Dataindsamling ved hjælp af UGV'er og modulopbyggede sensornyttelaster

Problem (før): AgrifoodTEF-kunder (f.eks. udviklere af landbrugsrobotter/AI, præcisionslandbrugsvirksomheder eller forskere) mangler ofte adgang til datasæt af høj kvalitet med kommentarer fra den virkelige verden fra dynamiske landbrugsmiljøer (f.eks. vinmarker og frugtplantager). Uden dette kæmper de for at: Byg robuste AI-systemer og use cases (f.eks. til afgrødeovervågning, robothøst eller autonom navigation). Valider systemets ydeevne under realistiske, variable forhold (f.eks. ujævnt terræn, skiftende lys/vejr). Benchmark deres løsninger mod industristandarder eller konkurrenter. Løsning (efter): Ved at anvende sensorens nyttelast til at indsamle og mærke data i virkelige omgivelser gør tjenesten det muligt for kunderne at: 1. Byg AI-modeller effektivt med forskellige, kontekstrige datasæt (f.eks. mærkede billeder af frugtklynger, 3D-terrænkort). 2. Valider systemets pålidelighed ved at teste løsninger i forhold til benchmarks (f.eks. "Efter brug af tjenesten falder en robothøsters fejlprocent med hensyn til at opdage modne frugter fra 25 % til 8 % under rodede plantageforhold"). 3. Identificere og rette svagheder (f.eks. svigter en navigationsalgoritme i GNSS-afviste rækker, tjenesten leverer UWB/IMU-data for at forbedre lokaliseringen). 4. Sammenlign ydeevne med konkurrenter ved hjælp af standardiserede målinger (f.eks. "Vores ukrudtsrobot opnår 95 % nøjagtighed i forhold til branchens gennemsnit på 82%"). Denne service kan leveres som et første skridt forud for andre tjenester.

Servicelevering og logistik 1. Hvordan leveres tjenesten? Implementeringsmodel:- Udførelse på stedet: Der anvendes en sensorudstyret nyttelast (modulær, køretøjs-/robotmonteret) på kundens landbrugsområde (f.eks. vinmark, frugtplantage) eller partnertestbedrifter. Gentagelser: Dataindsamling kan udføres som en enkelt kampagne eller tilbagevendende sessioner (f.eks. sæsonbestemte cyklusser, vækstfaser) for at registrere variabilitet (f.eks. blomstring i forhold til høstperioder). 2. Hvornår kan tjenesten leveres? Planlægning: Kræver forhåndsreservation (f.eks. 4-8 uger) til udrulning af nyttelast og forberedelse af anlægsområdet. 3. Hvor lang tid tager henrettelsen? Udrulning på stedet: 1-2 uger pr. kampagne (justerbar på grundlag af bedriftsstørrelse og datatæthed). - Efterbehandling: Yderligere 2-3 uger til mærkning og generering af rapporter. Tidsplan i alt: ~4-8 uger fra udsendelse til levering. Beliggenhed & Kundekrav 4. Hvor udføres tjenesten? - Kundens eget websted: Gårde, frugtplantager eller vinmarker. - Partnerforsøgsbedrifter: Forhåndsgodkendte agrifoodTEF-satellitknudepunkter (f.eks. standardiserede testfelter til benchmarking). 5. Krav til kundens placering: Regionalt fokus: Prioriterer regioner med agrifoodTEF-infrastruktur (f.eks. i første omgang EU). Global adgang: Muligt via partnerskaber med lokale knudepunkter (yderligere logistikgebyrer kan forekomme). Kundeleverancer 6. Hvad modtager kunden? Output:- Rå & mærkede datasæt: Strukturerede, tidsstemplede sensordata (Lidar point clouds, stereokamerabilleder, GNSS/IMU-baner) i AI-klare formater (f.eks. ROS-poser, COCO JSON). Dokumentation: Metadata (sensorspecifikationer, miljøforhold), retningslinjer for anmærkninger og overensstemmelsescertifikater. Sammenfattende rapport: Indsigt, der kan handles på (f.eks. "Systemkampe i svagt lys, anbefaler at øge træningen med tusmørkeradardata"). Kundeforpligtelser 7. Hvad skal kunden levere? Adgang til webstedet: Sikre, operationelle felter til udrulning (f.eks. ryddede rækker til robot-/sensormobilitet). - Specifikation af brugstilfælde: Målparametre (f.eks. "Indsaml data om æbleklyngetæthed i række 5-10"). AI/systemkrav (f.eks. "Annotér frugtmodenhedsmærker til YOLO-træning"). Etisk/lovmæssig overholdelse: Tilladelser til dataindsamling (hvis påkrævet).

Sensorkonfiguration: - Kunderne kan vælge specifikke sensorer fra en foruddefineret liste over potentielle sensorer til nyttelasten (f.eks. prioritere Lidar + stereokameraer til 3D-kortlægning, deaktivere GNSS til indendørs test). Dataanmærkning: - Vælg anmærkningsformater fra en foruddefineret liste (f.eks. afgrænsningsbokse, semantiske segmenteringsmasker), der er kompatible med deres AI-rørledninger. Tids-/sæsonfleksibilitet: Planlæg tilbagevendende kampagner (f.eks. ugentlig dataindsamling i høstsæsonen, flerårige fænologiske undersøgelser). Sæsonbestemte begrænsninger: Tilpasser sig vegetationsperioder (f.eks. ingen frost/regn for visse sensorer; optimal timing for afgrødespecifikke data såsom frugtmodenhed i frugtplantager). Eksempel: Indsamling af data om vindyrkningsarealer begrænset til vækstsæsonen (april-oktober i EU's klima). Hvad kunderne bør vide på forhånd Forberedelse af anlægsområdet: Kunderne skal levere feltkort, vandingsplaner og sikkerhedsprotokoller. Dataejerskab: Rå data deles med kunden, men agrifoodTEF kan anvende aggregerede, anonymiserede data til intern FoU. Omkostningspåvirkninger: Tilbagevendende kampagner eller sensorer med ultrahøj opløsning pådrager sig højere gebyrer. Efterbehandling af komplekse anmærkninger (f.eks. 3D-punktskymærkning) faktureret separat