ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗ ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΥΔΑΤΙΚΩΝ ΠΟΡΩΝ

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗ ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΥΔΑΤΙΚΩΝ ΠΟΡΩΝ ΙΩΑΝΝΗ Γ. ΑΜΠΑΤΖΙΔΗ Πτυχιούχου Γεωπονίας, Διπλωματούχου Μεταπτυχιακών Σπουδών Γεωπονικής Σχολής ΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΩΝ ΧΕΙΡΩΝΑΚΤΙΚΗΣ ΣΥΛΛΟΓΗΣ ΟΠΩΡΟΚΗΠΕΥΤΙΚΩΝ ΚΑΙ ΤΕΧΝΙΚΩΝ ΑΥΤΟΜΑΤΗΣ ΚΑΤΑΓΡΑΦΗΣ ΔΕΔΟΜΕΝΩΝ ΓΙΑ ΕΦΑΡΜΟΓΕΣ ΓΕΩΡΓΙΑΣ ΑΚΡΙΒΕΙΑΣ ΚΑΙ ΙΧΝΗΛΑΣΙΜΟΤΗΤΑΣ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ ΘΕΣΣΑΛΟΝΙΚΗ 2010

2 ΙΩΑΝΝΗ Γ. ΑΜΠΑΤΖΙΔΗ Πτυχιούχου Γεωπονίας, Διπλωματούχου Μεταπτυχιακών Σπουδών Γεωπονικής Σχολής ΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΩΝ ΧΕΙΡΩΝΑΚΤΙΚΗΣ ΣΥΛΛΟΓΗΣ ΟΠΩΡΟΚΗΠΕΥΤΙΚΩΝ ΚΑΙ ΤΕΧΝΙΚΩΝ ΑΥΤΟΜΑΤΗΣ ΚΑΤΑΓΡΑΦΗΣ ΔΕΔΟΜΕΝΩΝ ΓΙΑ ΕΦΑΡΜΟΓΕΣ ΓΕΩΡΓΙΑΣ ΑΚΡΙΒΕΙΑΣ ΚΑΙ ΙΧΝΗΛΑΣΙΜΟΤΗΤΑΣ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ Υποβλήθηκε στο Τμήμα Γεωπονίας Πρόγραμμα Μεταπτυχιακών Σπουδών, Ειδίκευση Γεωργικής Μηχανικής και Υδατικών Πόρων Ημερομηνία Προφορικής Εξέτασης: 20/10/2010 ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ Σ. Γ. Βουγιούκας, Επιβλέπων, Επ. Καθηγητής Κ. Α. Τσατσαρέλης, Μέλος Τριμελούς Συμβουλευτικής Επιτροπής, Καθηγητής Θ. Α. Γέμτος, Μέλος Τριμελούς Συμβουλευτικής Επιτροπής, Καθηγητής Δ. Μόσχου, Εξεταστής, Επίκουρος Καθηγητής Σ. Φουντάς, Εξεταστής, Επίκουρος Καθηγητής Α. Μολασιώτης, Εξεταστής, Λέκτορας Θ. Κωτσόπουλος, Εξεταστής, Λέκτορας

3 Ιωάννη Γ. Αμπατζίδη Α.Π.Θ. Ανάπτυξη Μοντέλων Χειρωνακτικής Συλλογής Οπωροκηπευτικών και Τεχνικών Αυτόματης Καταγραφής Δεδομένων για Εφαρμογές Γεωργίας Ακριβείας και Ιχνηλασιμότητας ISBN «Η έγκριση της παρούσας Διδακτορικής Διατριβής από το Τμήμα Γεωπονίας του Αριστοτελείου Πανεπιστήμιου Θεσσαλονίκης δεν υποδηλώνει αποδοχή των γνωμών του συγγραφέως» (Ν.5343/1932, άρθρο 202, παρ. 2).

