Skip to main content
SpringerLink
Log in

Bildgebende Sensorsysteme für robotische Systeme in der Agrar- und Landtechnik

Machine vision systems for robotic systems in agricultural robotics and agricultural engineering

  • Originalarbeit
  • Published:
e & i Elektrotechnik und Informationstechnik Aims and scope Submit manuscript

Zusammenfassung

Auch in der Landwirtschaft beginnt sich zunehmend ein höherer Grad an Automatisierung durchzusetzen. Hier spielen speziell Roboter eine wichtige Rolle, da auf Äckern, Feldern und im Wald eine hohe Variabilität gegeben ist und entsprechend eine hohe Flexibilität bei den eingesetzten Systemen gefordert wird. Einen sehr hohen Stellenwert nimmt hier vor allem die Sensorik ein, da eine korrekte Erfassung der Umwelt sowie der zu bearbeitenden Bereiche Grundvoraussetzung für ein erfolgreiches System ist. In dieser Arbeit werden exemplarisch realisierte Sensorlösungen auf Basis bildgebender Systeme vorgestellt, die in der Agrarrobotik sowie in der Landtechnik zukünftig hohes Einsatzpotenzial haben werden. Ihre Leistungen im Einsatz werden beurteilt, evaluiert und auf dieser Basis Anforderungen und Herausforderungen für zukünftige Systeme in diesem Segment diskutiert.

Abstract

In agriculture, a higher degree of automation is increasingly beginning to become accepted. Robots play an important role, as a high variability is achieved on fields and in the forest, and high flexibility is required for the systems used. The sensor technology plays a very important role in this respect since a correct interpretation of the environment as well as of the areas to be processed is the basic prerequisite for a successful system. In this paper, exemplary sensor solutions based on vision systems are presented, which will have a high potential for usage in agricultural robotics as well as in agricultural technology. Their achievements in use are assessed and evaluated. Furthermore, requirements and challenges for future systems in this segment are discussed.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1.
Abb. 2.
Abb. 3.
Abb. 4.
Abb. 5.
Abb. 6.
Abb. 7.
Abb. 8.

Literatur

  1. Auernhammer, H. (2014): Precision Farming – gestern, heute, morgen. In Sensoren, Modelle: Erntetechnik Kolloquium zur Verabschiedung von Dr. Ehlert (S. 5).

    Google Scholar 

  2. Ball, D., Ross, P., English, A., Patten, T., Upcroft, B., Fitch, R., Sukkarieh, S., Wyeth, G., Corke, P. (2015): Robotics for sustainable broad-acre agriculture. In Field and service robotics (S. 439–453). Berlin: Springer.

    Google Scholar 

  3. Du, R., Gong, B., Liu, N., Wang, C., Yang, Z., Ma, M. (2013): Design and experiment on intelligent fuzzy monitoring system for corn planters. Int. J. Agricult. Biol. Eng., 6(3), 11–18.

    Google Scholar 

  4. English, A., Ball, D., Ross, P., Upcroft, B., Wyeth, G., Corke, P. (2013): Low cost localisation for agricultural robotics. In Proceedings of the 2013 Australasian conference on robotics & automation (S. 1–8). Sydney: Australian Robotics & Automation Association.

    Google Scholar 

  5. English, A., Ross, P., Ball, D., Corke, P. (2014): Vision based guidance for robot navigation in agriculture. In 2014 IEEE international conference on robotics and automation, ICRA (S. 1693–1698). New York: IEEE Press.

    Chapter  Google Scholar 

  6. Feng, Q., Wand, X., Zheng, W., Qiu, Q., Jiang, K. (2012): A new strawberry harvesting robot for elevated-trough culture. Int. J. Agricult. Biol. Eng., 5(2), 1–8.

    Google Scholar 

  7. Fitzgerald, G., Rodriguez, D., O’Leary, G. (2010): Measuring and predicting canopy nitrogen nutrition in wheat using a spectral index—the canopy chlorophyll content index (CCCI). Field Crops Res., 116, 318–324.

