DE102019218188A1 - Verfahren zum Bearbeiten von Pflanzen auf einem Feld - Google Patents

Verfahren zum Bearbeiten von Pflanzen auf einem Feld Download PDF

Info

Publication number
DE102019218188A1
DE102019218188A1 DE102019218188.0A DE102019218188A DE102019218188A1 DE 102019218188 A1 DE102019218188 A1 DE 102019218188A1 DE 102019218188 A DE102019218188 A DE 102019218188A DE 102019218188 A1 DE102019218188 A1 DE 102019218188A1
Authority
DE
Germany
Prior art keywords
neural network
heads
plant
trained
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019218188.0A
Other languages
English (en)
Inventor
Markus Hoeferlin
Maurice Gohlke
Sandra Amend
Daniel Di Marco
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102019218188.0A priority Critical patent/DE102019218188A1/de
Publication of DE102019218188A1 publication Critical patent/DE102019218188A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01BSOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B39/00Other machines specially adapted for working soil on which crops are growing
    • A01B39/12Other machines specially adapted for working soil on which crops are growing for special purposes, e.g. for special culture
    • A01B39/18Other machines specially adapted for working soil on which crops are growing for special purposes, e.g. for special culture for weeding
    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01BSOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00Methods for working soil
    • A01B79/005Precision agriculture
    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01MCATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089Regulating or controlling systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/00624Recognising scenes, i.e. recognition of a whole field of perception; recognising scene-specific objects
    • G06K9/00791Recognising scenes perceived from the perspective of a land vehicle, e.g. recognising lanes, obstacles or traffic signs on road scenes
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/36Image preprocessing, i.e. processing the image information without deciding about the identity of the image
    • G06K9/46Extraction of features or characteristics of the image
    • G06K9/4604Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes, intersections
    • G06K9/4609Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes, intersections by matching or filtering
    • G06K9/4619Biologically-inspired filters, e.g. receptive fields
    • G06K9/4623Biologically-inspired filters, e.g. receptive fields with interaction between the responses of different filters
    • G06K9/4628Integrating the filters into a hierarchical structure
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G06K9/627Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns
    • G06K9/6271Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns based on distances to prototypes
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K2209/00Indexing scheme relating to methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K2209/17Recognition of food, fruit, vegetables

Abstract

Ein Verfahren (100) zum Bearbeiten von Pflanzen auf einem Feld, auf dem eine bestimmte Nutzpflanzenart angebaut ist, weist folgende Schritte auf: Auswählen (S102) eines Bearbeitungswerkzeugs zum Bearbeiten von Pflanzen; Erfassen (S104) eines Bilds von dem Feld, wobei das Bild (12) mit einer Positionsinformation korreliert wird; Bestimmen (S106) einer Position einer zu bearbeitenden Pflanze auf dem Feld unter Verwendung eines neuronalen Netzes (10, 20, 30, 40), in das das erfasste Bild (12) eingegeben wird, wobei das neuronale Netz (10, 20, 30, 40) mehrere Köpfe (14, 16, 18, 24, 26, 28, 14', 16') aufweist und insbesondere einer der Köpfe (14, 16, 18, 24, 26, 28, 14', 16') entsprechend dem Bearbeitungswerkzeug und/oder der angebauten Nutzpflanzenart ausgewertet wird; Hinführen (S108) des Bearbeitungswerkzeugs zur Position der Pflanze; und Bearbeiten (S110) der Pflanze mit dem Bearbeitungswerkzeug.