4 ΠΡΟΛΟΓΟΣ Η απαίτηση για ασφαλή και ποιοτικά τρόφιμα καθώς και η ανάγκη απόδειξης (τεκμηρίωσης) της συμμόρφωσης με τους κανόνες ορθής γεωργικής πρακτικής οδηγούν σε έναν νέο τρόπο διαχείρισης των αγροκτημάτων. Από την άλλη πλευρά η χρήση των τεχνικών και μεθόδων της Γεωργίας Ακριβείας, η οποία δίνει λύσεις στη βελτίωση της διαχείρισης του αγροκτήματος, απαιτεί αυτοματοποιημένη συλλογή και επεξεργασία δεδομένων και πληροφοριών κατά την πρωτογενή παραγωγική διαδικασία. Η εξέλιξη της ηλεκτρονικής και των τεχνολογιών αισθητήρων καθιστούν δυνατή την άμεση, έγκαιρη, έγκυρη και αυτόματη συλλογή δεδομένων, σχετικών με τις διαδικασίες πρωτογενούς παραγωγής (π.χ. χαρτογράφησης της παραγωγής, δυνατότητα εκτίμησης της απόδοσης «ποσοτικής-ποιοτικής» των εργατών), τα οποία απαιτούνται για τη λήψη αποφάσεων ή/και την παροχή αποδεικτικών στοιχείων τήρησης των κανόνων (ιχνηλασιμότητα παραγωγής). Ιδιαίτερα σε διαδικασίες όπου απαιτείται χειρωνακτική εργασία, όπως η χειροσυλλογή των οπωροκηπευτικών, η δυνατότητα συλλογής δεδομένων, στο ανοικτό περιβάλλον των αγροκτημάτων, είναι πολύ δύσκολη και είναι δυνατή μόνο με τη χρήση νέων τεχνολογιών. Επιπλέον, προκειμένου να προσδιορισθούν όλα τα δεδομένα που απαιτούνται για την τεκμηρίωση της παραγωγής (ιχνηλασιμότητα) και τη βελτιστοποίηση των διεργασιών απαιτείται μοντελοποίηση (μηχανιστική, μαθηματική περιγραφή) των διαδικασιών της χειρωνακτικής εργασίας ώστε να καταστεί δυνατή η αναλυτική περιγραφή της. Η διατριβή αποτελείται από έξι ενότητες. Η πρώτη ενότητα, περιλαμβάνει τα εισαγωγικά κεφάλαια 1, 2, 3 και 4. Η δεύτερη, περιλαμβάνει τα κεφάλαια 5 και 6 όπου γίνεται η θεωρητική ανάλυση και η μοντελοποίηση της διαδικασίας χειροσυλλογής των οπωροκηπευτικών. Ακολουθεί η ενότητα 3, η οποία περιλαμβάνει τα κεφάλαια 7 και 8 στα οποία αναλύονται οι μέθοδοι και οι τεχνολογίες αυτόματης καταγραφής δεδομένων αγρού. Στην 4 η ενότητα, η οποία αποτελείται από τα κεφάλαια 9 και 10, και στην 5 η ενότητα, η οποία αποτελείται από τα κεφάλαια 11 και 12, παρουσιάζονται τα πειράματα αξιολόγησης των προτεινόμενων μεθοδολογιών καταγραφής δεδομένων και τα πειράματα προσομοίωσης της συγκομιδής με χρήση Σελ. 4

5 λογισμικού που αναπτύχθηκε. Στην τελευταία ενότητα δίνονται τα συμπεράσματα της διατριβής. Θεσσαλονίκη 2010 Ιωάννης Γ. Αμπατζίδης Σελ. 5

