Robot je postaven na řídicím systému Siemens SIMATIC S7-1200 doplněný o nový průmyslový počítač TensorBox 520A pro provoz neuronových sítí. Technologické řešení má k dispozici velkou výpočetní kapacitu, přitom je malé a odolné.
Po úvodních pokusech si v Optisolutions uvědomili, že zcela zásadní je vědět, na co se robot dívá a co vidí. Včas rozpoznat, že je s rostlinou něco špatně. A také se o ni průběžně starat. Bez hlubokých znalostí pěstovaných rostlin a jejich potřeb není možné robot naprogramovat. Proto se v Optisolutions rozhodli oslovit rodinnou farmu Ráječek, která se modernímu pěstování rajčat věnuje už od roku 1997.
Matěj Sklenář, majitel farmy Ráječek, pomohl specifikovat, co by měl robot dělat. To, že by měl robot ustřihnout zralé rajče, je vlastně to poslední. Mnohem důležitější je, aby robot dokázal zavčasu odhalit chorobu anebo škůdce.
Tuto práci doposud vykonávají lidé, což má řadu omezení. Lidské oko nevidí vše a brzo se unaví, lidský mozek po čase ztratí soustředění. Oproti tomu robot dokáže naskenovat každou jednotlivou rostlinu, nic nepřehlédne, a přitom trvale udrží plnou pozornost.
Prototyp rajčatového robota s označením FRVAVEBOT je pilotní projekt, na kterém si jeho tvůrci ověřili, že technologie – hardwarové i softwarové – jsou životaschopné. V Optisolutions plánují konstruovat dvě verze zařízení: horizontální – pro rajčata a vertikální – například pro jahody.
V plánu je také rozdělit současný multifunkční robot na dvě části: na robot analytický a na robot, který bude vykonávat konkrétní činností. Analytické roboty budou provádět pouze monitorování rostlin, a pohybovat po skleníku se budou rychleji a ve větším počtu. Naproti tomu pracovní roboty budou moct zajíždět jen tam, kde je potřeba zásah.
Za kvalitními plody rajčat jsou velké objemy dat. Robot projíždí jednotlivé uličky ve fóliovníku a sbírá data o rostlinách. Fóliovník sám je také řízen počítačem, tzn. že rovněž generuje data, která detailně popisují prostředí, ve kterém rostliny rostou. Data ze skleníku lze následně přes časovou značku a lokaci spojit s konkrétní událostí. Správně provedený data mining pak umožní zjistit příčiny událostí, např. výskyt konkrétní choroby nebo škůdce.
Data, která robot sbírá, se posílají do cloudu, kde probíhá jejich analýza. Popis dat je v tomto případě velmi složitý, protože rostliny se stále mění – rostou, otáčejí se za sluncem, odpoledne lehce povadnou, mění se délka jejich závěsu, ubývají a přibývají na nich plody. Navíc je nutné aktuální data trvale porovnávat s historickými daty, tzn., jak daná rostlina vypadala např. před týdnem nebo včera. Každému hlášení o anomálii, které obsahuje přesné souřadnicové určení polohy postižené rostliny, předchází analýza obrovského množství dat a práce algoritmů umělé inteligence.
Nejtěžším úkolem je popsat, co se děje v daný okamžik, zjistit příčinu a následně predikovat, kde by se stejný stav mohl objevit jinde. Sledování interakce rostlina – prostředí – patogen je nesmírně cenné. Umožňuje to velmi přesně modelovat vývoj dané choroby, což je velký krok pro celý obor fytopatologie.
Závěr:
Výhodou využití robotů jsou jejich kapacitní možnosti. Ani proškolený člověk totiž nedokáže zkontrolovat všechny rostliny, což v praxi znamená, že se kontroluje jen vybraná část. S analytickým robotem však ve fóliovníku o rozloze 1 ha dokážou poskytnout všem 30 tisícům rostlin individuální péči. Díky robotické péči se zvýšily výnosy i kvalita. Zásahy proti nemocem probíhají okamžitě a hlavně lokálně, o více než 1000 % klesla spotřeba pesticidů. Snížily se náklady a produkce rajčat farmy Ráječek je díky robotům výrazně udržitelnější.
Jaroslav Blažek
Doplňující odkazy k článku:
Siemens, s.r.o.,Communications
Připojte se k nám na Facebooku zde.
Sledujte naše novinky na Twitteru tady.