Description

  • Technisches Gebiet
  • Die vorliegende Erfindung betrifft ein Verfahren zum Bearbeiten von Pflanzen auf einem Feld.
  • Von den vielfältigen Aufgaben in der Landwirtschaft nimmt die Beikrautregulierung für den Ertragserfolg eine zentrale Rolle ein. Die Kosten für Pestizide sind erheblich und ihre Auswirkungen auf die Umwelt problematisch. Es werden daher vermehrt autonom arbeitende Systeme zur Bearbeitung von Pflanzen, d.h. Nutzpflanzen und Beikräutern, verwendet. Die Bearbeitung kann dabei mechanisch, z.B. durch eine Fräse, aber auch durch eine gezielte Ausbringung von Pestiziden, z.B. durch einen gesteuerten Sprayer, erfolgen. Auf diese Weise kann der Einsatz von Pestiziden vermieden oder zumindest reduziert werden, wodurch der Einfluss auf die Umwelt sowie der Kostenaufwand reduziert werden.
  • Für die selektive (die zu bearbeitende Pflanze wird von anderen Pflanzen und dem Boden unterschieden) Pflanzenbearbeitung auf einem Feld ist es erforderlich, die Position einer zu bearbeitenden Pflanze auf einem Feld exakt zu erkennen. Dies kann durch unterschiedliche Objekterkennungsverfahren bewerkstelligt werden, wobei vor allem die optische Bilderkennung mittels eines trainierten Klassifizierers, z.B. eines neuronalen Netzes, verwendet wird. Dabei können eine semantische Segmentierung eines erfassten Bildes, aber auch eine Klassifikation des Bildes oder eines Bildabschnittes durchgeführt werden.
  • In der Praxis werden Fahrzeuge bzw. Vorrichtungen zum Bearbeiten von Pflanzen für unterschiedliche Bearbeitungswerkzeuge und auf Feldern, auf denen unterschiedliche Nutzpflanzen angebaut sind, eingesetzt, wobei jeweils ein eigens dafür vorgesehener Klassifizierer einzusetzen ist. Daraus ergeben sich jedoch folgende Nachteile: Mehrere Klassifizierer führen zu einem erhöhten Speicherdarf. Zudem wird bei trainierten Klassifizierern eine große Menge an spezifischen Trainingsdaten für die einzelnen Klassifizierer benötigt und es ist eine erhöhte Verarbeitungszeit notwendig, um die einzelnen Klassfizierer zu trainieren oder zu implementieren.
  • Es ist daher Aufgabe der vorliegenden Erfindung, diese genannten Nachteile zu vermeiden und ein Verfahren zum Bearbeiten von Pflanzen auf einem Feld bereitzustellen, das flexibel für unterschiedliche Aufgaben zum Bearbeiten von Pflanzen auf einem Feld einsetzbar ist.
  • Figurenliste
    • 1 zeigt ein Ablaufdiagramm des erfindungsgemäßen Verfahrens;
    • 2 zeigt einen Aufbau eines neuronalen Netzes, das mehrere Köpfe aufweist, die für eine unterschiedliche Nutzpflanzenart trainiert sind;
    • 3 zeigt einen Aufbau eines neuronalen Netzes, das mehrere Köpfe aufweist, die für eine unterschiedliche Hierarchieebene trainiert sind;
    • 4 zeigt einen Aufbau eines neuronalen Netzes, das mehrere Köpfe aufweist, die sowohl für eine unterschiedliche Nutzpflanzenart als auch für eine unterschiedliche Hierarchieebene trainiert sind;
    • 5 zeigt einen Aufbau eines neuronalen Netzes, das mehrere Köpfe aufweist, die in einer unterschiedlichen Schicht des neuronalen Netzes abzweigen.
  • Beschreibung der Ausführungsformen
  • Nachstehend werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die beigefügten Figuren beschrieben.
  • Ein Fahrzeug, an dem eine Vorrichtung zum Bearbeiten von Pflanzen angebracht ist, fährt ein Feld entlang einer Route ab und die zu bearbeitenden Objekte bzw. Pflanzen werden durch Ausführen des erfindungsgemäßen Verfahrens 100 nacheinander einzeln bearbeitet. Das Fahrzeug fährt das Feld dabei autonom ab, kann das Feld aber auch gemäß einer Steuerung durch einen Bediener abfahren.
  • Unter einem Feld kann eine abgegrenzte Bodenfläche für den Anbau von Nutzpflanzen oder auch ein Teil eines solchen Feldes verstanden werden. Unter einer Nutzpflanze wird eine landwirtschaftlich genutzte Pflanze verstanden, die selbst oder deren Frucht genutzt wird, z.B. als Nahrungsmittel, Futtermittel oder als Energiepflanze. Die Samen und folglich die Pflanzen werden vornehmlich in Reihen angeordnet, wobei zwischen den Reihen sowie zwischen den einzelnen Pflanzen innerhalb einer Reihe Objekte vorhanden sein können. Die Objekte sind jedoch unerwünscht, da sie den Ertrag der Pflanzen mindern oder einen störenden Einfluss während der Bewirtschaftung und/oder der Ernte darstellen. Unter einem Objekt kann jegliche Pflanze, die eine andere als die Nutzpflanze ist, oder jeglicher Gegenstand verstanden werden. Objekte können insbesondere Beikräuter, Hölzer und Steine sein.
  • Die Vorrichtung zum Bearbeiten von Pflanzen weist dazu mindestens die folgenden Elemente auf: ein Bearbeitungswerkzeug, ein Bilderfassungsmittel, verschiedene Sensorelemente (z.B. einen Positionssensor, einen Geschwindigkeitssensor, einen Neigungssensor, einen Abstandssensor usw.), eine Speichereinheit und eine Recheneinheit.
  • Die Vorrichtung zum Bearbeiten von Pflanzen ist auf einem dafür vorgesehenen Fahrzeug installiert, das durch eine Batterie betrieben wird, aber auch durch eine andere Energiequelle, wie etwa einen Verbrennungsmotor, betrieben werden kann. Die Vorrichtung kann darüber hinaus auch an einem landwirtschaftlichen Fahrzeug oder einem Anhänger für das landwirtschaftliche Fahrzeug angebracht sein. Die Vorrichtung wird dabei durch eine Energiequelle des Fahrzeugs betrieben, kann aber auch durch eine dafür vorgesehene separate Energiequelle betrieben werden.