6 ΕΥΧΑΡΙΣΤΙΕΣ Θεωρώ ειλικρινά υποχρέωσή μου, πέρα από κάθε τυπικότητα, να ευχαριστήσω θερμά όλους αυτούς που με βοήθησαν και με καθοδήγησαν καθ όλη τη διάρκεια των σπουδών μου και ιδιαίτερα κατά το στάδιο εκπόνησης και συγγραφής της διδακτορικής μου διατριβής. Πρώτα από όλα τους δικούς μου ανθρώπους, που χωρίς την αγάπη και τη συμπαράστασή τους, η εκπόνηση και η ολοκλήρωση της διατριβής μου δε θα ήταν ποτέ δυνατή: τους γονείς μου Σοφία και Γιώργο, τον αδερφό μου Ηλία και όλους τους φίλους και τις φίλες που με στήριξαν σε όλη τη διάρκεια της προσπάθειάς μου. Τον επιβλέποντα επίκουρο καθηγητή της Γεωπονικής Σχολής του Α.Π.Θ. Σταύρο Βουγιούκα για την επιλογή του θέματος της παρούσας εργασίας, για τη συνεχή και γόνιμη επίβλεψη κατά τη διάρκεια εκπόνησής της και τη προσεκτική και επιμελημένη διόρθωσή της. Επίσης, θέλω να τον ευχαριστήσω θερμά για τη συμπαράσταση και τις πολύτιμες συμβουλές του καθ όλη τη διάρκεια της περιόδου έρευνας που συνέβαλαν στην επιτυχή ολοκλήρωση αυτής της διατριβής. Τον καθηγητή της Γεωπονικής Σχολής του Α.Π.Θ. κ. Κωνσταντίνο Τσατσαρέλη για τη συνεχή επίβλεψη και επιστημονική καθοδήγηση κατά τη διάρκεια των σπουδών μου, αλλά κυρίως για τη στήριξη που μου παρείχε και την εμπιστοσύνη που μου έδειξε. Η συνεισφορά και οι προτάσεις του βοήθησαν στη σωστή πορεία της έρευνας καθώς και στο να συμπληρωθούν οι παραλείψεις που παρουσιάστηκαν κατά τη διάρκεια της. Τον καθηγητή του πανεπιστημίου Θεσσαλίας κ. Γέμτο Θεοφάνη για τη συνεχή «εξ αποστάσεως» μεταξύ μας συνεργασία και για τη διόρθωση της παρούσας διατριβής. Επίσης, τον ευχαριστώ για τις πολύτιμες συμβουλές του, την ηθική του παρότρυνση αλλά και την άμεση ανταπόκριση κάθε φορά που χρειαζόμουν τη βοήθεια του. Σελ. 6

7 Η έρευνα χρηματοδοτήθηκε από το Ίδρυμα Κρατικών Υποτροφιών (ΙΚΥ). Εκφράζω την ευγνωμοσύνη μου στο ΙΚΥ, χωρίς την οικονομική συνδρομή του οποίου, η διατριβή δεν θα είχε ολοκληρωθεί ποτέ. Το προσωπικό του εργαστηρίου της Γεωργικής Μηχανολογίας της Γεωπονικής σχολής του Α.Π.Θ., Μαρία Κωνσταντινίδου-Οργιανέλη και Κωνσταντίνο Οικονομόπουλο για την αμέριστη ηθική τόνωση και τη συνεργασία σε όλη τη διάρκεια της παραμονής μου στο συγκεκριμένο εργαστήριο. Ολοκληρώνοντας την παρουσία μου στο φυσικό χώρο του Εργαστηρίου της Γεωργικής Μηχανικής θα ήθελα να καταθέσω τις ολόθερμες ευχαριστίες μου προς τους προπτυχιακούς και μεταπτυχιακούς φοιτητές με τους οποίους συνεργάστηκα άψογα: Γιώργο Τζελέπη, Δημήτρη Χατζημπεντέλη, Θωμά Κωλέττη, Ιωάννη Κοτλέα, Μιχάλη Γιαννιτσόπουλο. Σελ. 7

