Projektverantwortliche
Prof. Dr. rer. nat. Thomas Linkugel
Dr. rer. nat. Georg Avramidis
Prof. apl. Prof. Dr. Wolfgang Viöl
Finanzierung
Europäische Union (EU)
Projektträger
Landwirtschaftskammer Niedersachsen
Förderkennzeichen
2.1.1./2021 EIP-2021-20
Projektkosten
481.054,65 €
Dauer
29.03.2021 bis 15.02.2024

PRo-MAPPER – Plant Robot for Multidimensional Artificial Phenotyping for Plasma Enhanced Research

1. Problemstellung bzw. aktuelle Situation und Handlungsbedarf: 


Trotz hoher Effizienz stellt die Direktsaat die moderne Landwirtschaft vor große Herausforderungen. Oftmals gebündelt auftretenden Probleme, wie bakterielle und Pilz-Infektionen, durch diverse Schadinsekten übertragene virale Infektionen sowie eventuell auftretende Mangelerscheinungen, kann außer einer hochdosierten Applikation von Pestiziden und Düngemitteln meist nur wenig entgegengesetzt werden. Eine Lösung dieser Probleme erfordert ein gesamtheitliches Konzept sowie die Vernetzung verschiedener Kompetenzbereiche. 


2. Innovationsidee und Lösungsansatz: 


Ziel des Projekts ist es, neuartige Methoden der Robotik, eine multisensorielle Datenfusion zur Phänotypisierung sowie plasmatechnologische Lösungsansätze für den hochautomatisierten Einsatz im Agrarbereich zu einem neuartigen Gesamtsystem zu kombinieren. Dieses System soll den effizienten Einsatz von konventionellen Pflanzenschutzmaßnahmen und Nährstoffadditiven deutlich früher als bei klassischen Bewirtschaftungssystemen ermöglichen. Zum anderen soll der Einsatz von Pestiziden durch eine frühzeitige Anwendung alternativer Behandlungsmethoden, wie plasmaaktivierter Flüssigkeiten oder dem frühzeitigen Entfernen kranker Jungpflanzen, deutlich reduziert oder vermieden werden. Die Versuche werden in automatisierten Anzuchtbeeten für die Kulturen Zuckerrübe, Mangold und Flieder durchgeführt. Dazu wird ein kostengünstiger Pflanzroboter, welcher für die teil-automatisierte Aussaat, Bewässerung und Unkrautunterdrückung konzipiert worden ist, zu einer multisensoriellen und vollautomatisierten Anlage erweitert. Methoden des maschinellen Lernens werden genutzt, um aus einer geeigneten Menge an Trainingsdaten ein Modell zu entwickeln, das in der Lage ist, Aufgaben der Klassifikation vollständig autonom durchzuführen.

Kooperationspartner 

  • IfZ Institut für Zuckerrübenforschung 
  • PiccoPlant Mikrovermehrungen GmbH