Epsilon Archive for Student Projects

Abstract

Minskande arbetskraft för manuell plantering i Sverige har bidragit till ett ökat intresse för mekaniserad plantering. För att uppnå en lönsamt hög produktivitet för kontinuerligt framryckande planteringsmaskiner krävs en förbättring av deras förmåga att identifiera lämpliga planteringspunkter. Syftet med denna studie var att utvärdera hur väl ett nyligen framtaget bildigenkänningsverktyg bedömer planteringspunkters lämplighet att planteras jämfört med en manuell plantörs bedömning. Verktyget bedömer sannolikhet för om en punkt domineras av Mineraljord, Humus och Ej planterbart. Ett delsyfte var att studera vilka tröskelvärden för de bedömda faktorerna som ger högsta överenstämmelsen under olika förhållanden. Studien genomfördes på fyra nyligen markberedda områden som dominerades av morän. Det studerade verktyget består av ett AI system som bygger på bildanalys genom multiclass classification. På 420 slumpvis valda punkter togs fotografier, en del både i skugga och solsken. Som referens utfördes en fältbedömning enligt instruktioner för uppföljning av manuell plantering för respektive punkt. Fotografierna analyseras sedan av bildigenkänningsverktyget.
Resultatet visade att under mulna väderförhållanden har verktyget förmågan att i 83,8 % av fallen bedöma i enlighet med fältbedömning. Soliga ljusförhållanden gav signifikant påverkan på prediktionerna av klasserna Humus och Ej planterbart och sämre överenstämmelse. Klasserna Mineraljord och Ej planterbart visades vara lämpligast att användas som tröskelvärden. Optimala tröskelvärden varierade mellan trakterna men låg generellt på minst 40-50 % Mineraljord och högst 10 % Ej planterbart.
Slutsatser av studien är att det är möjligt att använda bildigenkänningsverktyg för att undvika merparten av dåliga planteringspunkter. Slutsatsen är också att det studerade bildigenkänningsverktyget är ett steg på vägen men att fortsatt utvecklingsarbete krävs för att fungera bättre i solsken.

Decreasing workforce for manual planting in Sweden has contributed to an increased interest in the development of mechanized planting. To achieve profitable high productivity for continuously advancing planting machines an improvement in the ability to identify suitable planting spots is required. The aim of this study was to evaluate how well a newly developed image recognition tool’s assessment of planting spots suitability to be planted corresponds to a manual planter’s assessment. The tool assesses the probability of a planting spot being dominated by Mineral soil, Humus and Not plantable. A sub-aim was to study which threshold values for the assessed factors results in the highest agreement under various conditions. The study was conducted on four recently soil prepared sites that were dominated by moraine. The studied tool consists of an AI system based on image analysis through multiclass classification. At 420 randomly selected spots photographs were taken, some in both shade and sunshine. As a reference, a field assessment of each spot was carried out according to instructions for evaluation of manual planting. The photographs were then analysed by the image recognition tool.
The result showed that under overcast weather conditions, the tool can assess in accordance with field assessment in 83.8 % of cases. Sunny light conditions had a significant impact on the predictions of the classes Humus and Not plantable and decreased the agreement. The classes Mineral soil and Not plantable were shown to be the most suitable to use as threshold values. Optimal threshold values varied between the sites but were generally at least 40-50 % Mineral soil and at most 10 % Not plantable.
The conclusions of the study are that it is possible to use image recognition tools to avoid the majority of bad planting points. The conclusion is also that the studied image recognition tool is a step on the way, but further development is required for better function in sunlight.