  • Das Bearbeitungswerkzeug ist ein mechanisches Werkzeug, das an einer beweglichen Vorrichtung angebracht ist, so dass es zu einer zu bearbeitenden Pflanze hin- oder davon weggeführt werden kann und so ausgebildet ist, dass damit eine Pflanze bearbeitet wird. Die bewegliche Vorrichtung ist zum Beispiel ein Arm mit Gelenken, der durch Elektromotoren oder eine Hydraulik bewegt wird. Das Bearbeitungswerkzeug ist z.B. eine Fräse, die die Pflanze, d.h. in diesem Fall ein Beikraut, im Bereich der Wurzeln abtrennt. Das Bearbeitungswerkzeug kann aber auch ein Sprayer sein, mit dem ein Pestizid in Richtung einer zu bearbeitenden Pflanze gesprüht wird. Es ist anzumerken, dass der Sprayer auch zum Ausbringen eines Pflanzenschutzmittels oder von Dünger auf eine Nutzpflanze eingesetzt werden kann. Darüber hinaus sind noch weitere Bearbeitungswerkzeuge, wie etwa ein elektrisches Bearbeitungswerkzeug, ein Laser, Mikrowellen, heißes Wasser oder Öl, denkbar. Das am Fahrzeug installierte Bearbeitungswerkzeug weist dabei eine spezifische räumliche Genauigkeit auf. Die räumliche Genauigkeit bei einer Fräse hängt von der beweglichen Vorrichtung und der mechanischen Ausgestaltung (z.B. dem Durchmesser) der Fräse selbst ab. Die räumliche Genauigkeit bei einem Sprayer hängt von einem Düsenwinkel des Sprayers ab. Die räumliche Genauigkeit bei einem Sprayer ist dabei um ein vielfaches geringer als bei einer Fräse. Darüber hinaus ist es auch möglich, dass mehrere Bearbeitungswerkzeuge an einer Vorrichtung zum Bearbeiten von Pflanzen angebracht sind, die gleichzeitig betrieben werden können. Es können auch unterschiedliche Arten von Bearbeitungswerkzeugen an derselben Vorrichtung zum Bearbeiten von Pflanzen angebracht sein. Die hierbei denkbaren Bearbeitungsmethoden sind: elektrisch, mittels eines Lasers, mittels Mikrowellen, sowie mittels heißem Wasser oder Öl.
  • Das Bildererfassungsmittel ist eine Kamera, wie z.B. eine CCD-Kamera, eine CMOS-Kamera usw., die ein Bild im sichtbaren Bereich erfasst und als RGB-Werte oder als Werte in einem anderen Farbraum bereitstellt. Das Bilderfassungsmittel kann aber auch eine Kamera sein, die ein Bild im Infrarot-Bereich erfasst. Für das Erfassen von Pflanzen ist ein Bild im Infrarot-Bereich besonders geeignet, da eine Reflexion der Pflanzen in diesem Frequenzbereich deutlich erhöht ist. Das Bilderfassungsmittel kann aber auch z.B. eine Mono-, RGB-, Multispektral-, Hyperspektral-Kamera sein. Das Bilderfassungsmittel kann auch eine Tiefenmessung, z.B. durch eine Stereokamera, eine Time-of-Flight-Kamera usw., bereitstellen. Es ist möglich, dass mehrere Bilderfassungsmittel vorhanden sind, und dass die Bilder von den unterschiedlichen Bilderfassungsmitteln sowie die Daten von den verschiedenen Sensorelementen im Wesentlichen synchron erfasst werden.
  • Für den Betrieb der Vorrichtung zum Bearbeiten von Pflanzen sind weitere Daten erforderlich, die unter Verwendung von verschiedenen Sensorelementen erfasst werden. Die Sensorelemente können dabei einen Positionssensor, z.B. GPS, hochgenaues GPS usw., einen Geschwindigkeitssensor, einen Neigungssensor, einen Abstandssensor, aber auch andere Sensoren, wie etwa einen Wettersensor etc., umfassen.
  • Die Speichereinheit ist ein nichtflüchtiges gegenständliches Speichermedium, wie z.B. ein Halbleiterspeicher, in dem Daten längere Zeit gespeichert werden können. Die Daten bleiben in der Speichereinheit auch dann gespeichert, wenn keine Betriebsspannung an der Speichereinheit anliegt. Die Speichereinheit speichert ein Programm zum Ausführen des erfindungsgemäßen Verfahrens und dafür erforderliche Betriebsdaten. Zudem werden auf der Speichereinheit die vom Bilderfassungsmittel erfassten Bilder und die von den Sensorelementen erfassten Daten gespeichert. Es können aber auch andere Daten und Informationen in der Speichereinheit gespeichert werden.
  • Das in der Speichereinheit gespeicherte Programm enthält Anweisungen in Form von Programmcode, der in einer beliebigen Programmiersprache geschrieben ist, die der Reihe nach ausgeführt werden, so dass das erfindungsgemäße Verfahren 100 zum Bearbeiten der Pflanzen auf dem Feld ausgeführt wird. Das Programm kann dabei auch in mehrere Dateien aufgeteilt sein, die eine vorgegebene Beziehung zueinander aufweisen.
  • Die Recheneinheit ist eine arithmetisch-logische Einheit, die in Form eines Prozessors (z.B. CPU, GPU, TPU) implementiert ist. Die Recheneinheit ist imstande, Daten von der Speichereinheit zu lesen und Anweisungen entsprechend dem Programm auszugeben, um das Bilderfassungsmittel, die Sensorelemente und Aktoren, wie etwa das Bearbeitungswerkzeug, die allesamt mit der Recheneinheit kommunikativ (kabelgebunden oder kabellos) verbunden sind, zu steuern.
  • Während eines Abfahrens werden die einzelnen Verfahrensschritte S102 bis S110 des erfindungsgemäßen Verfahren 100, wie in 1 gezeigt, der Reihe nach ausgeführt. Die einzelnen Schritte werden nachfolgend im Detail beschrieben:
    • Eingangs wird in Schritt S102 das Bearbeitungswerkzeug ausgewählt, mit dem die Pflanzen bzw. Objekte auf einem Feld bearbeitet werden sollen. Die räumliche Genauigkeit, mit der die Pflanzen durch das Bearbeitungswerkzeug bearbeitet werden, hängt dabei, wie oben beschrieben, von der Art des Bearbeitungswerkzeuges ab. Das Bearbeitungswerkzeug kann vor einem Start des Abfahrens des Felds für die gesamte Dauer des Abfahrens festgelegt werden. Das Bearbeitungswerkzeug kann aber auch während eines Abfahrens gewechselt werden.
