Im Vorhaben wurde ein Köpfbunkerroder mit einem Kamerasensor ausgestattet, der für die Online-Erfassung von Qualitätsparametern in den ersten Versuchsreihen speziell konfiguriert wurde. Bei der Datenerhebung mit der ausgerüsteten Maschine wurden anschließend die Maschinenparameter gezielt von den Fahrern manipuliert, um verschiedene Variationen der Erntequalität erfassen zu können. Parallel dazu wurde das benötigte Expertenwissen dokumentiert und die Maschinendaten für die Abbildung der Wirkzusammenhänge aufgezeichnet.
Für die Umsetzung der maschinellen Auswertung der Bilddaten stellte die wechselnde Sonneneinstrahlung ein komplexes Problem dar, dessen Lösung mittels Hard- und Software untersucht wurde. Die besten Ergebnisse lieferte schließlich der Einsatz von Deep Learning Algorithmen, da diese durch das gezielte Training eine gegenüber der Sonneneinstrahlung robuste Segmentierung von Qualitätsmerkmalen ermöglichten.
Zur Modellierung der Wirkzusammenhänge und für die Bewertung der Bildverarbeitungsalgorithmen wurden die erhobenen Daten auf Basis des Expertenwissens maschinell geclustert. Anschließend wurde anhand der Cluster ein Datensatz für die Auslegung der Algorithmen ausgewählt, der eine gute Verteilung der Qualitäts- und Maschinenparameter im Parameterraum hat. Für die Modellierung der Prozesse wurden verschiedene Methoden des maschinellen Lernens untersucht. In Abbildung 2 ist die berechnete Qualität anhand der funktionalen Zusammenhänge aus dem geeignetsten Prozessmodell über der Expertenbewertung für den Datensatz dargestellt.