De bedrijfsvoering in de landbouw moet zich steeds innoveren om aan te sluiten bij eisen aan producten en effecten op milieu. Kennis en gegevens van bedrijfsvoering zal bij die innovatie gebruikt moeten worden. Op de korte termijn zal een verbeterde overdracht van bestaande generieke kennishierbij een belangrijke rol spelen, omdat veel telers nog niet alle kennis en ervaringen goed gebruiken voor verbetering van kwaliteit, opbrengst en rendement. Op de langere termijn zal ook beter gebruikgemaakt moeten worden van situatiespecifieke gegevens. Hierbij zal aangesloten moeten worden bij ontwikkelingen in de Informatie en Communicatie Technologie (ICT), zoals toegepast in zelflerendesystemen. Dergelijke systemen passen gegevens en kennisregels toe om teeltadvies te genereren. Op basis van de geregistreerde resultaten die met gerealiseerd teelt management bereikt worden, wordendaarna de gegevens en kennisregels aangepast, waarmee in het volgende seizoen een nieuw advies wordt gegenereerd.Dit rapport beschrijft een aantal activiteiten die zijn verricht in het kader van het AgroBiokon project met als oogmerk om:1. te inventariseren wat voor benaderingen er nu al zijn t.a.v. al dan niet geautomatiseerde systemen voor kennisoverdracht (hoofdstukken 4 en 5)2. te inventariseren wat voor teeltregistratie nodig is voor zelflerende systemen (hoofdstuk 6)3. te bekijken welke generieke gegevensbestanden er zijn om te gebruiken als basis voor zelflerendesystemen (hoofdstuk 7)4. een aantal methoden te vergelijken die de basis kunnen vormen voor zelflerende systemen(hoofdstuk 8)5. voorbeelden te geven van toepassing van die methoden in bestaande situaties (hoofdstukken 9en 13)6. inzichten van partners te inventariseren over de mogelijkheden van nieuwe systemen voorteeltinnovatie (hoofdstuk 10)7. een beschrijving te geven van een project om innovatie in de (zetmeel) aardappelproductie testimuleren (hoofdstuk
MULTIFILE
Melkveehouders beschikken over alsmaar meer data van hun dieren. De uitdaging is om die datastromen op de juiste manier te gebruiken. Het lijkt erop dat de crux zit in het combineren van verschillende gegevens.
MULTIFILE
Industrial robot manipulators are widely used for repetitive applications that require high precision, like pick-and-place. In many cases, the movements of industrial robot manipulators are hard-coded or manually defined, and need to be adjusted if the objects being manipulated change position. To increase flexibility, an industrial robot should be able to adjust its configuration in order to grasp objects in variable/unknown positions. This can be achieved by off-the-shelf vision-based solutions, but most require prior knowledge about each object tobe manipulated. To address this issue, this work presents a ROS-based deep reinforcement learning solution to robotic grasping for a Collaborative Robot (Cobot) using a depth camera. The solution uses deep Q-learning to process the color and depth images and generate a greedy policy used to define the robot action. The Q-values are estimated using Convolutional Neural Network (CNN) based on pre-trained models for feature extraction. Experiments were carried out in a simulated environment to compare the performance of four different pre-trained CNNmodels (RexNext, MobileNet, MNASNet and DenseNet). Results showthat the best performance in our application was reached by MobileNet,with an average of 84 % accuracy after training in simulated environment.
DOCUMENT
