Martin Schmidt

Maschinelle Beurteilung agronomischer Arbeitsqualität als Grundlage für die Verhaltensgenerierung automatisierter Landmaschinen


voorkant	achterkant

ISBN:

978-3-8440-8945-5

Reeks:

Ingenieurwissenschaften (Bauingenieur, Maschinenbau, Architektur,...)

Trefwoorden:

Autonomie; Automatisierung; Landtechnik; Künstliche Intelligenz; Regelungstechnik; Verfahrenstechnik in der Pflanzenproduktion; Agonomische Arbeitsqualität

Soort publicatie:

Dissertatie

Taal:

Duits

Pagina's:

272 pagina's

Gewicht:

356 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

49,80 € / 62,30 SFr

Verschijningsdatum:

Februari 2023

Kopen:

DOI:

10.2370/9783844089455 (Online-Publicatie-Document)

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		37,35 EUR
	Acties		Tonen en kopen van het bestand - 13,6 MB (14224571 Byte)
	Acties		Kopen en downloaden van het bestand - 13,6 MB (14224571 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 261 kB (267513 Byte)
	Acties		downloaden van het bestand - 261 kB (267513 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Hochautomatisierte Landmaschinen sind keine Fiktion mehr und werden in den nächsten Jahren marktreif verfügbar sein. Solche Landmaschinen sind im Betrieb nicht mehr auf den Menschen angewiesen und werden eigenständig Entscheidungen treffen und umsetzen. Betrachtet man das Aufgabenspektrum einer maschinenführenden Person bei der Ausführung der Feldarbeit, so lässt sich die Gesamtaufgabe in die Teilaufgaben „Fahren“ und „Steuern und Überwachen des Arbeitsprozesses“ unterteilen. In der vorliegenden Arbeit wird exemplarisch am ausgewählten Verfahren Grubbern ein Ansatz für die Automatisierung der angesprochenen Teilaufgabe „Steuern und Überwachen des Arbeitsprozesses“ erarbeitet. Durch Feldtests wird dessen Relevanz nachgewiesen.

Der zentrale Punkt der Automatisierung der angesprochenen Teilaufgabe ist die agronomische Arbeitsqualität. Diese wird für das ausgewählte Verfahren zuerst systematisch untersucht. Auf dieser Grundlage wird eine für die vorliegende Arbeit gültige Definition des Begriffs „Arbeitsqualität“ vorgenommen. Hierbei handelt es sich um einen vom Menschen zu definierenden Bodenbedeckungsgrad von Ernteresten oder sonstiger Biomasse auf dem Feld.

Ausgehend von einer systematischen Analyse der Aufgaben der maschinenführenden Person bei der Feldarbeit wird ein Modell zur Beschreibung der Gesamtarbeitsaufgabe erarbeitet. Darauf basierend wird ein technisches Grundgerüst für die Automatisierung der Teilaufgabe „Steuern und Überwachen des Arbeitsprozesses“ erarbeitet.

Das technische Grundgerüst lässt sich weitergehend in eine zu erarbeitende Sensorik und ein zu erarbeitendes Regelungskonzept unterteilen. Für die zu erarbeitende Sensorik zur Messung des Bedeckungsgrades wird ein bildgebendes Verfahren mit einer monokularen Kamera ausgewählt. Hierbei werden Methoden des maschinellen Sehens und des maschinellen Lernens untersucht und miteinander verglichen. Ein Deep Learning Ansatz erweist sich in Tests als der geeignetste Ansatz. Zusätzlich wird noch ein einfaches Klassifizierungsverfahren zur Erkennung signifikanter Luftstaubkonzentrationen im Bild entwickelt, basierend auf Deep Learning. Im regelungstechnischen Teil wird das erarbeitete technische Grundgerüst weiter verfeinert und ein kaskadiertes Regelungskonstrukt entwickelt. Hierbei wird auf der Grundlage von Feldversuchen zur Charakterisierung der Regelstrecke ein Split-Range-Ansatz erarbeitet. Der Ansatz wird auf Stabilität untersucht und implementiert. Da zur Umsetzung des erarbeiteten technischen Grundgerüsts mehr Funktionen notwendig sind als nur der reine Regelkreis, beispielsweise für den Umgang mit signifikanten Konzentrationen von Luftstaub, wird ein gesamtheitliches Konzept zur „Verhaltensgenerierung“ entwickelt.

Die entwickelten Deep Learning Modelle und das Konzept zur Verhaltensgenerierung werden abschließend in umfangreichen Feldversuchen auf verschiedenen Feldern mit unterschiedlichen Pflanzenarten erfolgreich getestet und verifiziert.