  • Anschließend wird in Schritt S104 ein Bild 12 von dem Feld, auf dem die Pflanzen wachsen, durch das Bilderfassungsmittel erfasst. Das Bilderfassungsmittel ist so an dem Fahrzeug angebracht, dass ein Bildsensor im Wesentlichen parallel zu einer Bodenoberfläche des Feldes ist. Zudem wird im Wesentlichen synchron zum Erfassen des Bilds 12 eine Positionsinformation über die Position erlangt, an der das Bild 12 auf dem Feld erfasst wird. Die vom Positionssensor erlangte Positionsinformation wird mit dem Bild 12 korreliert, so dass tatsächliche Positionen von Pixeln des Bilds 12 auf dem Feld unter Berücksichtigung der Positionsinformation, des Bildwinkels des verwendeten Bilderfassungsmittels und des Abstands des Bilderfassungsmittels vom Boden bestimmt werden können. Das Bilderfassungsmittel kann aber auch so angebracht sein, dass der Bildsensor in einer beliebigen Richtung geneigt ist, um einen größeren Bereich des Feldes zu erfassen. In diesem Fall ist der Neigungswinkel beim Bestimmen der Position eines Pixels auf dem Feld zu berücksichtigen.
  • Im nachfolgenden Schritt S106 wird das erfasste Bild 12 verarbeitet, um eine Position der zu bearbeitenden Pflanze auf dem Feld zu bestimmen. Dabei werden die Positionen der zu bearbeitenden Pflanzen einzeln dadurch bestimmt, dass den Pixeln des erfassten Bildes 12 eine Information über den dargestellten Inhalt zugewiesen wird. Da die Position der einzelnen Pixel auf dem Feld bekannt ist, können die jeweiligen Positionen der zu bearbeitenden Pflanzen bestimmt werden. Die Position einer Pflanze auf einem Feld wird dabei bevorzugt mittels einer semantischen Segmentierung des erfassten Bilds 12, das mit der Positionsinformation korreliert ist, bestimmt. Die semantische Segmentierung, bei der jeder Pixel eines Bildes 12 einzeln klassifiziert wird, wird durch Anwendung eines sog. Fully Convolutional DenseNet erhalten. Eine semantische Segmentierung kann aber auch durch ein Fully Convolutional Neural Network oder ein anderes geeignetes neuronales Netz erhalten werden. Verfahren für die pixelweise semantische Segmentierung von Bildern sind im Stand der Technik aus folgenden Dokumenten bekannt: Long, J., Shelhamer, E., & Darrell, T. (2015). „Fully convolutional networks for semantic segmentation". In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431-3440). Jegou, S., Drozdzal, M., Vazquez, D., Romero, A., & Bengio, Y. (2017). „The one hundred layers tiramisu: Fully convolutional densenets for semantic segmentation". In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp. 11-19). Es ist darüber hinaus anzumerken, dass auch Bereiche, sog. Superpixel, im Bild 12 semantisch segmentiert werden können. Des Weiteren kann die Position der zu bearbeitenden Pflanze durch eine Klassifikation des Bildes 12 oder ein anderes bekanntes Verfahren zur Objekterkennung, bei dem ein neuronales Netz verwendet wird, bestimmt werden. Nachfolgend wird sowohl die semantische Segmentierung der Pixel bzw. Superpixel, sprich die pixelweise Klassifikation, als auch die (standardmäßige) Klassifikation des Bildes vereinfacht als Klassifikation bezeichnet.
  • Eine jeweilige Position der zu bearbeitenden Pflanzen auf dem Feld wird, wie bereits erwähnt, unter Verwendung von neuronalen Netzen 10, 20, 30, 40 bestimmt, die in den 2 bis 5 gezeigt sind und in die das in S104 erfasste Bild 12 (die RGB-Werte oder die Werte eines anderen Farbraums) eingegeben wird. Erfindungsgemäße neuronale Netz 10, 20, 30, 40 sind dabei als so genannte Baumnetze bzw. Tree-Nets ausgebildet und weisen mehrere Köpfe auf, wobei nur einer der Köpfe entsprechend dem ausgewählten Bearbeitungswerkzeug und/oder der auf dem Feld angebauten Nutzpflanzenart ausgewertet wird.
  • Die gezeigten neuronalen Netze 10, 20, 30, 40 weisen jeweils mehrere Köpfe 14, 16, 18, 24, 26, 28, 14' und 16' zum Ausgeben von Klassifikationsergebnissen 14a bis 14c, 16a bis 16c, 18a bis 18c, 24a bis 24c, 26a bis 26c, 28a bis 28c, 14a' bis 14c' und 16a' bis 16c' auf. Im Stand der Technik sind Baumnetze bekannt, die ebenfalls mehrere Köpfe aufweisen, wobei diese mehreren Köpfe dafür vorgesehen sind, dieselbe Aufgabe zu lösen. Anschließend werden bei den im Stand der Technik bekannten neuronalen Netzen die Ergebnisse der einzelnen Köpfe als so genanntes Ensemble ausgewertet, um eine Schwankung bzw. Streuung der Ergebnisse der einzelnen Köpfe bestimmen zu können. Aus diesem Grund zweigen die Köpfe in einer weiter oben gelegenen Schicht des neuronalen Netzes ab, so dass der gemeinsam genutzte Teil des neuronalen Netzes gering ist, wodurch sichergestellt wird, dass die Klassifikationsergebnisse der einzelnen Köpfe keine zu große und ungewollte Übereinstimmung aufweisen.
  • Es wird bei Durchführung einer Klassifikation durch die erfindungsgemäßen neuronalen Netze 10, 20, 30, 40 insbesondere nur einer der Köpfe 14, 16, 18, 24, 26, 28, 14' und 16' ausgewertet und die anderen Köpfe bleiben unberücksichtigt. Die Abspaltung der einzelnen Köpfe 14, 16, 18, 24, 26 und 28 erfolgt bei den in 2 bis 4 gezeigten neuronalen Netzen 10, 20, 30 sogar erst in der letzten Schicht, so dass fast die gesamten neuronalen Netze 10, 20, 30 für die Klassifikation durch die einzelnen Köpfe 14, 16, 18, 24, 26 und 28 verwendet wird. Verglichen mit den typischen Ensemble-Baumnetzen kann die Abspaltung der Köpfe 14, 16, 18, 24, 26 und 28 daher in einem unteren Abschnitt der neuronalen Netze 10, 20, 30 erfolgen, da in diesem Fall keine unterschiedlichen Merkmale zwischen den Köpfen 14, 16, 18, 24, 26 und 28 trainiert werden müssen. Folglich kann bei der vorliegenden Erfindung ein großer Teil der neuronalen Netze 10, 20, 30 für unterschiedliche Aufgaben verwendet werden.
