Aetina Smart Farming Solutions: Edge AI für Landwirtschaft, Forstwirtschaft und Aquakultur

Die manuelle Identifizierung von Pflanzenkrankheiten auf dem Feld ist teuer, inkonsistent und langsam. Prüfer müssen einzelne Pflanzen physisch untersuchen, und ihre Bewertungen variieren je nach Erfahrung und Ermüdung. Selbst wenn eine Krankheit korrekt erkannt wird, führt die Zeit bis zur Laborbestätigung oft dazu, dass Gegenmaßnahmen zu spät erfolgen, um größere Ernteverluste zu verhindern.

Diese gemeinsam mit einem ISV-Partner entwickelte Lösung nutzt die Edge-AI-Computing-Plattform AIE-KN42 von Aetina in Kombination mit dem NVIDIA TensorRT Inference SDK, um sofortige Gesundheitsdiagnosen direkt vor Ort für Mangoblätter bereitzustellen. Eine Kamera erfasst Blattbilder direkt im Feld. Das KI-Modell — trainiert auf einem umfassenden Datensatz zu Pflanzenkrankheiten und optimiert für TensorRT-Inferenz — analysiert Farbe, Textur und morphologische Muster in Echtzeit, um das Blatt als gesund zu klassifizieren oder die konkrete Krankheit zu identifizieren — ohne Cloud-Upload oder Verzögerungen durch Laboranalysen.

Da die AIE-KN42 sämtliche Inferenz lokal ausführt, ist die Latenz minimal und das System arbeitet unabhängig von einer Internetverbindung. Die gleiche trainierte Pipeline kann mit zusätzlichen markierten Datensätzen auch für andere Pflanzenarten neu trainiert werden, wodurch die Lösung breit in unterschiedlichen landwirtschaftlichen Szenarien einsetzbar ist.

• Sofortige Diagnosen vor Ort — Landwirte erhalten direkt auf dem Feld verwertbare Ergebnisse, ohne auf Laboranalysen warten zu müssen.
• Bessere Entscheidungen im Pflanzenmanagement — die frühzeitige Erkennung von Krankheiten ermöglicht gezielte Gegenmaßnahmen vor einer Ausbreitung.
• Reduzierter Chemikalieneinsatz — präzise Erkennung verhindert flächendeckenden Pestizideinsatz und senkt Kosten sowie Umweltbelastung.
• Höhere Erträge und Qualität — frühzeitige Krankheitsbekämpfung verbessert direkt die Ernteergebnisse.

Das globale Defizit in der Lebensmittelproduktion kann nicht allein durch mehr menschliche Arbeitskräfte gelöst werden. Die ländliche Bevölkerung altert, das Interesse jüngerer Generationen an landwirtschaftlicher Arbeit sinkt, und die Geburtenraten in vielen Agrarregionen gehen zurück. Robotergestützte Erntesysteme bieten einen skalierbaren Ausweg — jedoch nur, wenn die integrierte Computing-Plattform die Echtzeit-KI-Workloads für präzise Objekterkennung, Bewegungsplanung und mechanische Steuerung bewältigen kann.

Das Smart Farm System von Aetina basiert auf dem AIB-MX22, einem MegaEdge-MXM-Carrierboard mit NVIDIA Jetson AGX Orin-Modul. Mit bis zu 275 TOPS KI-Inferenzleistung bietet das AIB-MX22 serverähnliche Edge-Computing-Leistung in einem kompakten und feldtauglichen Formfaktor. Das System unterstützt LTE/5G (M.2 B-Key), Wi-Fi/Bluetooth (M.2 E-Key) und NVMe-Speicher (M.2 M-Key) und ermöglicht so Konnektivität sowie lokale Datenspeicherung unabhängig von der Netzverfügbarkeit.

Vier PSE-PoE-Ports (Power Sourcing Equipment) verbinden direkt die am Ernte-Roboter montierten Feldkameras, während ein 10GbE-Port die zehnfache Bandbreite von Standard-Gigabit-Ethernet für die Übertragung hochauflösender Bild- und Sensordaten bietet. Der breite Eingangsspannungsbereich von 9–36 VDC gewährleistet die Kompatibilität mit unterschiedlichen mobilen und batteriebetriebenen Agrarplattformen. Aetina bietet umfassende Projektunterstützung von der Erstbewertung bis zur Schulung nach der Implementierung und beschleunigt dadurch die Markteinführung für Hersteller landwirtschaftlicher Robotiksysteme.

