Ανάπτυξη μοντέλων χειρωνακτικής συλλογής οπωροκηπευτικών και τεχνικών αυτόματης καταγραφής δεδομένων για εφαρμογές γεωργίας ακριβείας και ιχνηλασιμότητας

Abstract

This thesis presents innovative in-field data monitoring systems, especially during manual fruit harvesting, for “in field traceability”, yield mapping as well as for providing information on efficiency and working hours of an individual worker (monitor farm labor). First of all, this thesis introduces UML and hybrid Petri nets into modeling for farm work flow and flow of information in hand harvested production, as an industrial procedure. The main emphasis is on the construction of an adequate model for extracting the traceability-related information from the data from all the sensors, for providing the proof needed to meet compliance standards. Hence, technologies and methods can be adopted, based on the previous analysis, which rely on a multitude of sensors attached to infrastructure (ambient) and to the workers (wearable), in order to collect the necessary information. In addition, an algorithm was developed to simulate each stage of the harvesting procedure (in MATLAB®), based on UML analysis. The analysis and the modeling of all activities involved in the manual harvesting procedure provided input to advanced automatic data monitoring systems. Hence, a multitude of sensors were selected and methodologies were developed, based on the analysis, in order to register the essential activities during manual harvesting of specialty crops. The goal is the achievement of full scale traceability and yield mapping i.e., to know the origin of fruit or vegetable, who picked it and when, the association between bins and trees, etc. Thus, innovation systems and methods, for automatic data acquisition, were developed and evaluated, which rely on GPS, RFID and barcode technologies as well as on a human motion tracking system (wearable dead reckoning module). In these systems each resource, which is involved in the production, is identified uniquely, providing, in a future system, a type of ambient intelligence regarding to the recognition of agricultural work which is executed based on the “state” of the entity that executes him.

Στη διατριβή αυτή παρουσιάζονται καινοτόμα συστήματα αυτόματης καταγραφής δεδομένων αγρού, κυρίως κατά τη διαδικασία της χειροσυλλογής των οπωροκηπευτικών, τα οποία μπορούν να χρησιμοποιηθούν για την «εντός αγρού ιχνηλασιμότητα» των προϊόντων (δυνατότητα ταυτοποίησης των προϊόντων με ένα συγκεκριμένο σημείο π.χ. δέντρο), για τη χαρτογράφηση της παραγωγής καθώς και για τη δυνατότητα εκτίμησης της απόδοσης «ποσοτικής-ποιοτικής» των εργατών. Πρώτα από όλα όμως, περιγράφεται και μοντελοποιείται η διαδικασία της χειροσυλλογής των οπωροκηπευτικών ως μία διαδικασία «βιομηχανικής» παραγωγής, με χρήση της γλώσσας UML και των υβριδικών Petri Nets, προκειμένου να προσδιορισθούν όλα τα δεδομένα που απαιτούνται για την τεκμηρίωση της παραγωγής (ιχνηλασιμότητα). Συνεπώς, μπορούν να υιοθετηθούν μέθοδοι και τεχνολογίες για την ορθή ανάκτηση των δεδομένων αγρού για κάθε στάδιο της χειροσυλλογής. Επιπλέον, στη μοντελοποίηση της διαδικασίας αυτής, με χρήση της UML, βασίστηκε η ανάπτυξη αλγορίθμου (λογισμικού με χρήση της γλώσσας τεχνικού προγραμματισμού MATLAB®) που προσομοιώνει κάθε στάδιο της χειροσυλλογής. Με βάση την ανάλυση και τη μοντελοποίηση της διαδικασίας της χειροσυλλογής επιλέχτηκαν αισθητήρες και αναπτύχθηκαν μεθοδολογίες για την αυτοματοποιημένη καταγραφή των απαραίτητων δεδομένων. Στην χειρωνακτική συγκομιδή η πληροφορία ιχνηλασιμότητας και χαρτογράφησης πρέπει να παρέχει τη σύνδεση μεταξύ δένδρου, εργάτη συλλογής, τελάρου αποθήκευσης και ημερομηνίας-ώρας συλλογής. Έτσι, αναπτύχθηκαν και εξετάστηκαν καινοτόμα συστήματα-μεθοδολογίες αξιόπιστης και αυτόματης συλλογής δεδομένων, τα οποία περιλαμβάνουν συσκευές GPS, αναγνώστες barcode, RFID, και μία συσκευή μέτρησης βηματισμού (pedometer). Στα συστήματα αυτά ταυτοποιείται μοναδικά κάθε πόρος που εμπλέκεται στην παραγωγή