  • Bei den erwähnten neuronalen Netzen 10, 20, 30, 40 werden gemeinsam genutzte Schichten bzw. Layer, die in einem oberen Abschnitt angeordnet sind, mit denselben Trainingsdaten trainiert. Das Training der oberen Schichten erfolgt dabei derart, dass die neuronalen Netze 10, 20, 30, 40 für einen Kopf (z.B. Kopf 14) vollständig über alle Schichten trainiert wird. Dieses Vorgehen hat den Vorteil, dass die neuronalen Netze 10, 20, 30, 40 mit einer ausreichend großen Menge an Trainingsdaten initial trainiert werden können, so dass eine erforderliche Genauigkeit der einzelnen Schichten des neuronalen Netzes 10, 20, 30, 40 beim Generieren von Merkmalsräumen aus dem eingegebenen Bild sichergestellt ist. Anschließend wird der trainierte Kopf nach Bedarf kopiert. Das Training kann auch parallel für die benötigte Anzahl von Köpfen erfolgen.
  • Anschließend werden die einzelnen Köpfe 14, 16, 18, 24, 26, 28, 14' und 16' der neuronalen Netze 10, 20, 30, 40 mit dafür vorgesehenen Trainingsdaten spezifisch trainiert. Dieses Vorgehen zum Trainieren eines neuronalen Netzes wird auch als Fine-Tuning bezeichnet. Unter Fine-Tuning versteht man somit das Nachtrainieren eines bereits vorhandenen neuronalen Netzes oder eines Teils davon (z.B. den Abschnitt des Kopfs nach der Abzweigung) mit neuen Trainingsdaten und/oder anderen Trainingsparametern, um eine andere Aufgabenstellung zu lösen. Wird nur ein Abschnitt eines neuronalen Netzes nachtrainiert, kann dieser Kopf auch für dieselbe Aufgabenstellung mit anderen Trainingsdaten trainiert werden, wodurch ein abweichendes Klassifikationsergebnis erhalten wird.
  • Die neuronalen Netze 10, 20, 30, 40 werden, wie oben beschrieben, mit einem Datensatz (z.B. für Mais), der eine ausreichende Menge an Daten aufweist, initial trainiert, um die gemeinsam genutzten Schichten in einem oberen Bereich der neuronalen Netze 10, 20, 30, 40 zu trainieren. Diese Schichten extrahieren dabei grundsätzliche Merkmale die zur Klassifikation nötig sind. Danach werden die unteren Schichten in den einzelnen Köpfen 14, 16, 18, 24, 26, 28, 14' und 16' (manchmal sogar nur die letzte Schicht zum Ausgeben des Klassifikationsergebnisses 14a bis 14c, 16a bis 16c, 18a bis 18c, 24a bis 24c, 26a bis 26d, 28a bis 28c, 14a' bis 14c' und 16a' bis 16c') mit einer (meist sehr viel) kleineren Menge an spezifischen Trainingsdaten trainiert, um die Köpfe 14, 16, 18, 24, 26, 28, 14' und 16' der neuronalen Netze 10, 20, 30, 40 für ein bestimmtes Klassifikationsproblem zu trainieren. Der Vorteil von Fine-Tuning ist, das ein großer Teil der neuronalen Netze 10, 20, 30, 40 mit einer großen Menge an Trainingsdaten trainiert werden kann, während die einzelnen Köpfe 14, 16, 18, 24, 26, 28, 14' und 16' unter Verwendung eines kleineren spezifischen Trainingsdatensatzes optimiert werden. Folglich wird nicht für alle Köpfe 14, 16, 18, 24, 26, 28, 14' und 16' der neuronalen Netze 10, 20, 30, 40 eine große Menge an Trainingsdaten benötigt.
  • Die einzelnen Köpfe 14, 16, 18 des erfindungsgemäßen neuronalen Netzes 10 werden in einer ersten Ausgestaltung der vorliegenden Erfindung, wie in 2 gezeigt, so trainiert, dass unter Verwendung ihrer Klassifikationsergebnisse 14a bis 14c, 16a bis 16c sowie 18a bis 18c eine unterschiedliche Nutzpflanzenart erkannt werden kann, die auf unterschiedlichen zu bearbeitenden Feldern angebaut sind. Die Köpfe können dann zwischen einer Nutzpflanze 14a, 16a, 18a (z.B. Mais, Zuckerrübe usw.), Beikräutern 14b, 16b, 18b und dem Boden 14c, 16c, 18c unterscheiden. Die einzelnen Köpfe 14, 16, 18 des neuronalen Netzes 10 können dabei, wie bereits beschrieben, mittels Fine-Tuning spezifisch trainiert werden.
  • In einer zweiten Ausgestaltung der vorliegenden Erfindung werden die einzelnen Köpfe 24, 26, 28 des erfindungsgemäßen neuronalen Netzes 20, wie in 3 gezeigt, für unterschiedliche Hierarchieebenen trainiert. Dabei wird z.B. ein Kopf 24 lediglich für eine Unterscheidung zwischen einer Nutzpflanze 24a (z.B. Mais oder Zuckerrübe), Beikräutern 24b und Boden 24c trainiert. Es können darüber hinaus weitere Köpfe 26, 28 trainiert werden, die eine Unterscheidung zwischen einer Nutzpflanze 26a, dikotylen Beikräutern 26b, monokotylen Beikräutern 26c und dem Boden 26d oder generell eine artenspezifische Unterscheidung zwischen Pflanze A 28a, Pflanze B 28b, Pflanze C 28c usw. ermöglichen. Es ist dabei anzumerken, dass die Klassifikation für eine höhere Hierarchieebene, die eine allgemeinere Gruppierung von Pflanzen (z.B. Beikräuter) umfasst, robuster und genauer als eine Klassifikation für eine niedrigere Hierarchieebene (z.B. Pflanze A vs. Pflanze B usw.) ist.
  • Zudem sind Herbizide, die auf dem Feld ausgebracht werden, um Beikräuter zu entfernen, oftmals für ganze Pflanzengruppierungen wirksam. So sind beispielsweise Herbizide erhältlich, die für dikotyle Beikräuter oder monokotyle Beikräuter wirksam sind. Die zweite Ausgestaltung der Erfindung kann somit für ein gezieltes Ausbringen eines Herbizides auf einer entsprechenden Pflanzengruppierung verwendet werden, da eine Klassifikation für eine Hierarchieebene flexibel anpassbar ist. Auf diese Weise kann die auf dem Feld auszubringende Herbizidmenge verringert werden.
  • Darüber hinaus ist es auch möglich, die in 2 und in 3 gezeigte erste und zweite Ausgestaltungen zu kombinieren, so dass die unterschiedlichen Köpfe eines in 4 gezeigten neuronalen Netzes gemäß einer dritten Ausgestaltung sowohl für unterschiedliche Nutzpflanzen als auch für unterschiedliche Hierarchieebenen trainiert werden. Es kann dann unter Verwendung des neuronalen Netzes 30 beispielsweise eine Erkennung von unterschiedlichen Arten von Nutzpflanzen (z.B. Mais, Zuckerrübe usw.) mittels der Köpfe 14 bzw. 16 und von unterschiedlichen Hierarchien (z.B. dikotyle und monokotyle Pflanzen) durch die Köpfe 26 und 28 durchgeführt werden. Es ist dabei selbsterklärend, dass dieselbe Hierarchieebene auch mehrmals für die unterschiedlichen Nutzpflanzen vorhanden sein kann.
