Bildigenkänning för bättre val av planteringspunkter vid maskinell plantering

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.