Odborný partner
O výsledku sklizně rozhoduje, kromě jiného, správné nastavení adaptéru. Příliš agresivní nastavení může vést ke zvýšeným ztrátám, zatímco příliš opatrný postup může snižovat výkonnost stroje. Obsluha proto potřebuje co nejrychleji zjistit, jak její zásahy ovlivňují množství produkce, která zůstává na poli. Právě na tento problém cílí Yield EyeQ. Systém pomocí kamer s vysokým rozlišením sleduje prostor za sklizňovým adaptérem a pomocí algoritmů umělé inteligence identifikuje materiál, který zůstal na povrchu půdy. Geringhoff uvádí, že dokáže rozpoznávat zrna obilnin, sóji nebo kukuřice, ale také klasy, lusky či kukuřičné palice.
Rozlišení skutečných sklizňových ztrát
Důležitou vlastností systému je schopnost odlišit materiál, který ležel na poli již před průjezdem mlátičky, od ztrát vzniklých samotnou sklizní. To je významné zejména v porostech, kde část produkce padá na půdu ještě před průjezdem adaptéru. Bez tohoto rozlišení může být obtížné určit, zda je příčinou ztrát stav porostu, nebo nastavení sklizňové techniky. Yield EyeQ proto neposkytuje pouze informaci o množství materiálu na zemi, ale pomáhá určit, jakou část ztrát lze ovlivnit nastavením adaptéru. Výsledky systém průběžně vyhodnocuje a umožňuje sledovat také rozdíly mezi levou a pravou stranou adaptéru. Obsluha tak může reagovat na nerovnoměrné podmínky v porostu nebo rozdíly v nastavení.
Zpětná vazba během sklizně
Praktický přínos technologie spočívá především v rychlé zpětné vazbě. Pokud řidič změní nastavení adaptéru, může sledovat, zda se následně mění také detekované ztráty. Proces, který byl dosud založen především na zkušenosti, vizuální kontrole a namátkovém měření, se tak mění na průběžnou datovou analýzu: změna nastavení → měření kamerou → vyhodnocení AI → zpětná vazba obsluze. Obsluha může reagovat přímo během sklizně a hledat kompromis mezi vysokou výkonností a co nejnižšími ztrátami.
Méně ztrát znamená lepší využití vstupů
Sklizňové ztráty nejsou pouze otázkou ekonomiky. Zrno nebo jiná produkce, která zůstane na poli, představuje také nevyužitý výsledek práce, půdy a všech vstupů použitých během vegetace – od osiva přes hnojiva a přípravky na ochranu rostlin až po energii a palivo. Pokud lze část těchto ztrát omezit vhodnějším nastavením sklizňové techniky, lze potenciál plochy efektivněji využít. Z tohoto pohledu zapadá Yield EyeQ do konceptu precizního a udržitelného zemědělství.
Od měření k automatizaci
Vývoj podle výrobce směřuje také k využití získaných dat pro automatické nebo poloautomatické optimální nastavení adaptéru. Princip by se tak mohl posunout od pouhého měření k aktivnímu řízení sklizňového procesu: měření → vyhodnocení AI → doporučení → úprava nastavení. Yield EyeQ je tak příkladem toho, jak se umělá inteligence dostává přímo do zemědělských strojů. Kamera zde neslouží pouze k monitorování, ale stává se zdrojem provozních dat, podle nichž lze optimalizovat práci stroje.
Digitální kontrola toho, co zůstává na poli
Největší přínos technologie spočívá v převedení obtížně měřitelných sklizňových ztrát do podoby průběžně dostupných dat. Obsluha může během práce sledovat, zda její nastavení skutečně vede ke snížení ztrát.