  • Das erfindungsgemäße neuronale Netz 40 ist zudem nicht darauf beschränkt, dass die Köpfe in derselben Schicht des Netzes abzweigen. Gemäß einer vierten Ausgestaltung können die einzelnen Köpfe 14, 16, 14' und 16', wie in 5 gezeigt, in einer unterschiedlichen Schicht des neuronalen Netzes 40 abzweigen. Zudem können zwischen der Abzweigung und der Ausgabeschicht eines Kopfes weitere Schichten vorhanden sein. Auf diese Weise kann das neuronale Netz 40 flexibel aufgebaut werden.
  • Aufgrund des flexiblen Aufbaus des neuronalen Netzes 40 ist es auch möglich, dass zwei oder mehrere Köpfe 14 und 14' bzw. 16 und 16' des neuronalen Netzes 40 auf unterschiedliche Weise für dieselbe Aufgabe trainiert werden. Die Klassifikationsergebnisse 14a bis 14c und 14a' bis 14c' bzw. 16a bis 16c und 16a' bis 16c' der zwei oder der mehreren Köpfe 14 und 14' bzw. 16 und 16' können anschließend als Ensemble ausgewertet werden. Folglich kann die vorliegende Erfindung mit der Ursprungsidee der Baumnetze zur Ensembleauswertung kombiniert werden, so dass für jede Nutzpflanze ein Ensemble an Klassifikationsergebnissen zur Verfügung steht. Es ist anzumerken, dass bei dem neuronalen Netz 40 ebenfalls nur einer der Köpfe 14, 14', 16, 16' ausgewertet werden kann. Es ist somit nicht zwingend eine Ensembleauswertung durchzuführen.
  • Nachdem die Position der zu bearbeitenden Pflanze auf dem Feld in Schritt S106 unter Verwendung des erfindungsgemäßen neuronalen Netzes 10, 20, 30, 40 bestimmt ist, kann das ausgewählte Bearbeitungswerkzeug in Schritt S108 zur Position der Pflanze hingeführt werden und die entsprechende Bearbeitung kann für die einzelne Pflanze durchgeführt werden. Dabei kann ein mechanisches Werkzeug genau bis zur Position der Pflanze hingeführt werden oder der Sprayer kann zum Ausbringen des Pestizids, Pflanzenschutzmittels oder Düngers bis zu einem vorgegebenen Abstand an das Beikraut bzw. die Nutzpflanze herangeführt und auf diese gerichtet werden. Um eine exakte Steuerung der beweglichen Vorrichtung zu ermöglichen, ist es dabei ggf. erforderlich, die durch das Bild ermittelte Position der Pflanze in das Koordinatensystem der beweglichen Vorrichtung umzurechnen. Zudem ist eine Geschwindigkeit, mit der sich das Fahrzeug vorwärtsbewegt, beim Hinführen des Bearbeitungswerkzeuges zu berücksichtigen.
  • Anschließend wird die Pflanze in Schritt S110 mit dem Bearbeitungswerkzeug bearbeitet. Die Pflanze wird dabei durch die Anwendung des mechanischen Werkzeugs entfernt, gehäckselt oder zerstört oder mit dem Pestizid, Pflanzenschutzmittel oder Dünger besprüht. Durch die mechanische Bearbeitung der Pflanzen bzw. das gezielte Ausbringen von chemischen Substanzen kann folglich die bei konventionellen Verfahren ausgebrachte Menge an chemischen Substanzen deutlich verringert werden, so dass Kosten und der Einfluss auf die Umwelt verringert werden.
  • Die vorliegende Erfindung stellt dabei die folgenden Vorteile bereit.
  • Anstelle mehrerer unabhängiger neuronaler Netze, kann ein einzelnes neuronales Netz mit mehreren Köpfen verwendet werden, so dass ein erforderlicher Speicherbedarf reduziert wird.
  • Durch die gemeinsame Training der Schichten im oberen Bereich des neuronalen Netzes, wird ein besser trainiertes neuronales Netz erhalten, das eine bessere Unterscheidung zwischen den Pflanzen bereitstellt, weil mehr Trainingsdaten von unterschiedlichen Nutzpflanzen bzw. Hierarchieebenen verwendet werden. Das neuronale Netz wird somit dahingehend trainiert, dass es Merkmale für alle Nutzpflanzen gleichzeitig findet. Da Trainingsdaten im oberen Bereich des neuronalen Netzes gemeinsam verwendet werden, werden weniger Ressourcen für ein Training des Netzes benötigt.
  • Das erfindungsgemäße neuronale Netz kann auf einfache Art und Weise nachtrainiert werden, da verbesserte Merkmale, die sich aufgrund eines Nachtrainierens ausbilden, für alle Köpfe des neuronalen Netzes sofort zur Verfügung stehen. Bei Verwendung von mehreren neuronalen Netzen ist es dahingehend jedoch erforderlich, die unterschiedlichen neuronalen Netze mit den nachtrainierten Parametern zu aktualisieren.
  • Zudem muss bei Beginn der Bearbeitung (d.h. beim Starten der Vorrichtung zum Bearbeiten von Pflanzen auf dem Feld) nur ein neuronales Netz geladen werden. Ein Wechsel zwischen unterschiedlichen Nutzpflanzen bzw. Hierarchieebenen ist folglich ohne Neu-Laden eines anderen neuronalen Netzes flexibel möglich, da der Wechsel durch die Auswertung eines anderen Kopfes auf einfache Weise durchführbar ist.
  • Das vorgesehene Einsatzgebiet des erfindungsgemäßen Verfahrens bezieht sich auf autonome Feldroboter bzw. intelligente Anbaugeräte für die Bodenbearbeitung und Pflanzenschutz im Gemüse-, Garten- und Ackerbau. Grundsätzlich können die oben beschriebenen neuronalen Netze auch in anderen Bereichen verwendet werden, in denen ein neuronales Netz für unterschiedliche Aufgaben flexibel einsetzbar sein soll.
  • 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 Nicht-Patentliteratur
    • Long, J., Shelhamer, E., & Darrell, T. (2015). „Fully convolutional networks for semantic segmentation“. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431-3440) [0019]
    • Jegou, S., Drozdzal, M., Vazquez, D., Romero, A., & Bengio, Y. (2017). „The one hundred layers tiramisu: Fully convolutional densenets for semantic segmentation“. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp. 11-19) [0019]

