Vollständiger Name:
Smarte Automatisierungssysteme und -services für den Obstanbau an der Niederelbe (SAMSON)
Laufzeit:
15.12.2022 – 14.12.2027
Förderprogramm:
Zukunftsbetriebe und Zukunftsregionen
Fördergeber:
BMLEH
Fördernummer:
28DE201B21
Projektverantwortliche Person:
Benjamin Schulze – benjamin.schulze@ifam.fraunhofer.de
Folgeprojekt:
Projektwebsite:
https://samson-projekt.de/
Das Projekt SAMSON entwickelt ein ganzheitliches System zur autonomen und datenbasierten Bewirtschaftung von Dauerkulturen – mit Fokus auf den Apfelanbau.
Durch bildbasierte Vermessung jedes Obstbaums im Vorbeifahren und KI-gestützte Datenauswertung werden baumspezifische Informationen wie Blühstärke, Fruchtanzahl, Fruchtgröße und Schädlingsbefall abgeleitet.
Diese Daten bilden zugleich eine Grundlage für die digital unterstützte Forschung und Züchtung, etwa durch Korrelationen zwischen Umweltbedingungen und Baumparametern.
Ziel ist es, auf Basis baumspezifischer Entscheidungen den Einsatz von Pflanzenschutzmitteln und Wasser zu reduzieren und so Nachhaltigkeit, Effizienz und Wirtschaftlichkeit der landwirtschaftlichen Urproduktion zu steigern.
Fraunhofer IFAM
Sensorbasierte Datenerhebung der Dauerkulturen und Plattform zur Verwaltung der Datensätze in Form digitaler Zwillinge je Pflanze, Fläche und System.
Hochschule für Angewandte Wissenschaften Hamburg (HAW)
Entwicklung von KI-Modellen zur Erkennung von Pflanzen, Früchten und Schädlingen.
Auslegung von Vision-Systemen und Ableitung holistischer Datenmodelle.
hochschule21
Entwicklung von Anbaugeräten für einen autonomen Feldroboter zur eigenständigen Bewirtschaftung der Fläche.
Technische Universität Hamburg (TUHH)
Training von KI-Modellen zur Erkennung von Äpfeln sowie Ableitung der Quantität und Qualität des Fruchtertrages je Baum.
Kompetenznetzwerk „Digitalisierung in der Landwirtschaft“
(Koordination: BMLEH und BLE)
Smart-Farming-Netzwerk
(Koordination: Fraunhofer Gesellschaft)
Vernetzte Wetterstationen
Entwicklung kostengünstiger IoT-Wetterstationen zur genauen Erfassung von Mikroklima-Daten auf Parzellenebene – nützlich für Schädlingsprognosen, Trockenstressanalysen und Forschungszwecke.
Erfassung von Dauerkulturen
Kartierung aller Obstbäume mit Speicherung baumspezifischer Daten als Grundlage für präzise, bedarfsgerechte Pflanzenschutzmaßnahmen.
Erfassung von Schadeinflüssen
Einsatz von Multispektral- und Stereokameras zur Erkennung von Schädlingen.
Herausforderung: begrenzte Referenzdaten, da Schaderreger selten in ausreichender Menge auftreten.
Vorhersagemodelle zum Pflanzenschutz
Nutzung fein aufgelöster Sensordaten für präzisere Modelle.
Erfordert umfangreiche Datenauswertung über mehrere Jahre.
Automatisches Wassermanagement
IoT-Sensoren dokumentieren Durchflussmengen, ordnen sie einzelnen Bäumen zu und analysieren die Auswirkungen mithilfe digitaler Zwillinge.
Regelkreise steuern den Wasserbedarf automatisiert – etwa zur Frostabwehr oder bei Trockenstress.
Autonomer Transportroboter
Freie Navigation in Reihenkulturen wurde erfolgreich validiert.
Der Roboter kann Anbaugeräte aufnehmen und für Streifenpflege einsetzen.
Prädikation Apfelqualität
Erste Modelle zur Erkennung und Größenbestimmung von Äpfeln am Baum wurden getestet.
Die Ergebnisse werden mit Umwelt- und Managementdaten (Wasser, Frost, Wetter, Behandlungen etc.) korreliert.
Blome, F.; Berschauer, D.; Schulze, B. (2024):
Standardized Sensor Infrastructure for Seasonal and Multi-Seasonal Data Collection in Orchard Management.
Die Veröffentlichung beschreibt eine modulare Sensorplattform zur wiederkehrenden Datenerfassung im Obstbau mit LiDAR-, Kamera-, IMU- und RTK-GNSS-Sensorik.
Dadurch können präzise, georeferenzierte Datensätze auf Baumeinzelniveau erhoben werden, die als Grundlage für KI-Anwendungen zur Analyse von Pflanzenwachstum, Gesundheitszustand und Ertragsprognose dienen.
Hentzschel, M.; Berschauer, D.; Köpcke, D. (2025):
Individual Tree-Specific, Automated Assessment of Flowering Intensity in Apple Cultivation as a Basis for Prescription Maps for Thinning.
Es werden ROSBAGs mit Bilddaten, GNSS-RTK-, IMU- und LiDAR-Daten aufgezeichnet.
Die Datenerhebung erfolgt über mehrere Wachstumsperioden hinweg.
Die Verarbeitung erfolgt individuell auf projektinternen KI-Systemen.
Eine webbasierte Oberfläche visualisiert verfügbare Metadaten und ermöglicht Filterung nach Datensätzen.
Nach der Aufnahme werden Datensätze auf Vollständigkeit geprüft, im Projektarchiv gespeichert und Metadaten über die Web-Oberfläche integriert.
Repräsentative Datensätze werden über ein Git-Repository bereitgestellt; weiterführende Daten sind auf Anfrage zugänglich.