Εξατομικευμένος βέλτιστος τρύγος με αυτόνομο ρομπότ

Ολοκληρώθηκε με επιτυχία το ερευνητικό έργο “Εξατομικευμένος βέλτιστος τρύγος με αυτόνομο ρομπότ” που συντόνισε το Εργαστήριο Αλληλεπίδρασης Ανθρώπου με Μηχανές (ΑΜΑ) του Τεχνολογικού Εκπαιδευτικού Ιδρύματος Ανατολικής Μακεδονίας και Θράκης (ΤΕΙ ΑΜΘ).

Το τριετές αυτό έργο προϋπολογισμού περίπου 997.000€ υλοποιήθηκε στο πλαίσιο του Επιχειρησιακού Προγράμματος «Ανταγωνιστικότητα, Επιχειρηματικότητα και Καινοτομία» (ΕΠΑνΕΚ), Παρέμβαση ΙΙ, του Α’ κύκλου της Δράσης «ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ» με συντονιστή και επιστημονικά υπεύθυνο τον Καθηγητή Βασίλειο Καμπουρλάζο του Τμήματος Μηχανικών Πληροφορικής του ΤΕΙ ΑΜΘ.

Οι σημερινές πρακτικές τρύγου περιλαμβάνουν εκτεταμένη ανθρώπινη εμπλοκή όπως παρακολούθηση καθώς και ειδικευμένες χειρωνακτικές εργασίες. Ωστόσο, η ανθρώπινη εμπλοκή στον τρύγο φαίνεται να έχει φτάσει τα όριά της. Οι άνθρωποι συχνά αδυνατούν να εργαστούν κατά τη διάρκεια της νύχτας όταν επικρατούν άριστες συνθήκες για τρύγο, οι νέοι απομακρύνονται από την αγροτική ζωή και ειδικότερα από τον τρύγο λόγω δυσκολιών του φυσικού αντικειμένου, η αύξηση της ηλικίας των τρυγητών επιμηκύνει τον χρόνο συγκομιδής και ως εκ τούτου μειώνεται η ποιότητα των σταφυλιών που συγκομίζονται και τελικά μειώνεται η ποιότητα των παραγόμενων οινικών προϊόντων. Για τους προαναφερθέντες λόγους υπάρχει ανάγκη αξιόπιστης μηχανοποίησης του τρύγου.

Στην ανάγκη αυτή στηρίχθηκε η ιδέα του ερευνητικού έργου ΕΒΤΑΡ «Εξατομικευμένος Βέλτιστος Τρύγος με Αυτόνομο Ρομπότ. Βασικός στόχος του ΕΒΤΑΡ είναι η ανάπτυξη ενός «ευφυούς» τροχήλατου Αυτόνομου Ρομπότ για Τρύγο (ΑΡΤ) για μηχανοποιημένη υποστήριξη του τρύγου έτσι ώστε, αντί να συγκομίζονται γραμμές πρεμνών μαζικά, να συγκομίζονται επιλεγμένα σταφύλια από ολόκληρο το αμπέλι. Το ΑΡΤ άμεσα στοχεύει στην ενίσχυση της ανταγωνιστικότητας των προϊόντων της Ελληνικής αμπελουργίας με δύο τρόπους: (α) την ποσοτική αύξηση και (β) την σταθερά υψηλή ποιότητα των παραγόμενων σταφυλιών και, κατ’ επέκταση, των οινικών προϊόντων, με ταυτόχρονη μείωση του κόστους παραγωγής.

Η τεχνογνωσία η οποία θα αναπτυχθεί με το ΑΡΤ μπορεί να επεκταθεί για άλλες αμπελουργικές εργασίες, π.χ. για ράντισμα, αλλά και πέραν της αμπελουργίας π.χ. στην ελαιοπαραγωγή. Για την επίτευξη των στόχων του έργου απαιτείται η συνεργασία μεταξύ Ελλήνων επιστημόνων στον τομέα της Γεωπονικής και Οινολογίας με Μηχανικούς. Η κοινοπραξία περιλαμβάνει το εργαστήριο ΑΜΑ του ΤΕΙ ΑΜΘ, το Τμήμα Οινολογίας και Τεχνολογίας Ποτών του ΤΕΙ ΑΜΘ, τις οινοποιίες Κτήμα Παυλίδη, Κτήμα Βίβλια Χώρα και Κτήμα NICO LAZARIDI και την εταιρία EURACTION AE.

