Robotisert innhøstingssystem for jordbær

SHAPE-prosjektet skal utvikle et full autonom hogstmaskin for jordbærproduksjon i polytunneler og åpne jorder.

Mangel på arbeidskraft er en av de største bekymringene for jordbærdyrkere over hele verden. Det er derfor behov for ny teknologi for å hjelpe dyrkere med å automatisere denne prosessen. SHAPE-prosjektet bygger på eksisterende utvikling innen konsortiet som setter oss i en unik posisjon til å lukke de teknologiske hullene som trengs for å gjøre disse systemene nyttige for bønder over hele verden.

Den første utfordringen som må løses er robust og pålitelig mobilitet i felten, som er et ustrukturert miljø. Konsortiet har allerede utviklet Thorvald-roboten, som er i stand til å bevege seg autonomt både i polytunneler og i åpne felt.

Den andre store utfordringen er identifisering og plukking av jordbæret ved hjelp av en robotarm. Fruktene må være nøyaktig lokalisert i feltet. Vi finner fruktene ved hjelp av et dypt nevralt nettverk og finner plasseringen i det tredimensjonale rommet ved hjelp av 3D-kamera. Vi vil også utvikle metoder for å bestemme modenheten før plukking av bæret. Konsortiet har også utviklet en ny og patentsøkt griper som skal brukes i prosjektet. Griperen plukker bærene ved å omfavne dem helt før de plukkes. Dette gjør oss i stand til å plukke potensielt bevegelige bær.

Vi vil også utstyre denne griperen med interne sensorer som kan anslå bærenes modenhet og vurdere kvaliteten i et lukket og kontrollert miljø før høsting. Avansert maskinlæring vil bli brukt for å gi roboten muligheten til å resonnere og ta beslutninger i felten, noe som vil forbedre den nåværende toppmoderne ved å inspisere hvert eneste bær før plukking. Dette vil garantere at syke bær ikke plukkes og sikre online kvalitetskontroll og gradering av bærene.

Til slutt vil den fullstendige logistikken på og utenfor roboten til de høstede bærene utvikles.

Målet med SHAPE-prosjektet har vært å utvikle en autonom jordbærhøster for produksjon i polytunneller og åpne marker.

Mangel på manuell arbeidskraft er en av de store utfordringene for jordbær-dyrkere rundt i verden, det er behov for ny teknologi for å hjelpe dyrkerne til å automatisere denne prosessen. Prosjektet er bygd opp rundt den allerede utviklede roboten Thorvald ved NMBU, samt kunnskap om avansert bildeanalyse av frukt ved universitetet i Lincoln og ved universitetet i Minnesota. Konsortiet hadde allerede utviklet en jordbærplukker som er blitt brukt i prosjektet.

En av de største utfordringene for å nå autonom høsting er identifiseringen og plukkingen av jordbærene ved hjelp av en robot-arm. Bærene må være korrekt lokalisert i feltet. I SHAPE-prosjektet har vi oppnådd en forbedret og mer robust høsting av bær. Innføringen av en ny metode for å følge etter og plukke bær i dynamiske clustere, og arbeidet med å forsterke teknikken for hinder-separering har økt presisjonen på plukkingen. Implementering og tester av disse nye algoritmene i polytunnelen ved NMBU har vist at jordbærhøsteren er effektiv og pålitelig, og i stand til å arbeide kontinuerlig for over 80 minutter, noe som er et signifikant gjennombrudd.

Prosjektet tok også sikte på å utvikle metoder for å bestemme modenhet før plukking et bær. Griperen var utstyrt med interne sensorer som kan estimere bærenes modenhet og vurdere kvaliteten i et lukket og kontrollert miljø før høsting. Avansert maskinlæring har blitt brukt for å gi roboten muligheten til å resonnere og ta beslutninger i feltet, noe som gjør den istand til å inspisere hvert eneste bær før plukking. Dette vil garantere at syke bær ikke plukkes og sikre online kvalitetskontroll og gradering av bærene. Konsortiet har også laget og testet en ny og universell ikke-overvåket segmentering for frukt. Denne metoden har gitt oppmuntrende resultater, men de avanserte overvåkede algoritmene som brukes i dag overgår fortsatt denne nye og universelle metoden.

Parallelt med arbeidet med robotgriperen har det vært en del arbeid med å utvikle en infrastruktur for datainnsamling i felt. Mens roboten krysser jordbærtunnelen, samler den automatisk inn data fra flere kameraer og lagrer bildene på en ekstern server hvor de enkelt kan lastes ned av forskningsmiljøet.