Claims (10)

  1. Verfahren (100) zum Bearbeiten von Pflanzen auf einem Feld, auf dem eine bestimmte Nutzpflanzenart angebaut ist, mittels eines Bearbeitungswerkzeugs, mit den folgenden Schritten: Erfassen (S104) eines Bilds von dem Feld, wobei das Bild (12) mit einer Positionsinformation korreliert wird; Bestimmen (S106) einer Position einer zu bearbeitenden Pflanze auf dem Feld unter Verwendung eines neuronalen Netzes (10, 20, 30, 40), in das das erfasste Bild (12) eingegeben wird, wobei das neuronale Netz (10, 20, 30, 40) mehrere Köpfe (14, 16, 18, 24, 26, 28, 14', 16') aufweist und insbesondere einer der Köpfe (14, 16, 18, 24, 26, 28, 14', 16') entsprechend dem Bearbeitungswerkzeug und/oder der angebauten Nutzpflanzenart ausgewertet wird; Hinführen (S108) des Bearbeitungswerkzeugs zur Position der Pflanze; und Bearbeiten (S110) der Pflanze mit dem Bearbeitungswerkzeug.
  2. Verfahren (100) gemäß Anspruch 1, wobei gemeinsam verwendete Schichten des neuronalen Netzes (10, 20, 30, 40) mit denselben Trainingsdaten trainiert werden.
  3. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei die einzelnen Köpfe (14, 16, 18, 24, 26, 28, 14', 16') des neuronalen Netzes (10, 20, 30, 40) mit spezifischen Trainingsdaten trainiert werden.
  4. Verfahren gemäß Anspruch 3, wobei die einzelnen Köpfe (14, 16, 18) des neuronalen Netzes (10) für unterschiedliche Nutzpflanzenarten trainiert werden.
  5. Verfahren (100) gemäß Anspruch 3, wobei die einzelnen Köpfe (24, 26, 28) des neuronalen Netzes (20) für unterschiedliche Hierarchieebenen trainiert werden.
  6. Verfahren (100) gemäß Anspruch 3, wobei die einzelnen Köpfe (14, 16, 26, 28) des neuronalen Netzes (30) sowohl für unterschiedliche Nutzpflanzenarten als auch für unterschiedliche Hierarchieebenen trainiert werden.
  7. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei die einzelnen Köpfe (14, 16, 14', 16') des neuronalen Netzes in einer unterschiedlichen Ebene des neuronalen Netzes (40) abzweigen.
  8. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei zwei oder mehrere Köpfe (14, 16, 14', 16') des neuronalen Netzes (40) auf unterschiedliche Weise zum Durchführen derselben Klassifikation trainiert werden und die Klassifikationsergebnisse (14a bis 14c, 16a bis 16c, 14a' bis 14c', 16a' bis 16c') der zwei oder mehreren Köpfe (14, 16, 14', 16') als Ensemble ausgewertet werden.
  9. Steuereinheit zum Ansteuern eines Bearbeitungswerkzeugs zum Bearbeiten von Pflanzen auf einem Feld, auf dem eine bestimmte Nutzpflanzenart angebaut ist, wobei die Recheneinheit eingerichtet ist, die folgenden Schritte durchzuführen: Empfangen eines erfassten Bilds von dem Feld, wobei das Bild (12) mit einer Positionsinformation korreliert wird; Bestimmen einer Position einer zu bearbeitenden Pflanze auf dem Feld unter Verwendung eines neuronalen Netzes (10, 20, 30, 40), in das das erfasste Bild (12) eingegeben wird, wobei das neuronale Netz (10, 20, 30, 40) mehrere Köpfe (14, 16, 18, 24, 26, 28, 14', 16') aufweist und insbesondere einer der Köpfe (14, 16, 18, 24, 26, 28, 14', 16') entsprechend dem Bearbeitungswerkzeug und/oder der angebauten Nutzpflanzenart ausgewertet wird; Ausgeben eines Steuersignals zum Ansteuern des Bearbeitungswerkzeugs, um die Pflanze zu bearbeiten.
  10. Landwirtschaftlichen Arbeitsmaschine mit einem Bearbeitungswerkzeug zum Bearbeiten von Pflanzen auf einem Feld, auf dem eine bestimmte Nutzpflanzenart angebaut ist, und einer Steuereinheit nach Anspruch 9.
DE102019218188.0A 2019-11-25 2019-11-25 Verfahren zum Bearbeiten von Pflanzen auf einem Feld Pending DE102019218188A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102019218188.0A DE102019218188A1 (de) 2019-11-25 2019-11-25 Verfahren zum Bearbeiten von Pflanzen auf einem Feld

