Maschinelle Beurteilung agronomischer Arbeitsqualität als Grundlage für die Verhaltensgenerierung automatisierter Landmaschinen

Więcej o książce

Hochautomatisierte Landmaschinen sind bald marktreif und agieren unabhängig vom Menschen, indem sie Entscheidungen autonom treffen. Die Aufgaben eines Maschinenführers lassen sich in „Fahren“ und „Steuern und Überwachen des Arbeitsprozesses“ unterteilen. Diese Arbeit fokussiert sich auf die Automatisierung der Teilaufgabe „Steuern und Überwachen“ am Beispiel des Grubberns. Durch Feldtests wird die Relevanz des Ansatzes belegt. Der Schwerpunkt liegt auf der agronomischen Arbeitsqualität, die systematisch untersucht wird, um eine Definition des Begriffs „Arbeitsqualität“ zu entwickeln. Diese bezieht sich auf den Bodenbedeckungsgrad von Ernteresten oder Biomasse auf dem Feld. Ein Modell zur Beschreibung der Gesamtarbeitsaufgabe wird erarbeitet, gefolgt von einem technischen Grundgerüst zur Automatisierung der Teilaufgabe. Dieses Grundgerüst umfasst eine zu entwickelnde Sensorik und ein Regelungskonzept. Für die Sensorik zur Messung des Bedeckungsgrades wird ein bildgebendes Verfahren mit einer monokularen Kamera gewählt, wobei Methoden des maschinellen Sehens und Lernens untersucht werden. Ein Deep Learning Ansatz zeigt sich als der geeignetste. Ein einfaches Klassifizierungsverfahren zur Erkennung von Luftstaubkonzentrationen wird ebenfalls entwickelt. Im Bereich Regelungstechnik wird das Grundgerüst verfeinert und ein kaskadiertes Regelungskonstrukt erstellt. Ein Split-Range-Ansatz wird auf Stabilität getestet und implementiert