Umsetzungsprojekt: SensFeedPro – Einsatz von Datenmodellen aus alternativen sensorgestützer Messtechnik zur Einzelfuttermittelbewertung

Umsetzungsprojekt: SensFeedPro – Einsatz von Datenmodellen aus alternativen sensorgestützer Messtechnik zur Einzelfuttermittelbewertung

Kurzbeschreibung

In der Verarbeitung landwirtschaftlicher Feldfrüchte stellt die Heterogenität dieser Naturprodukte eine der größten Herausforderungen dar. Vor allem, wenn eine homogene und gleichbleibende Produktqualität erforderlich wird. Ähnlich ist es in der Verarbeitung hofeigener Erntegüter zu Futtermittel. In dieser besonders regionalen Form der Tierernährung könnten inhaltsstoffliche Schwankungen durch Rationsanpassungen grundsätzlich ausgeglichen werden, jedoch fehlt es oftmals an branchengeeigneten Lösungen. Speziell die hier vorherrschenden geringen Durchflussraten machen den Einsatz bestehender Lösungen zur In-Line Eduktkontrolle wie sie beispielsweise in der Lebensmittelverarbeitung zum Einsatz kommen unmöglich. Entsprechende Systeme basieren zumeist auf NIR-Technologie auf Basis umfangreicher Kalibrationen. In der hofeigenen Futtermittelherstellung wirkt sich der Einsatz dieser Technik, speziell bei den vorherrschenden geringen Durchsatzraten, negativ auf die Wirtschaftlichkeit aus. Basierend auf diesen Problemstellungen hat das vorliegende Projekt zum Ziel, kostengünstige alternative Lösungsansätze zur Eduktkontrolle von Feldfrüchten zu entwickeln. Im Speziellen sind sensorische Kombinationen zur Erfassung unterschiedlicher Parameter wie beispielsweise Feuchte, Temperatur, Masse und Volumen und Bilddaten angedacht. Die Datenerfassung und Verarbeitung soll hierbei mittels Open-Source Lösungen realisiert werden. Nach Aufbau und Inbetriebnahme eines Funktionsmusters sollen damit Messdaten von Erntegüter wie beispielsweise Weizen, Sojabohne, Mais, Gerste generiert werden und anschließend mit Ergebnissen der herkömmlicher NIR Spektroskopie bzw. nasschemischen Methoden verglichen werden. Die chemometrische Bewertung aller Daten wird mittels Machine Learning bzw. Deep Learning Ansätze realisiert. Das daraus entstehende Modell bildet die Grundlage für eine Abschätzung der Eignung alternativer Sensorsysteme in punkto Messgüte, Aussagekraft und Wirtschaftlichkeit für die hofeigene Futtermittelherstellung. Bereits eine Reduktion von Analysen mit herkömmlichen Methoden kann einen positiven Beitrag hinsichtlich ressourceneffizienter Tierernährung und eine einhergehende Steigerung an Tierwohl bewirken.

Das Programm wird im Rahmen der Digital Innovation Hubs in Österreich abgehalten und ist von der FFG gefördert.

Zielgruppe

Innovative KMU´s der Automatisierungstechnik

Landwirt:innen

Anlagenbauer:Innen

Ziele/Ergebnisse/Learning Outcomes

Ziel des Umsetzungsprojektes ist es, ein kostengünstiges Messsystem basierend auf diversen Sensoren aufzubauen und zu testen. Dieses System soll eine alternative zu herkömmlichen Verfahren zur Qualitätskontrolle für Hofmischer darstellen