Projekte in den Förderprogrammen des BMEL, betreut durch den Projektträger BLE (PT BLE)
Ergebnis der Suche
| Titel: | Verbundprojekt: Weiterentwicklung und Validierung der adaptive Regelung der Ernte- und Reinigungsorgane bei Rübenrodern auf Basis bildbasierter Qualitätsbewertung (ARERO2) - Teilprojekt B |
|---|---|
| Titel (englisch): | Collaborative project: Further development and validation of the adaptive control of the harvesting and cleaning organs in sugar beet harvesters on the basis of image-based quality assessment (ARERO2) - subproject B |
| Akronym: | ARERO2 |
| Beschreibung (dt.): | Ziel des Vorhabens ist die Weiterentwicklung der Regelung von Reinigung- und Ernteorganen eines Köpfbunkerroders anhand der Qualitätsmerkmale. Die Grundlage für die Entwicklung des Systems bildet die Erforschung der Wirkzusammenhänge zwischen Maschinenparametern und der Erntequalität. Anhand des Expertenwissens der Fahrer werden die Maschineneinstellungen in Feldversuchen dahingehend manipuliert, dass sich eine Veränderung der Erntequalität einstellt und die Wirkzusammenhänge aus den Versuchsdaten abgeleitet werden können. Neben den Maschineneinstellungen wird die Erntequalität zusätzlich von den Umgebungsbedingungen beeinflusst, weshalb Versuche an mehreren Standorten erforderlich sind. Die gewonnene Datengrundlage wird anschließend für die Modellbildung in der Bildverarbeitung, sowie in der Regelung genutzt. Für die Extraktion der Qualitätsmerkmale werden die Rohdaten von Experten kategorisiert und anschließend Bildverarbeitungsalgorithmen zur maschinellen Erkennung entwickelt. Dabei werden Methoden aus dem Bereich Machine-Learning und Deep-Learning genutzt. Anschließend können die gewonnenen Qualitätsdaten mit den Maschinendaten fusioniert und ein Modell für die Regelung der Maschine abgeleitet werden. Dazu werden Regressionsmodelle mit Methoden des maschinellen Lernens erstellt und deren Abbildung der Wirkzusammenhänge mit den Messdaten und dem Expertenwissen verglichen, um die erforderliche Komplexität festzulegen. Das beschriebene Vorgehen wurde bereits innerhalb eines geförderten Projektes entwickelt und erprobt. Das System soll nun im geplanten Projekt erweitert, umgesetzt und evaluiert werden, so dass nach Abschluss des Projektes die Fertigentwicklung zum Produkt und die Markteinführung erfolgen kann. Dazu ist vor allem die Erweiterung des Datensatzes erforderlich, so dass die Modelle der Bildverarbeitung unabhängig von den Umgebungsbedingungen funktionieren und die Systemgrenzen und die Komplexität der Regelung festgelegt und evaluiert werden können. |
| Beschreibung (engl.): | The aim of the project is the further development of the control of the cleaning and harvesting organs of a self-propelled sugar beet harvester on the basis of quality characteristics. The basis for the development of the system is the investigation of the interdependencies between machine parameters and harvest quality. Based on the expert knowledge of the drivers, the machine settings are manipulated in field tests to change the harvest quality and the interactions can be derived from the test data. In addition to the machine settings, the harvest quality is also influenced by the environmental conditions, which is why experiments at several locations are necessary. The obtained data basis is then used for modelling in image processing and control. For the extraction of the quality features, the raw data are categorized by experts and then image processing algorithms for machine recognition are developed. Methods from the fields of machine learning and deep learning are used. Subsequently, the obtained quality data can be merged with the machine data and a model for machine control can be derived. For this purpose, regression models are created using machine learning methods and their mapping of the cause-and-effect relationships is compared with the measured data and expert knowledge to determine the required complexity. The described procedure has already been developed and tested within a previous funded project. The system is now to be extended, Implemented and evaluated in the planned project, so that after completion of the project the final development into a product and its market launch can take place. For this purpose, the main requirement is the extension of the data set so that the image processing models function independently of the environmental conditions and the system limits and the complexity of the control system can be defined and evaluated. The work shedule is divided into three work phases, which build on each other and are based on the exp |
| Laufzeit: | Beginn: 23.09.2020 / Ende: 30.04.2022 |
| Ausf. Einrichtung: | CLK GmbH, Altenberge |
| Themenfelder: | Pflanzenbau, crop production |
| Förderprogramme: | Innovationsförderung aus Mitteln des Zweckvermögens des Bundes bei der Landwirtschaftlichen Rentenbank |
| Schlagworte: | Energieeffizienz, energy efficiency, Ackerbau, crop production, Landtechnik, agricultural engineering, Präzise Landwirtschaft, precision farming, Zuckerrübe, sugar beet, Kulturverfahren, cultivation, Modellierung, modeling |
| Förderkennzeichen: | 28ZDP07B20 |
| Dokument zum Download: | Kein Dokument vorhanden! |
Kontakt: |
Benutzen Sie unser Kontaktformular
oder E-Mail an innovation@ble.de |
Erweiterte Suche
Hier gibt es die Möglichkeit, nach Stichworten, Themenfeldern, Projektstatus, Förderprogrammen, Laufzeiten und Einrichtungen zu suchen:
