-
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur Planung von landwirtschaftlichen Maßnahmen zur Durchführung auf einem Feld.
-
Stand der Technik
-
In heutiger Zeit erfolgt vor der Durchführung eines unter verschiedenen Gesichtspunkten optimierten, landwirtschaftlichen Arbeitsvorgangs üblicherweise eine Planung von Feldarbeiten durch automatische Datenverarbeitungssysteme. Diese Planung kann lediglich die abzufahrende Route (
EP 2 927 767 A2 ) oder den Zeitpunkt und die Art der landwirtschaftlichen Maßnahme und ggf. Einstellwerte für die dazu benutzten Maschinen betreffen (vgl. beispielsweise
EP 2 575 103 A1 ,
US 2014/0012732 A1 ,
US 2016/0078375 A1 ,
US 2017/0061299 A1 ,
US 2017/0061050 A1 ,
US 2017/0061299 A1 ,
WO 2017/060168 A1 ,
WO 2019/081567 A1 ).
-
Die Planungssoftware benötigt Eingaben hinsichtlich der Position der zu bearbeitenden Flächen und möglichst viele und detaillierte Daten, welche diese Fläche betreffen, wie Bodeneigenschaften, Topographie, Eigenschaften der angebauten Pflanzen und ihre bisherige Behandlung und Entwicklung, Wetterbedingungen etc. und ermöglicht es beispielsweise, bei der Durchführung der Maßnahme Dünge- und Pflanzenschutzmittel in positionsspezifisch definierten Mengen auszubringen. Es werden somit für ein Feld, auf dem Düngemittel auszubringen sind, anhand der Bodenart und des bisherigen Ertrags die Mengen an auszubringendem Düngemittel standortspezifisch berechnet und die zum Ausbringen dienende Maschine entsprechend eingestellt. Auf analoge Weise kann die Einstellung von Arbeitsparametem einer Erntemaschine an die lokalen Erntegutbedingungen angepasst werden.
-
Die Planungssoftware kann mit einer künstlichen Intelligenz versehen sein, d.h. selbstlemend arbeiten, indem sie die einlaufenden Daten evaluiert, um darauf basierend die von der Planungssoftware genutzten Modelle o.ä., die neuronale Netzwerke oder ähnliche Instrumente der künstlichen Intelligenz benutzen, fortlaufend durch Lerneffekte zu verbessern, wie in der
US 2017/0061299 A1 und der
US 2017/0061050 A1 beschrieben wird. Auch kann die Planungssoftware die von ihr vorgeschlagene Maßnahmen und die daraus resultierenden Ergebnisse vergleichen, um durch Lernen die Maßnahmen zu verbessern.
-
Die Ergebnisse der Planungssoftware können aber nur dann brauchbar sein, wenn auch die Eingaben und Signale der Sensoren, auf denen sie basiert, hinreichend gut sind. Im Stand der Technik werden die Eingangswerte als gegeben hingenommen und nicht durch die Planungssoftware untersucht, ob sie möglicherweise unkorrekt sind. Dadurch können beispielsweise bei defekten Sensoren oder ungünstigen Bedingungen (bei Nebel aufgenommene Satellitenbilderetc.) durch ungenaue Sensorwerte auch unpassende Ausgabewerte für landwirtschaftliche Maßnahmen die Folge sein. In
US 2017/0061299 A1 und
US 2017/0061050 A1 wird schon das Problem diskutiert, dass bei Sensoren Messfehler auftauchen und subjektive Eingaben von Bedienern nicht unbedingt korrekt sind, und löst dieses Problem dadurch, dass die künstliche Intelligenz in der Lage sein soll, diese Fehler selbst auszugleichen, insbesondere durch das Bereitstellen eines zusätzlichen, der künstlichen Intelligenz übergeordneten Moduls, welches durch brute-force-Techniken sicherstellen soll, dass die Ausgaben des Systems mit den Eingaben des Bedieners konsistent sind. Dadurch werden die besagten Fehler jedoch nicht vermieden, sondern vom System übemommen, was zu nicht korrekten Planungsmaßnahmen führt.
-
Ein Evaluieren der Genauigkeiten von Sensorwerten und ein darauf basierendes Wichten beim Verschmelzen der Sensorwerte ist zwar im Kontext von selbsttätigen Lenksystem (
DE 101 29 135 A1 ,
EP 1 672 390 A1 ) und automatischen Maschinenkontrollsystemen (
EP 2 781 147 A1 ,
O. Kreibich et al., Quality-based multi sensor fusion in an industrial wireless sensor network for MCM, IEEE Transactions on Industrial Electronics, September 2014, Volume 61, Issue 9, P. 4903-4911) an sich bekannt, nicht aber im Kontext landwirtschaftlicher Planungssysteme.
-
Aufgabe
-
Die vorliegende Erfindung hat sich zum Ziel gesetzt, die Nachteile des Standes der Technik zu vermeiden und ein Verfahren und eine Anordnung zur Planung von landwirtschaftlichen Maßnahmen bereitzustellen, welche die erwähnten Nachteile nicht oder in einem verminderten Ausmaß aufweist.
-
Lösung
-
Die vorliegende Erfindung wird durch die Ansprüche definiert.
-
Ein Verfahren zur Planung von landwirtschaftlichen Maßnahmen zur Durchführung auf einem Feld umfasst folgende Schritte:
- (a) Erfassen von Sensorwerten, die einen Parameter des Feldes und/oder darauf angebauter Pflanzen betreffen und/oder oder das Feld und/oder die Pflanzen direkt oder indirekt beeinflussen,
- (b) Evaluieren der Genauigkeit der erfassten Sensorwerte und Bereitstellen von elektronischen Daten hinsichtlich der Genauigkeit der Sensorwerte,
- (c) Übermitteln der Daten und der Sensorwerte an einen Rechner,
- (d) Planen einer oder mehrerer landwirtschaftlicher Maßnahmen durch einen Prozessor des Rechners basierend auf den Sensorwerten und den Daten, wobei die Sensorwerte mit einer von der der ihnen zugeordneten Genauigkeit abhängigen Wichtung bei der Planung berücksichtigt werden.
-
Die Sensorwerte werden fortlaufend und in der Regel über mehrere Jahre inkrementell erstellt. Komplexe Werte und Unterschiede in der Datenqualität an der Quelle, den Erhebungsmethoden und der Auswertung können sich jedoch auf die Zuverlässigkeit der Sensorwerte auswirken. Daher liefert selbst der beste Algorithmus für künstliche Intelligenz bei schlechter Qualität der Sensorwerte bestenfalls mittelmäßige Ergebnisse. Es wird daher vorgeschlagen, nicht nur die Sensorwerte als solche zu nutzen, sondern auch ihre Genauigkeit zu evaluieren und durch die Planungssoftware zu nutzen. Die Roh-Sensorwerte werden an der Quelle oder an anderer geeigneter Stelle auf Zuverlässigkeit geprüft und mit einem Genauigkeitswert versehen, der gemeinsam mit den Sensorwerten oder getrennt davon an den Rechner übermittelt und von der Planungssoftware berücksichtigt wird. Sensorwerte von hoher Qualität werden von der Planungssoftware mit stärkerer Gewichtung verwendet, um die nächste Entscheidung und/oder Lernschritte zu steuern und einen Sensorwert mit niedrigerer Genauigkeit oder Zuverlässigkeit durch eine geringere Berücksichtigung abzuwerten. Andere Sensorwerte oder Eingaben oder Daten (aus nicht mit Daten zur Genauigkeit versehener Quelle) können als Referenz mit niedrigem Genauigkeits- bzw. Zuverlässigkeitswert verwendet werden.
-
Der Rechner kann den Schritt (d) in einer selbstlemenden Weise durchführen, d.h. mit einer künstlichen Intelligenz versehen sein, z.B. mit einem neuronalen Netzwerk.
-
In den Schritten (b) und (c) kann eine Blockchain-Technologie verwendet werden, um es dem Rechner zu ermöglichen, die Echtheit der Daten und der Sensorwerte zu verifizieren. Es wird demnach eine Blockchain für zertifizierte und eingestufte Sensorwerte und andere Eingaben (wie z.B. vorgeprüfte ethische Kriterien) eingerichtet, die als Eingangswerte für das Training der künstlichen Intelligenz verwendet werden können, ohne dass zusätzliche menschliche Eingriffe erforderlich sind. Datenpakete werden in Hash-geschützten Blöcken gesichert. Andere Quellen, die dem verwendeten Protokoll folgen (Dritte, zusätzliche Quellen), können der Kette zusätzliche Blöcke hinzufügen. Die Blöcke können für verschiedene Trainingszwecke für die künstliche Intelligenz verwendet werden. Für die Datenqualität ist kein menschliches Eingreifen erforderlich (aber möglich), um die Sensorwerte zu bewerten und die maschinelle Lerngeschwindigkeit zu verbessern. Die Zertifizierung für gewonnene Daten enthält auch den Herkunftsnachweis der Daten. Durch die Verwendung der Validierungsblockkette kann die Manipulation der Daten und Sensorwerte durch Hacken schwieriger werden, da nur zertifizierte / validierte Daten eine hohe Genauigkeits- oder Zuverlässigkeitsbewertung erhalten können.
-
Im Schritt (b) können die Sensorwerte und/oder Werte unterschiedlicher Sensoren maschinell oder durch menschliche Eingaben evaluiert werden. Die Methoden zur Validierung von Daten können unterschiedlich sein, z. B. Gegenprüfung: a) mit verschiedenen Quellen (verschiedene Sensoren, Daten von Dritten), b) durch Stichprobenprüfung, c) durch geplante Überwachung, d) durch Plausibilitätsprüfung, e) durch Abnormalitätsprüfung, und f) menschliche Überprüfung.
-
Eine Vorrichtung zur Planung von landwirtschaftlichen Maßnahmen zur Durchführung auf einem Feld umfasst:
- (a) einen oder mehrere Sensoren zum Erfassen von Sensorwerten, die einen Parameter des Feldes und/oder darauf angebauter Pflanzen betreffen und/oder das Feld und/oder die Pflanzen direkt oder indirekt beeinflussen,
- (b) Mittel zum Evaluieren der Genauigkeit der erfassten Sensorwerte und Bereitstellen von Daten hinsichtlich der Genauigkeit der Sensorwerte,
- (c) Mittel zum Übermitteln der Daten und der Sensorwerte an einen Rechner,
- (d) einen Rechner mit einem Prozessor, der programmiert ist, eine oder mehrere landwirtschaftliche Maßnahmen basierend auf den Sensorwerten und den Daten zu planen, wobei die Sensorwerte mit einer von der der ihnen zugeordneten Genauigkeit abhängigen Wichtung bei der Planung berücksichtigt werden.
-
Ausführungsbeispiel
-
In der Zeichnung ist ein nachfolgend näher beschriebenes Ausführungsbeispiel der Erfindung dargestellt. Die 1 zeigt eine schematische Darstellung einer Anordnung 10 zur Planung von landwirtschaftlichen Maßnahmen zur Durchführung auf einem Feld.
-
Die Anordnung 10 umfasst generell einen (stationären oder mobilen, im zweiten Fall insbesondere als Handgerät ausgeführten) Rechner 12 mit einem Prozessor 14, eine Anzahl an Sensoren 20, 22, 24, 26, einen Speicher 28, in dem eine Karte abgespeichert ist, die letztlich auch auf Werten von Sensoren beruht, Mittel 30 zur Evaluierung der Genauigkeit der Werte der Sensoren 20 bis 26 und der Sensorwerte des Speichers 28, sowie Mittel 32 zum Übermitteln der Werte der Sensoren 20 bis 26 und der Sensorwerte des Speichers 28 sowie der von den Mitteln 30 evaluierten Daten hinsichtlich der Genauigkeit der Werte der Sensoren 20 bis 26 und der Sensorwerte des Speichers 28 an den Rechner 12.
-
Bei den Sensoren
20 bis
26 kann es sich um beliebige Sensoren handeln, die einen Parameter des Feldes und/oder darauf angebauter Pflanzen betreffen und/oder oder das Feld und/oder die Pflanzen direkt oder indirekt beeinflussen. Die Sensoren
20 bis
26 können beispielsweise Wetterdaten, sensierte Messwerte hinsichtlich der Eigenschaften auf einem bestimmten Feld angebauter Pflanzen (Abmessungen, Feuchtigkeitsgehalt, Farbe), Metadaten, welche die aktuelle Leistung, Realisierung oder Implementierung von Pflanzen, dem Feld, Boden und Einrichtungen (Maschinen) betreffen, wie beispielsweise ob die Pflanzen bewässert wurden oder nicht, welche Pflanzensorte angebaut wird, vorherige Maßnahmen auf dem Feld, wie Bodenbearbeiten, Säen, Düngen, Spritzen, Ernten und zugehörige Erträge, und/oder Bilddaten des Felds, die von einem Satelliten, einer Drohne oder einem bemannten oder unbemannten Erkundungsfahrzeug aufgenommen wurden. In der Karte
28 können beliebige Daten hinsichtlich des Felds eingetragen sein, insbesondere die Lage seine Konturen, georeferenzierte Bodeneigenschaften (Inhaltsstoffe, Feuchtigkeit, Topografie, Wasserhaushalt etc.). Wie bereits angemerkt, beruhen die Angaben in der Karte letztlich auch auf Werten von Sensoren, die beim Erstellen der Karte verwendet wurden. Zu möglichen Eingangsgrößen, die letztlich dem Prozessor
14 zur Verfügung gestellt und durch die Sensoren
20 bis
26 erfasst bzw. in der Karte im Speicher
28 eingetragen sind, wird auf die Offenbarung der
US 2017/0061299 A1 verwiesen, deren Offenbarung durch Verweis mit in die vorliegenden Unterlagen aufgenommen wird.
-
Die von den Sensoren 20 bis 26 und der Karte 28 bereitgestellten Werte werden durch die Mittel 30 zur Evaluierung der Genauigkeit der Werte der Sensoren 20 bis 26 und der Sensorwerte des Speichers 28 auf die Genauigkeit der Werte untersucht.
-
Die Mittel 30 umfassen beispielsweise eine Kreuzvalidierung 34, welche die Werte der Karte 28 und des Sensors 20 als Eingangswert erhält. Die Kreuzvalidierung 34 prüft die Werte des Sensors 20 anhand der Daten der Karte 28 auf Plausibilität. Wenn der Sensor 20 beispielsweise eine Feuchtigkeit des Bodens anzeigt, die anhand der in der Karte eingetragenen Daten nicht plausibel ist (z.B. ein sehr trockener Wert für die Bodenfeuchte an einem direkt neben einem Fluss gelegenen Punkt des Felds), wird die Kreuzvalidierung 34 Daten für die Genauigkeit des Werts des Sensors 20 evaluieren und ausgeben, die auf eine schlechte (unzuverlässige) Genauigkeit hinweisen. Die Kreuzvalidierung 34 gibt auch Daten hinsichtlich der Genauigkeit Karte 28 aus, die auf den Werten des Sensors 20 basieren kann.
-
Die Mittel 30 umfassen weiterhin eine Evaluierungseinrichtung 36, die auf einer Stichprobe einer Größe basiert, die mit dem Sensor 22 gemessen wurde. Wenn der Sensor 22 beispielsweise zur Kartierung bestimmter Bodeneigenschaften (wie Stickstoffgehalt) dient, kann die Evaluierungseinrichtung 36 eine Laboranalyse einer Stichprobe desselben Teils des Bodens des Feldes beinhalten, den auch der Sensor 22 untersucht hat. Wenn die Laboranalyse und der Wert des Sensors 22 hinreichend gut übereinstimmen, erhält der Sensor 22 Daten zugeordnet, die auf eine gute Genauigkeit des Sensors 22 hinweisen, und anderenfalls Daten für eine schlechte Genauigkeit zugewiesen. Die Evaluierungseinrichtung 36 kann eine manuelle oder maschinelle (rechnergestützte) Eingabe der Daten hinsichtlich der Genauigkeit des Sensors 22 umfassen.
-
Die Mittel 30 umfassen weiterhin eine Evaluierungseinrichtung 38, die auf einer Überwachung einer Größe basiert, die mit dem Sensor 24 über eine bestimmte Zeit gemessen wurde. Wenn der Sensor 24 beispielsweise eine beliebige physische Größe auf dem Feld erfasst, z.B. die Temperatur, und darin gewisse Ausreißer sind oder die Werte tagsüber niedriger als nachts sind, erhält der Sensor 22 Daten zugeordnet, die auf eine schlechte Genauigkeit des Sensors 24 hinweisen, und anderenfalls Daten für eine gute Genauigkeit zugewiesen. Die Evaluierungseinrichtung 38 kann eine manuelle oder maschinelle (rechnergestützte) Eingabe der Daten hinsichtlich der Genauigkeit des Sensors 24 umfassen.
-
Die Daten des Sensors 24 können auch einer weiteren Kreuzvalidierung 40 zugeführt werden, die sie (analog zur Kreuzvalidierung 34) mit den Werten des Sensors 26 vergleicht, um im Falle nicht korrelierender, unplausibler Werte der Sensoren 24, 26 dem Sensor 26 Daten zuzuordnen, die auf eine schlechte Genauigkeit des Sensors 26 hinweisen, und anderenfalls Daten für eine gute Genauigkeit zuzuweisen.
-
Die Mittel 30 können alternativ oder zusätzlich zur oben beschriebenen Vorgehensweise auch Zertifizierungsdaten eines oder mehrerer der Sensoren 20 bis 26 evaluieren. Einem geeichten Sensor 20 bis 26 werden somit Daten zugeordnet, die auf eine höhere Zuverlässigkeit bzw. Genauigkeit hinweisen als einem ungeeichten Sensor für eine beliebige Messgröße, wie Temperatur oder Feuchtigkeit. Die Information hinsichtlich der Eichung kann durch manuelle Eingabe in eine Evaluierungseinrichtung gegeben werden oder vom Sensor 20 bis 26 selbst elektronisch bereitgestellt werden.
-
Um die Authentizität manueller Eingaben in die Evaluierungseinrichtungen 34 bis 40 der Mittel 30 zur Evaluierung der Genauigkeit der Werte der Sensoren 20 bis 26 und der Sensorwerte des Speichers 28 zu gewährleisten, können übliche Systeme genutzt werden (Erkennung einer Berechtigung per Passworteingabe, Speicherkarte oder physischer Merkmale einer berechtigten Person). Die Berechtigung zur Eingabe manueller Eingaben (und/oder maschineller Zertifizierungen durch den Sensor 20 bis 26 selbst) kann durch eine beliebige Institution, z.B. einen TÜV o.ä. vergeben werden. Dabei können auch schon Daten hinsichtlich der Genauigkeit (oder eingebbare Bereiche) vorgegeben werden, die u.a. von der Zuverlässigkeit und Erfahrung und dem bisherigen ethischen Verhalten der jeweiligen Person bzw. des Herstellers des Sensors 20 bis 26 abhängen.
-
Die Mittel
30 stellen somit Daten
42 hinsichtlich der Genauigkeit der von den Sensoren
20 bis
26 bereitgestellten Werte und der Karte im Speicher
28 bereit, welche gemeinsam mit den eigentlichen Werten der Sensoren
20 bis
26 und der Karte über die Mittel
32 an einen Speicher
44 des Rechners
12 übermittelt werden und dessem Prozessor
14 zur Verfügung stehen. Die Mittel
32 sind im vorliegenden Fall internetbasiert und verwenden so genannte Blockchains
46 bis
54, die jeweils die jeweiligen Werte und die Daten für die zugehörige Genauigkeit der Werte beinhalten. Es wäre jedoch auch denkbar, die Werte und die Daten getrennt zu übertragen oder durch den Prozessor
14 abzurufen und anhand gemeinsamer Identifikatoren zusammenzuführen. Da die Technologie der Blockchains allgemein bekannt ist, vgl. hierzu die Offenbarung der
DE 10 2016 118 615 A1 , deren Offenbarung durch Verweis mit in die vorliegenden Unterlaben aufgenommen wird, kann hierauf eine detaillierte Diskussion verzichtet werden.
-
Der Prozessor 14 dient dazu, basierend auf den erhaltenen Werten der Sensoren 20 bis 26 und der Karte aus dem Speicher 28 eine Software laufen zu lassen, mit welcher Maßnahmen auf dem Feld geplant (und dokumentiert) werden. Hierbei kann es sich um beliebige landwirtschaftliche Arbeiten handeln, wie Ernte, Bodenbearbeitung, Säen, Düngen und Spritzen. Der Prozessor 14 nutzt hierzu agronomische Modelle 56, 58 beispielsweise für den Stickstoffhaushalt und die Produktivität des Feldes, die mit den Werten der Sensoren 20 bis 26 und der Karte aus dem Speicher 28 beaufschlagt werden und Pläne 60, 62 beispielsweise für Spritzvorgänge oder die Ernte erzeugen. Die Pläne 60, 62 können drahtlos an Maschinen zur Durchführung der Maßnahmen oder an deren Bedienern zugeordnete Geräte gesendet werden, um die Pläne 60, 62 oder sich daraus ergebende landwirtschaftliche Maßnahmen automatisch oder durch den Bediener gesteuert durchzuführen. Zuvor können die Pläne 60, 62 noch durch den Rechner 12 auf einer Anzeigeeinrichtung dargestellt und ggf. durch menschliche Eingabe über eine Bedienerschnittstelle überarbeitet werden. Die Pläne 60, 62 können für das ganze Feld gleichartige und gleich intensive Maßnahmen vorsehen oder diese georeferenziert unterschiedlich vorsehen.