    Article  Google Scholar 

  8. Hofstee, J. W., Nieuwenhuizen, A. T. (2014): Field applications of automated weed control: northwest Europe. In Automation: the future of weed control in cropping systems (S. 171–187). Berlin: Springer.

    Chapter  Google Scholar 

  9. Hu, J., Li, T. (2014): Cascaded navigation control for agricultural vehicles tracking straight paths. Int. J. Agricult. Biol. Eng., 7(1), 36–44.

    Google Scholar 

  10. Humenberger, M., Hartermann, D., Kubinger, W. (2007): Evaluation of stereo matching systems for real world applications using structured light for ground truth estimation. In Proceedings of the tenth IAPR conference on machine vision applications (MVA2007). (S. 433–436). Tokyo: MVA Conference Committee.

    Google Scholar 

  11. Humenberger, M., Zinner, C., Weber, M., Kubinger, W., Vincze, M. (2010): A fast stereo matching algorithm suitable for embedded real-time systems. Comput. Vis. Image Underst., 114(11), 1180–1202.

    Article  Google Scholar 

  12. International Organization for Standardization: (2016): ISO/DIS 18497:2016: Landwirtschaftliche Maschinen und Traktoren – Sicherheit hochautomatisierter Maschinen.

  13. Izdepskyi, I., et al. (2016): Analysis of current and expected future capability of European Union in robotics technology for agriculture domain. In Managing innovation and diversity in knowledge society through turbulent time: proceedings of the MakeLearn and TIIM joint international conference 2016 (S. 925–934). Bangkok: ToKnowPress.

    Google Scholar 

  14. Lehnert, C., McCool, C., Perez, T. (2017): Lessons learnt from field trials of a robotic sweet pepper harvester. Preprint, arXiv:1706.06203.

  15. Manderson, A., Hunt, C. (2013): Introducing the agri-rover: an autonomous on-the-go sensing rover for science and farming. accurate and efficient use of nutrients on farms. Occas. Rep., 26, 14.

    Google Scholar 

  16. McCarthy, C. L., Hancock, N. H., Raine, S. R. (2010): Applied machine vision of plants: a review with implications for field deployment in automated farming operations. Intell. Serv. Robot., 3(4), 209–217.

    Article  Google Scholar 

  17. Mehta, P. (2016): Automation in agriculture: agribot the next generation weed detection and herbicide sprayer—a review. J. Basis Appl. Eng. Res., 3(3), 234–238.

    Google Scholar 

  18. Meltebrink, C., Linz, A., Ruckelshausen, A. (2016): ROS-basiertes Validierungskonzept für Sicherheitskonzepte von autonomen Agrarrobotern. In GIL Jahrestagung (S. 121–124).

    Google Scholar 

  19. Möller, K., Ruckelshausen, A. (2015): Datenmanagement für Ultra-High-Precision-Phenotyping in Feldversuchen. In GIL Jahrestagung (S. 117–120).

    Google Scholar 

  20. Okamoto, H., Suzuki, Y., Noguchi, N. (2014): Field applications of automated weed control: Asia. In Automation: the future of weed control in cropping systems (S. 189–200). Berlin: Springer.

    Chapter  Google Scholar 

  21. Pedersen, S., Fountas, S., Have, H., Blackmore, B. (2006): Agricultural robots—system analysis and economic feasibility. Precis. Agric., 7, 295–308.

    Article  Google Scholar 

  22. Peschak, B., Wöber, W., Otrebski, R., Sulz, C., Thalhammer, S. (2017): Sensorfusion für landwirtschaftliche Applikationen. In GIL Jahrestagung (S. 109–112).

    Google Scholar 

  23. Richards, D., Patten, T., Fitch, R., Ball, D., Sukkarieh, S. (2015): User interface and coverage planner for agricultural robotics. In Proceedings of ARAA Australasian conference on robotics and automation (ACRA).

    Google Scholar 

  24. Robert, M., Lang, T. (2013): Entwicklung von simulationsgestützten Algorithmen für die Innenbewirtschaftungsrobotik. Landtechnik, 68(4), 278–280.