8 ΠΕΡΙΛΗΨΗ Η ακρίβεια των δεδομένων αγρού που καταγράφονται και επομένως και οι αποφάσεις που θα ληφθούν βάσει αυτών για τη διαχείριση του αγροκτήματος εξαρτώνται από την αξιοπιστία και το χρόνο λήψης των δεδομένων. Η δυσκολία συλλογής και καταγραφής των απαραίτητων πληροφοριών, κυρίως σε εργασίες χειρονακτικές, οφείλεται στο πολύπλοκο περιβάλλον των ανοικτών αγροτεμαχίων, με μη δομημένο σχήμα, ποικίλων διαστάσεων και μεγέθους αγροτεμαχίων, άμεσα εξαρτημένων από το περιβάλλον προϊόντων και από χαμηλού ì ορφωτικού επιπέδου, μη εξειδικευμένους εργάτες. Η εμφάνιση εμπορικά διαθέσιμων συσκευών και εργαλείων λογισμικού για την καταγραφή και διαχείριση δεδομένων σε γεωργικές εφαρμογές είναι εξαιρετικά περιορισμένη και μάλιστα τα εργαλεία αυτά χρησιμοποιούνται κυρίως ως λογιστικά βοηθήματα. Τα περισσότερα από αυτά χρησιμοποιούνται για την εισαγωγή δεδομένων στο σύστημα από ένα χειριστή, συνήθως στο σπίτι ή στο γραφείο και όχι για απευθείας εισαγωγή δεδομένων στον αγρό. Επομένως, δεν καθίσταται δυνατή η αυτόματη εισαγωγή των δεδομένων στα εργαλεία αυτά. Από την άλλη πλευρά, η εξέλιξη των αισθητήρων και γενικά των τεχνολογιών καταγραφής πληροφοριών κυρίως για βιομηχανικές εφαρμογές, όπως τα RFID, τα MEMS κτλ., μπορεί να προσφέρει μια καινοτόμα προοπτική αναθεώρησης του συστήματος συλλογής πληροφοριών χωρίς να επεμβαίνει και να επηρεάζει το παραδοσιακό σύστημα εκτέλεσης των εργασιών αγρού. 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 Σελ. 8

9 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. Η ανάπτυξη του αλγορίθμου επιτρέπει τη λεπτομερή ανάλυση της διαδικασίας αυτής και την πρόβλεψη κάθε χρονικού σταδίου της, ανάλογα με τον καθορισμό ορισμένων παραμέτρων (π.χ. αριθμός εργατών, μηχανημάτων κτλ.). Η βελτιστοποίηση του συστήματος δεν είναι κύριος στόχος της παρούσας εργασίας, αν και μπορεί να καθοριστεί η εύρεση της καλύτερης (βέλτιστης) λύσης από μια ομάδα σεναρίων, αν αυτά προσομοιωθούν με τη χρήση του αλγορίθμου. 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 ημερομηνίαςώρας συλλογής. Έτσι, αναπτύχθηκαν και εξετάστηκαν καινοτόμα συστήματαμεθοδολογίες 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. Τα συστήματα αυτά χωρίζονται σε δύο κατηγορίες: α) συστήματα-μεθοδολογίες για τη συσχέτιση δέντρων και τελάρων που περιέχουν τους καρπούς τους (τέσσερις μέθοδοι καταγραφής δεδομένων) και β) συστήματα για τη συσχέτιση εργάτη με δέντρα που επισκέφτηκε. Το πειραματικό μέρος της διατριβής χωρίζεται σε δύο τμήματα. Τα πειράματα του πρώτου τμήματος αφορούν στην αξιολόγηση των συστημάτων αυτόματης καταγραφής δεδομένων. Τα πειράματα για την αξιολόγηση των τεσσάρων μεθοδολογιών συσχέτισης δέντρων-τελάρων πραγματοποιήθηκαν κατά τη συγκομιδή οπωροφόρων δέντρων έτσι ώστε να εξεταστεί ποια μέθοδος είναι περισσότερο αξιόπιστη και επηρεάζει λιγότερο την παραδοσιακή διαδικασία συγκομιδής, ενώ τα πειράματα συσχέτισης εργάτη-δέντρων έλαβαν χώρα κατά την προσομοίωση της συγκομιδής σε οπωρώνα. Στο δεύτερο τμήμα παρουσιάζονται πειράματα προσομοίωσης της διαδικασίας της χειροσυλλογής με χρήση του λογισμικού που αναπτύχθηκε, αφού πρώτα υπολογίστηκαν στον αγρό κάποιοι παράμετροι των Σελ. 9

10 σταδίων της συγκομιδής. Τα αποτελέσματα της προσομοίωσης συγκρίνονται με πραγματικές μετρήσεις της διαδικασίας της χειροσυλλογής των καρπών στον αγρό, κάτω από τις ίδιες συνθήκες. Σελ. 10

