Computer Vision und maschinelles Lernen für die Optimierung komplexerer Steuerungsprozesse

1. Viele Prozesse lassen sich aufgrund ihrer Komplexität nicht oder nicht vollständig durch herkömmliche technische Lösungen automatisieren, denn die betriebliche Steuerung dieser Prozesse erfordert das (oft über Jahre gesammelte) Know-how von Experten. Dies ist auch bei der Aufzucht von Garnelen der Fall. Die Bestimmung der Anzahl und Größe der Garnelen ist entscheidend für eine gute Anlagensteuerung, z. B. für die Futterversorgung, den Ertrag und die wirtschaftliche Leistungsfähigkeit des Betriebes. Wird z. B. zu viel Futter zugeführt, verschlechtert sich die Wasserqualität, wird zu wenig Futter zugeführt, wird das Wachstum der Tiere gehemmt. Um die Biomasse zu bestimmen, werden regelmäßig manuelle Wasserproben entnommen und anhand dieser Proben Schätzungen und Prognosen vorgenommen. Um die Steuerung zu optimieren und den manuellen Aufwand zu minimieren, haben wir eine kontinuierliche Datenerfassung und -auswertung durch Methoden der Computer Vision, des maschinellen Lernens und des Internets der Dinge realisiert.
2. Kombination von Methoden der Computer Vision mit dem Internet der Dinge
3. Die Integration der verschiedenen Komponenten und die Struktur des entworfenen Konzepts ist in der folgenden Abbildung dargestellt.
4. 
5. Die Vorgehensweise kann hierbei in drei Hauptthemen unterteilt werden:
6. 1. Vorverarbeitung (lokal, oder "on the edge")
7. Ein lokaler Computer verwendet eine Unterwasserkamera, um Daten in einem Becken aufzunehmen und zu filtern. Es wird eine Garnelenerkennung durchgeführt, die mit Methoden des maschinellen Lernens umgesetzt wird. Wenn eine Garnele im Aufnahmebereich erkannt wird, wird diese Sequenz als Videodatei gespeichert und in die Cloud hochgeladen.

2. Analyse der vorverarbeiteten Daten (global, oder "in der Cloud")

Die gefilterten Daten werden dann in der Cloud weiterverarbeitet. Die Bilddaten werden z. B. genutzt, um die Größe einzelner Garnelen abzuschätzen, was es ermöglicht den Wachstumsprozess zu verfolgen und zu dokumentieren.

3. Anpassung des Steuerungssystems

Basierend auf den generierten und bereits vorhandenen Daten wird das Steuerungssystem der Garnelenfarm optimiert. Alle vorhandenen Daten von Laborergebnissen bis zu technischen Spezifikationen werden integriert.

Nutzen

Das entworfene Konzept kombiniert Computer Vision mit Konzepten des Internets der Dinge. Diese Kombination ermöglicht es, in verschiedenen Anwendungsbereichen neue Eingangsparameter für Steuerungssysteme zu generieren. Ein möglicher Informationsverlust und die Verwendung unsystematischer Referenzwerte werden reduziert und ermöglichen so die Automatisierung dieser Prozesse. Das bedeutet, dass der manuelle Aufwand für die Steuerung durch In-situ-Messungen deutlich oder sogar vollständig reduziert werden kann. Gleichzeitig ist es möglich, Daten, Kontrollparameter und die Performance verschiedener Standorte zu vergleichen, Best Practices zu identifizieren und standortübergreifend auszutauschen.

Dieses Projekt wurde im Rahmen des europäischen Projektes Digital Innovation Hubs for Cyber-Physical Systems (DIH4CPS) durchgeführt. Die Fördernummer lautet 872548.