O+P Fluidtechnik 11-12/2023
O+P Fluidtechnik 11-12/2023
O+P Fluidtechnik 11-12/2023
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
FORWARDER-ASSISTENZSYSTEM<br />
HOLZERNTE MIT<br />
KÜNSTLICHER<br />
INTELLIGENZ<br />
Die Nutzung von Methoden der künstlichen Intelligenz (KI) wird derzeit<br />
in vielen Anwendungen erforscht, so auch am Institutsteil Mobile<br />
Arbeitsmaschinen (Mobima) des Karlsruher Instituts für Technologie KIT.<br />
Entwickelt wurde hier ein System zur automatischen Erkennung und<br />
zum Greifen von Baumstämmen. Die zukunftsweisende Forwarder-<br />
Anwendung war ein Forschungsprojekt im Bereich der Forsttechnik.<br />
MOBILE MASCHINEN<br />
Ein Fachkräftemangel ist heute in allen Bereichen der Industrie<br />
zu beobachten, so auch in der Forstwirtschaft. Zudem<br />
hat sich gezeigt: Ein Fahrer eines Forwarders (Tragschlepper)<br />
muss neun Monate angelernt werden, bevor er<br />
produktiv mit der Maschine arbeiten kann [1]. Auch wenn das<br />
Laden von Baumstämmen einfach aussieht, so stellt es doch hohe<br />
Anforderungen an den Maschinenbediener. Es darf beispielsweise<br />
nicht in den Boden gegriffen werden oder der Schwerpunkt<br />
der Stämme muss getroffen werden.<br />
Es ist daher naheliegend, den Fahrer bei dieser Aufgabe zu unterstützen.<br />
Möglich wird dies durch den Einsatz von Methoden<br />
der KI, konkret mit Verfahren aus der Bilderkennung.<br />
KI LERNT AN REALEN EINSCHLAGSSZENARIEN<br />
In einem ersten Schritt war es notwendig, liegende Baumstämme<br />
erkennen zu können und deren exakte Schwerpunktlage zu bestimmen.<br />
Um Objekte sicher erkennen zu können, muss die KI<br />
Prof. Dr.-Ing. Marcus Geimer, Institutsleiter am Karlsruher Institut für<br />
Technologie (KIT), Institutsteil Mobile Arbeitsmaschinen (Mobima)<br />
Dr.-Ing. Chris Geiger hat 2022 am KIT zu dem Thema promoviert<br />
mit einer Vielzahl von Bildern trainiert werden, das gilt insbesondere<br />
für KI-Methoden zur Bilderkennung. Eine solche Anzahl von<br />
Bildern aufzunehmen und zu annotieren, würde sehr viel Zeit<br />
kosten; Bildannotation heißt Zuordnen von Informationen zu einem<br />
Bild. Deshalb wurde im Forschungsprojekt ein auf dem öffentlichen<br />
COCO-Datensatz (330.000 Bilder) vortrainiertes Netz<br />
genutzt, und zwar das YOLACT++ mit einem ResNet-101 als Backbone.<br />
Dieses erkennt heute zuverlässig Gegenstände des Alltags.<br />
Wie aber kann das Netz nun zur Erkennung von Baumstämmen<br />
genutzt werden? Hier wurde sich der Methode des Transfer-Learning<br />
bedient: Die letzten Layer des Netzes wurden mit dem am<br />
KIT erzeugten, forstspezifischen Datensatz MobimaLogs neu trainiert,<br />
der 2.200 Bilder aus realen Einschlagsszenarien im Forst<br />
umfasst. Dies war möglich, da die ersten Layer aus den Bildern<br />
Merkmale, wie z. B. Linien, Kreise oder ähnliches extrahieren. Erst<br />
in den letzten Layern wird dann die Wahrscheinlichkeit für das<br />
Vorhandensein eines speziellen Objektes ermittelt, etwa eines am<br />
Boden liegenden Stamms oder eines stehenden Baumes.<br />
Wie erfolgreich ein solches Training ist, zeigt Bild 01. Die von<br />
dem KI-System erkannten Objekte sind darin markiert. Durch<br />
das neuronale Netzwerk findet eine Instanzsegmentierung statt.<br />
Es ist ersichtlich, dass nicht nur die Baumstämme selbst erkannt<br />
und klassifiziert werden, sondern auch eine Identifikation jedes<br />
48 <strong>O+P</strong> <strong>Fluidtechnik</strong> <strong>2023</strong>/<strong>11</strong>-<strong>12</strong> www.oup-fluidtechnik.de