11 ARISTOTLE UNIVERSITY OF THESSALONIKI SCHOOL OF AGRICULTURE DEPARTMENT OF HYDRAULICS, SOIL SCIENCE AND AGRICULTURAL ENGINEERING MODELING AND ELECTRONIC MONITORING OF ACTIVITIES DURING MANUAL HARVESTED OF SPECIALTY CROPS WITH APPLICATION TO PRECISION FARMING AND TRACEABILITY Ph.D Thesis By Yiannis G. Ampatzidis SUMMARY Data acquisition in the field should be reliable and timely in order to enhance the real-time decision making and provide the information needed to meet compliance standards. One of the main difficulties for implementing an accurate documentation and traceability system for agricultural products is the acquisition of relevant data in the first link of the production chain i.e., the complex farm environment of open fields or non-uniform farm structures of varying plot size and space, product aging and susceptible to ambient, non-structured environment, and unskilled workers. The existing in-field commercial equipment (tools) for detailed data collection, processing and providing information to farmers remains limited in terms of their use in-field. These tools (applications), while potentially capable of performing operational tasks and/or providing decision support, are often centered in the office rather than in the field. Most of them are used to import data into the system by an operator and not automatically. This problem, of automated data acquisition, is more intense for crops which cannot be handled mechanically, like almost all specialty crops. Σελ. 11

12 On the other hand, the introduction and development of commercially available sensors and data handling technologies, especially for industrial applications, such as RFID, MEMS, etc., offers a totally new perspective, as it will appear in this thesis, for the revision of the traditional record keeping system, without the violation of the agronomical constraints. These systems should operate during the existing agricultural procedure and not involve human intervention. 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 of all the sensors, in order to provide 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 proposed algorithm serves as a referential model for harvesting planning and it promotes the development of a detailed analysis of all the stages of this process under uncertain environments, provided some parameters will be defined (eg. number of workers, machinery etc). A detailed discussion on developing an approach to optimize this procedure is not the main aim of this thesis. However an optimal solution can be achieved by a number of scenarios, using the algorithm. 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, innovate systems and methods, for automatic data acquisition, were developed and evaluated. These systems rely on Σελ. 12

13 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, the infrastructure for the development of an ambient intelligence based on context recognition, and further developing a dynamic association engine for task execution based on state recognition of the involved entities (either human or equipment). These systems are distinguished in two categories: a) systems and methods to correspond automatically bins containing harvested fruits with corresponding trees (four methods) and b) systems for establishing the association between fruit-producing tree(s) and fruit pickers (smart human motion tracking systems). The opportunity to have a smart human motion tracking system, in order to trace the worker motion inside the field and establish the association between product and worker, represents an interesting instrument in a wide range of advanced agricultural applications e.g. harvesting (or trimming) in orchards or greenhouses. A number of field experiments were performed to validate and evaluate the proposed systems. The first set of field experiments concerns the evaluation of automatic data monitoring methods. The experiments for the evaluation of four alternative methods, which record tree-bin associations and yield, were carried out during manual fruit harvesting in different orchards. These experiments examined the performance of each method by two metrics: a) the detection accuracy (a), which is defined as the number of bins correctly detected and identified over the total number of bins containing the harvested fruit and b) the loading efficiency (l), which is defined as the ratio of the loading time of all bins when the standard loading method is followed over the loading time of all bins when the particular method is followed by the workers. The experiments for the evaluation of the automated wearable system for real-time human position monitoring were carried out during the simulation of the harvesting procedure, in an orchard. In the second set the results of the simulation of the harvesting process, using the algorithm that is introduced in this thesis, were presented, as long as, some stochastic harvesting parameters were calculated in the field. Finally, the results of simulation were compared with real measurements of manual harvesting process in the field, under the same conditions. Σελ. 13

