Echtzeit-Optimierung in der landwirtschaftlichen Produktion: Smart-Harvesting-Services und EdgeAI

摘要

Die Landwirtschaft steht, wie auch viele andere Branchen, vor der Herausforderung, beteiligte Unternehmen und Maschinen digital zu vernetzen, um Maschinenkombinationen oder komplette Prozessketten moglichst in Echtzeit zu optimieren. Mit dem Einsatz intelligenter und vernetzter Produkte, sogenannter cyberphysischer Systeme (CPS), wurde diese Entwicklung in der Landwirtschaft bereits angestossen. Mittels CPS werden Daten gesammelt, die verdichtet in Smart Services integriert werden konnen, die den Mehrwert fur den Kunden bzw. Anwender der Maschinen erhohen, indem sie z.B. die Produktivitat einzelner Maschinen steigern. Eine Verknupfung vieler solcher CPS im Sinne von Industrie 4.0 kann die Entwicklung von Smart Services zur Entscheidungsunterstutzung in der landwirtschaftlichen Produktion ermoglichen. Der Beitrag beschreibt die Anwendung eines Smart-Harvesting-Service, welcher auf Smarten Daten beruht, die uber eine intelligente "schmerzempfindliche" Kartoffel (nPotato) erfasst werden. Eine nPotato ist ein kunstliches Objekt, welches vom Gewicht und der Grosse einer echten Kartoffel ahnelt. Zusatzlich ist diese mit Sensorik ausgestattet, welche Daten erfasst, die Schlage und Rotationen zu erfassen hilft. Vor der Ernte auf dem Feld ausgelegt und anschliessend im regularen Erntebetrieb durch den Kartoffelroder aufgenommen, werden die Daten der nPotato in Echtzeit auf der Landmaschine analysiert und die gewonnenen Erkenntnisse im Sinne einer Mensch-Maschine-Zusammenarbeit verschiedenen Nutzergruppen personalisiert in Echtzeit zur Entscheidungsunterstutzung angeboten. So erhalten Fahrer einer landwirtschaftlichen Maschine, Landwirte und ggf. auch der Maschinenhersteller unterschiedliche Ein- und Uberblicke zum Erntebetrieb. Die nPotato erfasst Beschleunigungs- und Rotationsereignisse in Echtzeit, um diese entsprechend dem Kartoffeltyp in Schlage auf die Kartoffel umzurechnen, die wiederum mittels eines maschinellen Lernmodells klassifiziert werden. Ergebnisse werden mit einem zweiten statistischen Lernverfahrens gekoppelt, welches historische Kartoffelpreise der vergangenen Jahre dazu nutzt, um monatliche Durchschnittspreise fur die nachsten drei Monate zu prognostizieren. Die Ergebnisse beider Dienste werden in einen prognostizierten finanziellen Ertragswert integriert. Dadurch kann der Landwirt in Echtzeit auf den vorhergesagten Ertragswert der aktuellen Ernte im gewunschten Zielmonat zugreifen. Falls die Prognose des Anteils beschadigter Kartoffeln oberhalb des maximalen Zielwertes liegt, kann der Landwirt unmittelbar mit dem Fahrer der Maschine Kontakt aufnehmen, um beispielsweise eine schonendere Einstellung der Erntemaschine vorzunehmen oder gemeinsam mit dem Fahrer einen erweiterten Zeitraum fur die Ernte zu vereinbaren. Somit wird ein Smart Service zur Qualitatssicherung in der Produktion mit einem finanztechnischen Smart Service integriert, wodurch Nutzer unmittelbar aktuelle Produktion mit prognostiziertem Ertrag als Ganzes uberschauen konnen. Technische Basis dieser integrierten Smart Services bildet eine EdgeAI-Plattform, welche Module der kunstlichen Intelligenz auf dezentralen Geraten verteilt und uber lokale peer-topeer Protokolle integriert. Hinzu kommen Schnittstellen zu Cloud-Services, um lokale Daten zentral integriert zu verarbeiten. In diesem Artikel wird auf die dezentrale Datenverarbeitung und lokaler peer-to-peer Kommunikation fokussiert. Der Einsatz der Smart Services in verteilten Umgebungen wird am Beispiel der Kartoffelproduktion erlautert und mit Ergebnissen eines Feldversuchs untermauert.