• Geringere Personalkosten — Roboter ersetzen repetitive manuelle Erntearbeiten ohne Qualitätsverlust.
• Höhere Erträge — KI-gesteuerte Ernte minimiert Beschädigungen und übersehene Pflanzen.
• Geringerer Platzbedarf — Agrarroboter benötigen weniger Raum als herkömmliche Maschinen.
• Weniger Fehler bei Aussaat, Bewässerung und Pestizideinsatz — KI-gesteuerte Präzision verhindert Über- und Unterbehandlung.
• Weniger Pestizidverbrauch — gezielte Anwendung reduziert Chemikalienkosten und Umweltbelastung.

Das globale Defizit in der Lebensmittelproduktion kann nicht allein durch die Rekrutierung zusätzlicher Arbeitskräfte gelöst werden. Die ländliche Bevölkerung altert, das Interesse jüngerer Generationen an landwirtschaftlicher Arbeit nimmt ab, und die Geburtenraten in vielen Agrarregionen sinken. Robotergestützte Erntesysteme bieten einen skalierbaren Lösungsansatz — allerdings nur dann, wenn die integrierte Computing-Plattform die Echtzeit-KI-Workloads für präzise Objekterkennung, Bewegungsplanung und mechanische Steuerung bewältigen kann.

Das Smart Farm System von Aetina basiert auf dem AIB-MX22, einem MegaEdge-Carrierboard im MXM-Format mit NVIDIA Jetson AGX Orin-Modul. Mit bis zu 275 TOPS KI-Inferenzleistung bietet das AIB-MX22 serverähnliche Edge-Computing-Leistung in einem kompakten, feldtauglichen Formfaktor. Das System unterstützt LTE/5G (M.2 B-Key), Wi-Fi/Bluetooth (M.2 E-Key) sowie NVMe-Speicher (M.2 M-Key) und ermöglicht dadurch Konnektivität und lokale Datenspeicherung unabhängig von der Netzverfügbarkeit.

Vier PSE-PoE-Ports (Power Sourcing Equipment) verbinden direkt die am Ernte-Roboter montierten Feldkameras, während ein 10GbE-Port die zehnfache Bandbreite von Standard-Gigabit-Ethernet für die Übertragung hochauflösender Bild- und Sensordaten bietet. Der breite Eingangsspannungsbereich von 9–36 VDC gewährleistet die Kompatibilität mit unterschiedlichsten mobilen und batteriebetriebenen Agrarplattformen. Aetina bietet umfassende Projektunterstützung von der ersten Evaluierung bis hin zu After-Sales-Schulungen und beschleunigt dadurch die Implementierung für Hersteller landwirtschaftlicher Robotiksysteme.

• Geringere Personalkosten — Roboter ersetzen repetitive manuelle Erntearbeiten ohne Qualitätsverlust.
• Höhere Erträge — KI-gesteuerte Ernte minimiert Beschädigungen und ausgelassene Pflanzen.
• Geringerer Platzbedarf — Agrarroboter benötigen weniger Raum als konventionelle Maschinen.
• Weniger Fehler bei Aussaat, Bewässerung und Pestizidanwendung — KI-gesteuerte Präzision verhindert Über- und Unterbehandlung.
• Reduzierter Pestizidverbrauch — gezielte Anwendung senkt Chemikalienkosten und Umweltbelastung.

Die traditionelle Vermessung von Holzstapeln ist manuell, arbeitsintensiv und gefährlich — Mitarbeiter müssen Fahrzeuge bei schlechtem Wetter verlassen, um Stapel physisch zu vermessen. Dralle A/S, ein dänisches Forsttechnologieunternehmen mit Aktivitäten in ganz Europa, stieß mit seiner bisherigen x86-Plattform an Grenzen: Die klassischen Computer-Vision-Algorithmen des Systems (Watershed- und Hough-Transformation) konnten moderne Machine-Learning-Workloads nicht unterstützen, und die physische Größe der Hardware war nicht mit dem kompakten Kamerabox-Design kompatibel.

Aetina unterstützte Dralle bei der Migration des sScale-Holzvermessungssystems von der bisherigen x86-Plattform auf ein ARM-basiertes NVIDIA Jetson Edge-Gerät. Die DeviceEdge-Plattform von Aetina — mit M.2- und GigE-Erweiterungsports für eine nahtlose Kameraintegration — bildete die Hardwarebasis, während das Engineering-Team von Aetina die vollständige Migration in nur drei Monaten umsetzte. Durch die Umstellung konnte Dralle hochentwickelte Machine-Learning-Modelle für die Echtzeit-Erkennung und Vermessung von Baumstammenden einsetzen und den bisherigen klassischen Computer-Vision-Ansatz vollständig ersetzen.