14 ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ... 4 ΕΥΧΑΡΙΣΤΙΕΣ... 6 ΠΕΡΙΛΗΨΗ... 8 SUMMARY ΠΕΡΙΕΧΟΜΕΝΑ ΠΕΡΙΕΧΟΜΕΝΑ ΣΧΗΜΑΤΩΝ ΠΕΡΙΕΧΟΜΕΝΑ ΠΙΝΑΚΩΝ ΣΥΜΒΟΛΑ ΑΚΡΩΝΥΜΙΑ Η ΕΝΟΤΗΤΑ - ΕΙΣΑΓΩΓΗ ΕΙΣΑΓΩΓΗ Συμβατική, Βιολογική και Ολοκληρωμένη Γεωργία Ολοκληρωμένη Γεωργία στην Ελλάδα Ιχνηλασιμότητα Προϊόντων Κωδικοποίηση Προϊόντων-Χρήση Νέων Τεχνολογιών Γεωργία Ακριβείας-Ιχνηλασιμότητα Εντός Αγρού ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΠΡΩΤΟΓΕΝΗ ΠΑΡΑΓΩΓΗ ΤΕΧΝΟΛΟΓΙΕΣ ΧΑΡΤΟΓΡΑΦΗΣΗΣ ΚΑΙ ΙΧΝΗΛΑΣΙΜΟΤΗΤΑΣ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΣΕ ΟΠΩΡΩΝΕΣ ΑΝΤΙΚΕΙΜΕΝΟ-ΔΟΜΗ ΕΡΓΑΣΙΑΣ Η ΕΝΟΤΗΤΑ ΘΕΩΡΗΤΙΚΗ ΑΝΑΛΥΣΗ ΤΗΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ Συγκομιδή Καρπών Οπωροφόρων Δέντρων Διαδικασία Συγκομιδής με Μηχανήματα με θέσεις εργατών Παραδοσιακή Συγκομιδή με Χέρια Διαδικασία Παραδοσιακής Συγκομιδής με Χέρια στην Ελλάδα ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Αντικειμενοστραφής Περιγραφή με Χρήση UML Περιγραφή Χειροσυλλογής Καρπών με Χρήση UML Χειροσυλλογή και Τοποθέτηση Καρπών σε Τελάρα. Απλή Περίπτωση Χειροσυλλογή και Τοποθέτηση Καρπών σε Τελάρα. Γενική Περίπτωση Συλλογή Γεμάτων Τελάρων από τον Αγρό Περιγραφή με χρήση υβριδικών Petri Nets Γενικά για Petri Nets Σελ. 14

15 6.2.2 Συνεχή και Υβριδικά Petri Nets Μοντελοποίηση των Εργασιών Αγρού με Χρήση Υβριδικών Petri Nets Συνεργαζόμενες Γεωργικές Εργασίες Μοντελοποίηση Χειροσυλλογής Καρπών με Χρήση Υβριδικών Petri Nets Ανάπτυξη Λογισμικού Προσομοίωσης Χειροσυλλογής Καρπών Περιγραφή Λογισμικού Προσομοίωσης Χειροσυλλογής Καρπών Καθορισμός και Προσδιορισμός Παραμέτρων-Σταδίων Συγκομιδής Η ΕΝΟΤΗΤΑ - ΑΝΑΛΥΣΗ ΜΕΘΟΔΩΝ-ΤΕΧΝΟΛΟΓΙΩΝ ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Σύντομη Μαθηματική Περιγραφή της Συσχέτισης Δέντρων-Τελάρων Πρόβλημα Συσχέτισης Δέντρων-Τελάρων ΥΛΙΚΑ KAI ΜΕΘΟΔΟΙ-ΤΕΧΝΙΚΕΣ Υλικά Σύστημα RFID Διαφορικό GPS Αναγνώστης Γραμμωτών Κωδικών και Ψηφιακός Ζυγός-Κατασκευή PIWU Αναγνώστης Γραμμωτών Κωδικών (Barcode Reader) Ψηφιακός Ζυγός Προτεινόμενες Μέθοδοι Επίλυσης TBAYM Μέθοδος Ι. Καταγραφή Δέντρων και Τελάρων με Χρήση RFID Μέθοδος ΙΙ. Υπολογισμός Θέσης με GPS και Καταγραφή Τελάρων με Χρήση RFID Μέθοδος III. Καταγραφή Δέντρων με Χρήση RFID και Τελάρων με Χρήση Γραμμωτών Κωδικών (barcodes) Μέθοδος IV. Υπολογισμός Θέσης με GPS και Καταγραφή Τελάρων με Χρήση Γραμμωτών Κωδικών Χρήση Ψηφιακού Ζυγού (όλες οι μέθοδοι) Χαρακτηριστικές Τιμές Απόδοσης Μεθόδων ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Μαθηματική Περιγραφή της Συσχέτισης Εργάτη-Δέντρου Διαδικασία Καταγραφής Κίνησης του Εργάτη Υλικά-Τεχνολογίες Dead Reckoning Module (DRM ) Προτεινόμενη Μέθοδος: Σύστημα DRM-Barcode Η ΕΝΟΤΗΤΑ - ΠΕΙΡΑΜΑΤΑ-ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχεδιασμός Πειραμάτων Δοκιμαστικά Πειράματα Πειραματική Αξιολόγηση της Ακρίβειας Ανίχνευσης των Ετικετών RFID στα Δέντρα Πειραματική Αξιολόγηση της Ακρίβειας Ανίχνευσης των Ετικετών RFID στα Τελάρα Πειραματική Αξιολόγηση της Ακρίβειας Ανίχνευσης του Συστήματος RFID Σελ. 15

