KI prüft Zuckerrüben: AIT startet digitale Qualitätskontrolle
"SemanticSugarBeets" für objektive Bewertung von Zuckerrübenchargen
Forschende des AIT präsentieren mit „SemanticSugarBeets“ ein öffentlich verfügbares KI-basiertes Verfahren zur automatisierten Qualitätsbewertung von Zuckerrüben. Grundlage ist ein neu entwickelter Bilddatensatz in Kombination mit einer zweistufigen Analyse. Damit können zentrale Parameter wie Schäden, Schmutz und Masse fundiert beurteilt werden.
Das System eröffnet neue Möglichkeiten für eine objektive und skalierbare Qualitätsbestimmung sowie eine präzisere Ertragseinschätzung – sowohl in der Landwirtschaft als auch in der Verarbeitung. So lässt sich der Ressourceneinsatz entlang der gesamten Wertschöpfungskette effizienter gestalten.
Ob im Eis, im gekühlten Fruchtsaft oder im erfrischenden Softdrink – gerade jetzt im Sommer ist Zucker für viele Menschen ein unverzichtbarer Bestandteil des Alltags. In Österreich wird Zucker vorwiegend aus heimischen Zuckerrüben gewonnen, die jedes Jahr geerntet, zwischengelagert und zu Zucker verarbeitet werden.
Doch während der Lagerung kann wertvoller 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. Gleichzeitig fehlten bisher sowohl geeignete Bilddatensätze als auch spezialisierte KI-Methoden für eine objektive und automatisierte Bewertung.
Eine solche Bewertung ist jedoch als fundierte Grundlage für die Einschätzung des zu erwartenden Zuckerertrags und zur gezielten Optimierung der Lagerungsbedingungen entscheidend.
SemanticSugarBeets: KI für objektive Bewertung von Zuckerrübenchargen
Mit "SemanticSugarBeets" stellt das AIT Austrian Institute of Technology 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,“ so Gerardus Croonen, der das Projekt am AIT Austrian Institute of Technology (AIT) leitet. Croonen ist Experte für Sensorik und optische Inspektion am AIT Center for Vision, Automation & Control.
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.
Die von den Forschenden entwickelte, zweistufige Analyse kombiniert eine effiziente Erkennung einzelner Zuckerrüben mit einer präzisen automatischen Maskierung von Bereichen, die beispielsweise Blattreste, Schnittflächen oder Fäulniszonen enthalten. Die Methode erzielt eine beeindruckende 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.
Offen für neue Felder – Einladung an die Fachwelt
Künftig soll das Projekt um weitere Umweltbedingungen und andere Feldfrüchte wie Karotten oder Kartoffeln erweitert werden.
Forschende und Unternehmen sind nun eingeladen, die öffentlich zugänglichen Modelle und Datensätze zu nutzen, zu erproben und gemeinsam weiterzuentwickeln.
Datensatz und Code: github.com/semanticsugarbeets/semanticsugarbeets (Schluss)
Das System eröffnet neue Möglichkeiten für eine objektive und skalierbare Qualitätsbestimmung sowie eine präzisere Ertragseinschätzung – sowohl in der Landwirtschaft als auch in der Verarbeitung. So lässt sich der Ressourceneinsatz entlang der gesamten Wertschöpfungskette effizienter gestalten.
Ob im Eis, im gekühlten Fruchtsaft oder im erfrischenden Softdrink – gerade jetzt im Sommer ist Zucker für viele Menschen ein unverzichtbarer Bestandteil des Alltags. In Österreich wird Zucker vorwiegend aus heimischen Zuckerrüben gewonnen, die jedes Jahr geerntet, zwischengelagert und zu Zucker verarbeitet werden.
Doch während der Lagerung kann wertvoller 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. Gleichzeitig fehlten bisher sowohl geeignete Bilddatensätze als auch spezialisierte KI-Methoden für eine objektive und automatisierte Bewertung.
Eine solche Bewertung ist jedoch als fundierte Grundlage für die Einschätzung des zu erwartenden Zuckerertrags und zur gezielten Optimierung der Lagerungsbedingungen entscheidend.
SemanticSugarBeets: KI für objektive Bewertung von Zuckerrübenchargen
Mit "SemanticSugarBeets" stellt das AIT Austrian Institute of Technology 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,“ so Gerardus Croonen, der das Projekt am AIT Austrian Institute of Technology (AIT) leitet. Croonen ist Experte für Sensorik und optische Inspektion am AIT Center for Vision, Automation & Control.
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.
Die von den Forschenden entwickelte, zweistufige Analyse kombiniert eine effiziente Erkennung einzelner Zuckerrüben mit einer präzisen automatischen Maskierung von Bereichen, die beispielsweise Blattreste, Schnittflächen oder Fäulniszonen enthalten. Die Methode erzielt eine beeindruckende 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.
Offen für neue Felder – Einladung an die Fachwelt
Künftig soll das Projekt um weitere Umweltbedingungen und andere Feldfrüchte wie Karotten oder Kartoffeln erweitert werden.
Forschende und Unternehmen sind nun eingeladen, die öffentlich zugänglichen Modelle und Datensätze zu nutzen, zu erproben und gemeinsam weiterzuentwickeln.
Datensatz und Code: github.com/semanticsugarbeets/semanticsugarbeets (Schluss)
4.485 Anschläge
-
Empfehlen
-
Drucken
-
PDF downloaden
-
RTF downloaden