Die Ergebnisse waren beeindruckend: Das neue System erkennt bis zu 1.000 einzelne Baumstammenden pro Bild in nur 200 Millisekunden — im Vergleich zu den mehrsekündigen Verarbeitungszeiten der vorherigen Plattform. Die Messgenauigkeit verbesserte sich deutlich durch den Wechsel von heuristischen Algorithmen zu trainierten neuronalen Netzwerken bei gleichzeitig minimalen Fehlalarmen. Automatisierte Vermessungen bedeuten zudem, dass Mitarbeiter ihre Fahrzeuge nicht mehr verlassen müssen, wodurch Wetter- und Geländerisiken vermieden werden. Das sScale-System von Dralle ermöglicht heute wetterunabhängige, ganzjährige, Tag-und-Nacht-Holzvermessung im Off-Grid-Betrieb mit der Genauigkeit, die für den kommerziellen Holzhandel erforderlich ist.

• Erkennungsgeschwindigkeit: bis zu 1.000 Baumstammenden pro Bild in 200 ms.
• Genauigkeit: Machine Learning übertrifft klassische Watershed-/Hough-Transformationsverfahren deutlich.
• Arbeitssicherheit: automatisierte Vermessung macht das Verlassen des Fahrzeugs überflüssig.
• Migrationszeit: vollständige Umstellung von x86 auf die Jetson-ARM-Plattform in drei Monaten abgeschlossen.
• Betriebsbedingungen: allwettertauglich, ganzjährig, Tag/Nacht- und Off-Grid-fähig.

Moderne Fischfarmen können bis zu 200.000 Fische in einem einzigen Becken halten. Die präzise Überwachung von Biomasse, Gesundheit und Wachstum einzelner Fische in diesem Maßstab ist mit manueller Stichprobenanalyse — der traditionellen Methode — unmöglich. Manuelles Zählen und visuelle Beurteilung sind langsam, ungenau und stressig für die Fische, was zu Über- oder Unterfütterung, höheren Betriebskosten, Problemen beim Tierwohl und nicht nachhaltigen Praktiken führt.

Optoscale, ein norwegisches Aquakultur-Technologieunternehmen, löste dieses Problem durch die Integration der NVIDIA Jetson AGX Xavier-basierten Edge-AI-Plattform von Aetina in sein Unterwasser-Biomasse-Schätzungssystem. Das Jetson-Gerät wurde in einem Unterwasser-Kameragehäuse installiert, wo es kontinuierliche hochauflösende Videostreams der Fische in Echtzeit verarbeitet — vollständig am Edge und ohne Cloud-Abhängigkeit. Die Portierung vom vorherigen System von Optoscale dauerte etwa sechs Monate und erforderte keinerlei Anpassungen der Carrier-Hardware, wodurch eine nahtlose Integration in die bestehende Infrastruktur möglich wurde.

Das System erreicht Biomasse-Schätzungen mit einer Abweichung von nur 1 % zum tatsächlichen Gewicht — ein Präzisionsniveau, das mit manuellen Methoden zuvor nicht erreichbar war. Die fortschrittlichen GPU-Fähigkeiten der Jetson-Plattform ermöglichen Optoscale den Einsatz komplexer neuronaler Netzwerke zur Analyse von Größe, Form und Verhaltensmustern einzelner Fische, wodurch Fütterungsentscheidungen in Echtzeit getroffen werden können. Für abgelegene Fischfarmen ohne zuverlässigen Internetzugang ist Edge-Processing nicht nur vorteilhaft — sondern eine grundlegende Voraussetzung.

• Biomassegenauigkeit: Schätzungen innerhalb von 1 % des tatsächlichen Gewichts — deutlich präziser als manuelle Stichproben.
• Skalierbarkeit: unterstützt Becken mit bis zu 200.000 Fischen durch automatisierte Messungen.
• Keine Cloud erforderlich: vollständiger Edge-Betrieb in abgelegenen Offshore-Umgebungen.
• Reduzierter Futterverbrauch: Echtzeitdaten ermöglichen präzise Fütterungspläne und senken Kosten sowie Umweltbelastung.
• Verbessertes Tierwohl: kontinuierliche, nicht-invasive Gesundheitsüberwachung reduziert Stress im Vergleich zu manueller Handhabung.
• Nachhaltiger Betrieb: datenbasierte Entscheidungen unterstützen langfristige Nachhaltigkeit in der Aquakultur.