    MathSciNet  Google Scholar 

  25. Rodríguez, F., Moreno, J., Sánchez, J., Berenguel, M. (2013): Grasping in agriculture: state-of-the-art and main characteristics. In Grasping in robotics (S. 385–409). Berlin: Springer.

    Chapter  Google Scholar 

  26. Ruckelshausen, A. (2014): Neue Sensorentwicklungen – ein technischer Blick auf Pflanzen, Sensoren und Daten. J. Kulturpfl., 66(2), 73–79.

    Google Scholar 

  27. Ruckelshausen, A., Höh, A., Linz, A. (2017): Aus- und Weiterbildungskonzepte zu bildgebende Sensorsystemen. In 23. Workshop Computerbildanalyse in der Landwirtschaft.

    Google Scholar 

  28. Scholz, C., Strothmann, W., Lankenau, F., Schmunkamp, D., Sellmann, F., Ruckelshausen, A. (2016): Sensorteststand zur Evaluierung bildgebender Sensoren mit dynamisch-reproduzierbaren Störgrößen In 22. Workshop Computer-Bildanalyse in der Landwirtschaft.

    Google Scholar 

  29. Schueller, J. K. (2014): Engineering advancements. In Automation: the future of weed control in cropping systems (S. 35–49). Berlin: Springer.

    Chapter  Google Scholar 

  30. Slaughter, D. C. (2014): The biological engineer: sensing the difference between crops and weeds. In Automation: the future of weed control in cropping systems (S. 71–95). Berlin: Springer.

    Chapter  Google Scholar 

  31. Sreekantha, D. (2016): Automation in agriculture: a study. Int. J. Eng. Sci. Invent. Res. Dev., 12(12), 823–833.

    Google Scholar 

  32. Strothmann, W., Tsukor, V., Ruckelshausen, A. (2015): In-Field-Labeling-HMI für automatische Klassifizierung bei der Pflanzen- und Erntegutcharakterisierung mittels bildgebender Sensordaten. In GIL Jahrestagung (S. 177–180).

    Google Scholar 

  33. Wöber, W., Otrebski, R., Peschak, B., (2016): ASK: Entwicklung eines modularen Systems zur Automatisierung landwirtschaftlicher Maschinen. In GIL Jahrestagung (S. 221–224).

    Google Scholar 

  34. Young, S. L., Meyer, G. E., Woldt, W. E. (2014): Future directions for automated weed management in precision agriculture. In Automation: the future of weed control in cropping systems (S. 249–259). Berlin: Springer.

    Chapter  Google Scholar 

  35. Young, S. L., Pierce, F. J., Nowak, P., (2014): Introduction: scope of the problem—rising costs and demand for environmental safety for weed control. In Automation: the future of weed control in cropping systems (S. 1–8). Berlin: Springer.

    Chapter  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. FH Technikum Wien, Höchstädtplatz 6, 1200, Wien, Österreich

    Wilfried Kubinger

  2. PAS PESCHAK AUTONOME SYSTEME GmbH, Wienerstraße 62, 3701, Großweikersdorf, Österreich

    Bernhard Peschak, Wilfried Wöber & Clemens Sulz

Authors
  1. Wilfried Kubinger
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Bernhard Peschak
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Wilfried Wöber
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Clemens Sulz
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Wilfried Kubinger.

Additional information

Diese Arbeit wurde teilweise durch die MA23 der Stadt Wien im Rahmen des Projektes 16-02 „Photonik: Grundlagen und industrielle Anwendungen“ unterstützt.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Kubinger, W., Peschak, B., Wöber, W. et al. Bildgebende Sensorsysteme für robotische Systeme in der Agrar- und Landtechnik. Elektrotech. Inftech. 134, 316–322 (2017). https://doi.org/10.1007/s00502-017-0513-3

Download citation

  • Received:

  • Accepted:

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s00502-017-0513-3

Schlüsselwörter

Keywords

Search

Navigation