. Wie Albert Van Breemen im Podcast erklärt, stärkt diese Vielfalt die Generalisierungsfähigkeit des Modells.

Deep Learning profitiert enorm von einem breiten Spektrum an Eingabedaten, sodass ein Modell, das mit unterschiedlichen Kameradaten trainiert wurde, besser mit variierenden Umgebungen und Bildgebungsbedingungen zurechtkommt. Das Ergebnis? Ein robusteres Modell, das in realen Anwendungen zuverlässig funktioniert.

Eine der größten Herausforderungen bei der Entwicklung von KI-Modellen ist es, sicherzustellen, dass sie auch in neuen Umgebungen zuverlässig funktionieren. In einem Gewächshaus, in dem das System noch nicht getestet wurde, können Bedingungen herrschen, die im ursprünglichen Datensatz nicht abgebildet sind.

Van Breemen betont im Podcast, wie wichtig es ist, mit einem ersten, wenn auch kleinen Datensatz zu beginnen und das Modell kontinuierlich durch die Integration neuer Daten zu verbessern – ein Prozess, der als Bootstrapping bekannt ist. Noch wichtiger ist es, die Datenerfassung direkt in die Maschinen zu integrieren.

So sind die Blattschneideroboter von VBTI mit Funktionen ausgestattet, die es ihnen ermöglichen, selbstständig neue Bilder zu sammeln. Dieser innovative Ansatz senkt langfristig die Kosten der Datenerfassung, auch wenn die Beschriftung der Daten eine Herausforderung und ein erheblicher Kostenfaktor bleibt.

Die kontinuierliche Überwachung und Anpassung von KI-Systemen ist entscheidend für ihre langfristige Leistung in der Landwirtschaft. Um dies zu gewährleisten, hat VBTI die OneDL-Plattform entwickelt, die regelmäßige Modellverbesserungen durch einen iterativen Prozess, das sogenannte AI Gym, ermöglicht.

Dieser innovative Ansatz stellt sicher, dass KI-Modelle stets mit aktuellen Daten gefüttert werden, um sich an die sich ständig ändernden landwirtschaftlichen Bedingungen anzupassen.

Die OneDL-Plattform von VBTI spielt eine zentrale Rolle bei der Datenerfassung, dem Umlernen von KI-Modellen und der Anpassung an verschiedene landwirtschaftliche Umgebungen. Sie ermöglicht das Experimentieren und Vergleichen von Modellen, da die Leistung eines Modells stark vom zugrunde liegenden Datensatz abhängt.

Durch die Unterstützung verschiedener Deep-Learning-Frameworks und einer Abstraktionsschicht zur Vereinfachung der Integration bietet die Plattform eine flexible Lösung, die je nach Bedarf in der Cloud oder vor Ort eingesetzt werden kann. Sie arbeitet mit verschiedenen Kameratypen, einschließlich RGB-, RGBD- und Hyperspektralkameras, und unterstützt Modelle im ONNX-Format, was sie ideal für verschiedene Hardwarelösungen macht.

Auf diese Weise stellt die OneDL-Plattform sicher, dass die KI-Modelle immer auf dem neuesten Stand sind und flexibel an die sich ändernden Anforderungen in der Landwirtschaft angepasst werden können.

Mit der fortschreitenden KI-gesteuerten Automatisierung von Gewächshäusern suchen Forscher nach innovativen Wegen, um die Effizienz zu steigern und die Abhängigkeit von manueller Dateneingabe zu verringern. Ein vielversprechender Ansatz sind grundlegende KI-Modelle, die eine präzise Objekterkennung mit einem Minimum an beschrifteten Daten ermöglichen.

Obwohl diese Modelle oft zu groß für eingebettete Systeme sind, dienen sie als Ausgangspunkt für die Entwicklung kleinerer, effizienter Lösungen, die speziell auf landwirtschaftliche Aufgaben zugeschnitten sind.

Ein weiterer interessanter Trend ist die zunehmende Bedeutung der generativen KI. Diese Technologien könnten den Aufwand und die Kosten für die Bildbeschriftung erheblich reduzieren, was zu einer noch schnelleren und kostengünstigeren Automatisierung führen würde. Im Podcast erklärt Albert Van Breemen, dass VBTI plant, seine KI-Fähigkeiten über Computer Vision* hinaus zu erweitern und die Analyse von Zeitreihendaten zu integrieren.

Während VBTI sich derzeit auf die bildverarbeitungsbasierte Automatisierung konzentriert, eröffnen diese kontinuierlichen Entwicklungen neue Möglichkeiten, um die Zukunft der Landtechnik noch effizienter und innovativer zu gestalten.

* Machine Vision ist eine spezialisierte Anwendung von Computer Vision in der industriellen Automatisierung, während Computer Vision allgemein die Verarbeitung und Analyse von Bildern und Videos mithilfe von KI umfasst.