Τίτλος έργου: Εξατομικευμένος βέλτιστος τρύγος με αυτόνομο ρομπότ
Προϋπολογισμός: : €997,292.70 (Δημόσια Δαπάνη: €931,167.70)
Πηγή χρηματοδότησης: Δράση «ΕΡΕΥΝΩ – ΔΗΜΙΟΥΡΓΩ – ΚΑΙΝΟΤΟΜΩ», Α΄ κύκλος, Παρέμβαση ΙΙ, Επιχειρησιακό Πρόγραμμα «Ανταγωνιστικότητα, Επιχειρηματικότητα και Καινοτομία (ΕΠΑνΕΚ)», ΕΣΠΑ 2014-2020. Κωδικός έργου Τ1ΕΔΚ-00300
Συντονιστής & Επιστημονικός Υπεύθυνος: Καθηγητής Βασίλειος Καμπουρλάζος
Ημερομηνίες έναρξης – λήξης: 28 Ιουνίου 2018 – 27 Ιουνίου 2022

******

Δημοσιεύσεις

Variable Selection on Reflectance NIR Spectra for the Prediction of TSS in Intact Berries of Thompson Seedless Grapes – Agronomy 2022, vol. 12, no. 9, 2113

A non-destructive method for grape ripeness estimation using Intervals’ Numbers (INs) techniques – Agronomy, vol. 12, no. 7, 1564, 2022

A review of the state-of-art, limitations and perspectives of machine vision for grape ripening estimation – EFITA International Conference 2021

Machine vision for ripeness estimation in viticulture automation – Horticulturae, vol. 7, iss. 9, 282, 2021

Grape stem detection using regression convolutional neural networks – Computers and Electronics in Agriculture, vol. 186, p. 106220, 2021

An Autonomous Grape-Harvester Robot: Integrated System Architecture – Electronics, vol. 10, no. 9, p. 1056

Vision-based Vineyard Trunk Detection and its Integration into a Grapes Harvesting Robot – IJMERR, vol. 10, no. 7, pp. 374-385, July 2021

Real-time Vineyard Trunk Detection for a Grapes Harvesting Robot via Deep Learning – ICMV 2020, Rome, Italy

Exploration of viticultural tasks to be performed by autonomous robot: possibilities and limitation – AGROSYM 2020, Jahorina, Bosnia and Herzegovina

Information Management and Monitoring System for a Grapes Harvesting Robot – CIEES 2020, Borovets, Bulgaria

Toward Big Data Manipulation for Grape Harvest Time Prediction by Intervals’ Numbers Techniques – IJCNN 2020, Glasgow, United Kingdom

Navigation Route Mapping for Harvesting Robots in Vineyards Using UAV-based Remote Sensing – IS 2020, Varna, Bulgaria

Identifying the technological needs for developing a grapes harvesting robot: operations and systems – HAICTA 2020, Thessaloniki, Greece

Forward kinematic analysis of JACO2 robotic arm towards implementing a grapes harvesting robot – SoftCOM 2020, Hvar, Croatia

Harvest Crate Detection for Grapes Harvesting Robot Based on YOLOv3 Model – ICDS 2020, Fez, Morocco

Semantic Segmentation of Vineyard Images Using Convolutional Neural Networks – EANN 2020, Halkidiki, Greece

Grapes Visual Segmentation for Harvesting Robots Using Local Texture Descriptors – ICVS 2019, Thessaloniki, Greece

Machine vision Systems in Precision Agriculture for Crop Farming – Journal of Imaging 2019, 5(12), 89

Time series classification in cyber-physical system applications by intervals’ numbers techniques – FUZZ-IEEE 2019, New Orleans, Louisiana, USA