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019218188.0A DE102019218188A1 (de) 2019-11-25 2019-11-25 Verfahren zum Bearbeiten von Pflanzen auf einem Feld
PCT/EP2020/082844 WO2021105017A1 (de) 2019-11-25 2020-11-20 Verfahren zum bearbeiten von pflanzen auf einem feld

Publications (1)

Publication Number Publication Date
DE102019218188A1 true DE102019218188A1 (de) 2021-05-27

Family

ID=73544174

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019218188.0A Pending DE102019218188A1 (de) 2019-11-25 2019-11-25 Verfahren zum Bearbeiten von Pflanzen auf einem Feld

Country Status (2)

Country Link
DE (1) DE102019218188A1 (de)
WO (1) WO2021105017A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202021104737U1 (de) 2021-09-02 2021-09-09 Farming Revolution Gmbh Vorrichtung zum automatisierten Jäten von Unkraut

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10853725B2 (en) * 2018-05-18 2020-12-01 Deepmind Technologies Limited Neural networks with relational memory
CN109122633A (zh) * 2018-06-25 2019-01-04 华南农业大学 神经网络决策的植保无人机精准变量喷雾装置和控制方法

Also Published As

Publication number Publication date
WO2021105017A1 (de) 2021-06-03

Similar Documents

Publication Publication Date Title
EP3528608B1 (de) Planung und ausführung landwirtschaftlicher massnahmen
EP3302052A1 (de) Unkrautregulierungsvorrichtung
DE102011120858A1 (de) Verfahren und Vorrichtung zum berührungslosen Bestimmen von Pflanzenparametern und zum Verarbeiten dieser Informationen
WO2021105017A1 (de) Verfahren zum bearbeiten von pflanzen auf einem feld
DE102017210804A1 (de) Verfahren Ausbringen eines Spritzmittels auf ein Feld
DE102009028990A1 (de) Verfahren und System für die Umfelderfassung
EP3700320A1 (de) Erstellung digitaler bearbeitungskarten
EP3150037B1 (de) Verfahren und unterstützungssystem zur sensorgestützten bewirtschaftung einer landwirtschaftlichen fläche
WO2020039045A1 (de) Trägersystem mit einem träger und einer mobilen vorrichtung zur bearbeitung des bodens und/oder zur manipulation der flora und fauna und verfahren hierzu
DE102019218186A1 (de) Verfahren zum Bearbeiten von Pflanzen auf einem Feld
DE19858168B4 (de) Vorrichtung und Verfahren zur berührungslosen Ermittlung des Pflanzenbewuchses eines Feldabschnittes
DE102019218187A1 (de) Verfahren zum Bearbeiten von Pflanzen auf einem Feld, Verfahren zum Generieren von Trainingsdaten und Verfahren zum Trainieren eines neuronalen Netzes
DE102019218192A1 (de) Verfahren zum Bearbeiten von Pflanzen auf einem Feld
DE102018113015A1 (de) Autonome, mobile Arbeitmaschine
DE102017124934A1 (de) System zur halbautomatischen und/oder automatischen Unkrautentfernung
EP3378306A1 (de) Drift-korrektur beim ausbringen von pflanzenschutzmitteln
DE102019211642A1 (de) Verfahren zum Identifizieren von Beikräutern innerhalb einer definierten Pflanzenreihe einer landwirtschaftlichen Fläche
DE102019218189A1 (de) Verfahren zum Generieren einer Vielzahl von annotierten Bildern
DE102018120756A1 (de) Mobile Analyse- und Bearbeitungsvorrichtung, Verfahren und Trägersystem
DE102018120755A1 (de) Trägersystem mit einem Träger und einer mobilen Vorrichtung zur Bearbeitung des Bodens und/oder zur Manipulation der Flora und Fauna und Verfahren hierzu
DE102019201984A1 (de) Steuergerät zum Einsatz in der Landwirtschaft
DE102018222428A1 (de) Verfahren zum Ausbringen eines Spritzmittels auf eine landwirtschaftliche Fläche
DE102020002721A1 (de) Mehrreihige Maschine und Verfahren zur mechanischen Regulierung von Beikräutern und Schädlingen.
DE102018217742A1 (de) Verfahren zum Ausbringen eines Spritzmittels auf ein Feld
DE102018200411A1 (de) Verfahren zum Bearbeiten eines Bodens sowie Bodenbearbeitungsvorrichtung