Manuellt jord- och skogsbruk är alltid utmanande på grund av miljöförhållanden som extrema temperaturer och svåra arbetssituationer. Att skörda grödor manuellt är mycket arbetsintensivt och blir allt mer kostsamt samtidigt som tillgången på kvalificerad arbetskraft minskat. Dessutom utgör arbetet i sådana miljöer en hög risk för arbetsrelaterade skador. I framtiden förutspås både kostnader för och brist på arbetskraft öka.

Därför blir det allt viktigare att använda robotar för automatisk skörd av frukt, grödor och träd. Autonoma system sänker skördekostnaden genom att öka prestandan och minska beroendet av arbetskraft samt minskar risken för skador. Detta är gynnsamt för både producent och konsument.

Det viktigaste steget i att utveckla autonoma system är att observera omgivningen genom att använda data från olika sensorer som RGB-kameror, 3D-laserskanners och infraröda sensorer.

Att lokalisera och identifiera målobjektet, till exempel en frukt eller ett träd, är också viktigt för autonoma system, vilket görs med hjälp av maskininlärningstekniker för att analysera data från sensorerna.

Utomhusmiljöer som fruktträdgårdar, växthus och skogar är mycket ostrukturerade och dynamiska. Dessa resulterar i skuggor, olika ljusintensitet och delvis dolda objekt vilket är en utmaning för autonoma system. Dessutom är målobjektets variabla form och storlek ytterligare en svårighet. För att utveckla ett framgångsrikt autonomt system måste det kunna övervinna dessa problem.

– I min avhandling fokuserade jag främst på att utveckla metoder baserade på både konventionella maskininlärningsalgoritmer och djupinlärningsmetoder med hjälp av olika bildsensorer, säger Ahmad Ostovar, doktorand på Institutionen för datavetenskap.

Trots omfattande forskning kring automatisering av jordbruks- och skogsbruksverksamhet är dessa system fortfarande inte tillräckligt utvecklade och helt redo för marknaden. När det gäller Technology Readiness Levels (TRL) finns för närvarande många jordbruks- och skogsbruksrobotiksystem tillgängliga som prototyper.

– Det krävs alltså ytterligare forskning och utveckling om autonoma system för att kunna reducera tungt manuellt arbete inom jord- och skogsbruk, säger Ahmad Ostovar.

Fakta:
Ahmad Ostovar kommer från Iran och har en teknologie masterexamen från Umeå universitet. Avhandlingsarbetet har utförts på Institutionen för datavetenskap inom robotikgruppen. Hans handledare är professor Thomas Hellström.

Torsdagen den 5 december försvarar Ahmad Ostovar, Institutionen för datavetenskap vid Umeå universitet, sin avhandling med titeln:Object Detection and Recognition in Unstructured Outdoor Environments.

Disputationen äger rum klockan 13:00 i sal MA121, MIT-huset.Opponent är universitetslektor Mårten Björkman, Department of Intelligent Systems, Division of Robotics, Perception and learning, KTH.

Klicka här för att läsa avhandlingen i sin helhet.



Källa: Umeå universitet