Darstellung, wie Zuckerrüben analysiert werden.
AIT
Während der Lagerung der Rüben kann Zucker verloren gehen – insbesondere durch Schäden, die während der Ernte entstanden sind, sowie durch Fäulnis oder Schimmelbildung. Die Qualitätskontrolle der Rüben erfolgt bislang meist manuell und subjektiv. «Ein Verfahren, das schwer skalierbar ist», schreiben die Forschenden.
Automatisierte Kontrolle
Gleichzeitig fehlten bisher sowohl geeignete Bilddatensätze als auch spezialisierte KI-Methoden für eine objektive und automatisierte Bewertung. Eine solche Bewertung sei jedoch als fundierte Grundlage für die Einschätzung des zu erwartenden Zuckerertrags und zur gezielten Optimierung der Lagerungsbedingungen entscheidend, heisst es in der Mitteilung des Austrian Institutes of Technology.
Mit «SemanticSugarBeets» stellen die österreichischen Forscher eine neue Methode zur automatisierten, visuellen Inspektion von Zuckerrüben vor. Ziel ist es, die Qualitätskontrolle entlang der Wertschöpfungskette zu verbessern, Zuckerverluste zu minimieren und die Lagerung sowie Verarbeitung deutlich effizienter zu gestalten. «Mit unserer Expertise in der KI-basierten Objekterkennung, der Entwicklung öffentlich zugänglicher Datensätze und leicht umsetzbarer Technologien leisten wir einen wichtigen Beitrag zur Digitalisierung in der Landwirtschaft,» sagt Gerardus Croonen, der das Projekt am AIT Austrian Institute of Technology (AIT) leitet.
Erkennungsgenauigkeit von 98,8 %
Kernstück des Projekts ist ein umfassender, öffentlich zugänglicher Bilddatensatz mit rund 3’000 Zuckerrüben und über 950 hochaufgelösten Bildern. Diese wurden unter unterschiedlichen Umgebungsparametern – beispielsweise unter verschiedenen Beleuchtungs- und Witterungsbedingungen – sowie in drei verschiedenen Prozessstufen aufgenommen: manuelle Ernte, maschinelle Ernte und Lagerung nach 90 Tagen. Alle Aufnahmen sind mit mehreren relevanten Qualitätsmerkmalen annotiert.
Mit der KI-Anwendung können zentrale Parameter wie Schäden, Schmutz und Masse fundiert beurteilt werden.
AIT
Die von den Forschenden entwickelte, zweistufige Analyse kombiniert eine Erkennung einzelner Zuckerrüben mit einer präzisen automatischen Maskierung von Bereichen, die beispielsweise Blattreste, Schnittflächen oder Fäulniszonen enthalten. Die Methode erzielt eine Erkennungsgenauigkeit von 98,8 % für die Rübenerfassung und 64 % für die semantische Zuordnung einzelner Qualitätsparameter.
Darüber hinaus ermöglicht das System eine realistische Abschätzung der Masse einzelner Zuckerrüben – basierend auf ihrem Flächeninhalt und eines im Bild erfassten Referenzmasses.
So wird eine automatisierte, objektive und skalierbare Bewertung ganzer Rübenchargen möglich – mit direktem Nutzen für landwirtschaftliche Betriebe ebenso wie für industrielle Verarbeiter.
Künftig soll das Projekt um weitere Umweltbedingungen und andere Feldfrüchte wie Karotten oder Kartoffeln erweitert werden.