-
In den Modellen wird vorzugsweise eine selbstlernende Software (künstliche Intelligenz) eingesetzt, die anhand der zeitlich aufeinander folgenden Werte der Sensoren
20 bis
26 und der vorzugsweise auch über die Zeit aktualisierte Karte im Speicher
28 die Modelle
56,
58 nach und nach verbessert. Zu den Modellen und möglichen Ausführungsformen der selbstlemenden Software wird auf die Offenbarung der
US 2017/0061299 A1 verwiesen, deren Offenbarung durch Verweis mit in die vorliegenden Unterlagen aufgenommen wird. Der Plan
62 kann auch eine ortsspezifische (oder für das gesamte Feld gleichbleibende) Einstellung eines oder mehrerer Arbeitsparameter einer Erntemaschine bei der Ernte beinhalten, die von der künstlichen Intelligenz u.a. basierend auf den Erfahrungen vorheriger Ernten gelernt werden können.
-
Dem Prozessor 14 liegen auch die Daten hinsichtlich der Genauigkeit der einzelnen Werte der Sensoren 20 bis 26 und der Karte aus dem Speicher 28 vor. Er berücksichtigt die einzelnen Werte in so höherem Maße bei der Planung der Maßnahmen und beim Lernen der Modelle, je höher die den Werten zugeordnete Genauigkeit ist.
-
Der Prozessor 14 kann auch Daten aus anderen Quellen 64 erhalten, deren Genauigkeit nicht zertifiziert ist, z.B. über das Internet. Diese Quellen 64 gehen mit einer relativ niedrigen Genauigkeit und somit niedriger Wichtung in die Planung der Maßnahmen und das Lernen der Modelle ein.
-
Das Ergebnis ist eine höhere Zuverlässigkeit der vom Prozessor 14 genutzten Daten und Sensorwerte, ein schnelleres und effektiveres Training der künstlichen Intelligenz, eine Wiederverwendbarkeit der zertifizierten Blöcke der Blockchains für verschiedene Anwendungen und eine Reduzierung falscher Schlussfolgerungen aufgrund falscher Datengewichtsanalyse. Man erhält demnach ein effektives Lernen der künstlichen Intelligenz ohne oder mit eingeschränkter menschlicher Intervention. Die beschriebene Vorgehensweise trägt zur Verbesserung der Datenqualität an der Quelle bei.
-
Bezugszeichenliste
-
- 10
- Anordnung
- 12
- Rechner
- 14
- Prozessor
- 20
- Sensor 1
- 22
- Sensor 2
- 24
- Sensor 3
- 26
- Sensor 4
- 28
- Karte
- 30
- Mittel zur Evaluierung der Genauigkeit der Werte der Sensoren
- 32
- Mittel zur Übertragung
- 34
- Evaluierung (Kreuz-Validierung)
- 36
- Evaluierung (Probe)
- 38
- Evaluierung (Überwachung)
- 40
- Evaluierung (Kreuz-Validierung)
- 42
- Werte und Genauigkeit
- 44
- Speicher
- 46
- Blockchain mit Wert und Genauigkeit
- 48
- Blockchain mit Wert und Genauigkeit
- 50
- Blockchain mit Wert und Genauigkeit
- 52
- Blockchain mit Wert und Genauigkeit
- 54
- Blockchain mit Wert und Genauigkeit
- 56
- Modell für Stickstoffhaushalt
- 58
- Modell für Ernte
- 60
- Plan für Spritze
- 62
- Plan für Ernte
- 64
- andere Quellen (nicht zertifiziert)
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- EP 2927767 A2 [0002]
- EP 2575103 A1 [0002]
- US 2014/0012732 A1 [0002]
- US 2016/0078375 A1 [0002]
- US 2017/0061299 A1 [0002, 0004, 0005, 0017, 0027]
- US 2017/0061050 A1 [0002, 0004, 0005]
- WO 2017/060168 A1 [0002]
- WO 2019/081567 A1 [0002]
- DE 10129135 A1 [0006]
- EP 1672390 A1 [0006]
- EP 2781147 A1 [0006]
- DE 102016118615 A1 [0025]
-
Zitierte Nicht-Patentliteratur
-
- O. Kreibich et al., Quality-based multi sensor fusion in an industrial wireless sensor network for MCM, IEEE Transactions on Industrial Electronics, September 2014, Volume 61, Issue 9, P. 4903-4911 [0006]