16 Εισαγωγή-Σχεδιασμός Πειράματος Επανάληψη 1 η Επανάληψη 2 η Συμπεράσματα Πειράματος Πειράματα Αξιολόγησης των Μεθόδων Επίλυσης του Προβλήματος TBAYM Πείραμα Μικρού Σκέλους Εισαγωγή-Σχεδιασμός Πειράματος Αποτελέσματα Πειράματος Μικρού Σκέλους Ομάδα Επαναλήψεων 1 η Ομάδα Επαναλήψεων 2 η Πείραμα Μεγάλου Σκέλους Εισαγωγή-Σχεδιασμός Πειράματος Αποτελέσματα Πειράματος Μεγάλου Σκέλους ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχεδιασμός Πειραμάτων Δοκιμαστικά Πειράματα Δοκιμή GPS Δοκιμή DRM-GPS Δοκιμή DRM Πειράματα Αξιολόγησης DRM-Barcode Πειράματα με Χρήση του DRM Πειράματα με Χρήση του Συστήματος DRM-Barcode Συμπεράσματα Η ΕΝΟΤΗΤΑ - ΠΕΙΡΑΜΑΤΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΠΟΤΕΛΕΣΜΑΤΑ ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ Σχεδιασμός Πειραμάτων Πειράματα-Συμπεράσματα ΠΕΙΡΑΜΑΤΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΤΗΣ ΣΥΓΚΟΜΙΔΗΣ Μετρήσεις Χρόνων Κατά τη Συγκομιδή Οπωρώνα Πρώτο Σενάριο: 6 Εργάτες για τη Συγκομιδή των Καρπών Σύγκριση Προσομοίωσης με τα Πειραματικά Στοιχεία Δεύτερο Σενάριο: 7 Εργάτες για τη Συγκομιδή των Καρπών Σύγκριση Προσομοίωσης 1 ου και 2 ου Σεναρίου Συμπεράσματα Η ΕΝΟΤΗΤΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ ΒΙΒΛΙΟΓΡΑΦΙΑ ΞΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ ΕΛΛΗΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ ΠΑΡΑΡΤΗΜΑ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ «ΠΡΟΕΤΟΙΜΑΣΙΑ ΣΥΓΚΟΜΙΔΗΣ» Σελ. 16

17 ΠΕΡΙΕΧΟΜΕΝΑ ΣΧΗΜΑΤΩΝ Σχήμα 5.3.1: Κίνηση του ελκυστήρα στον οπωρώνα για τη συλλογή των γεμάτων καρπών τελάρων Σχήμα 5.3.2: Ο ελκυστήρας σταματάει λίγα μέτρα μπροστά από κάθε ζεύγος δέντρων για τη συλλογή των τελάρων Σχήμα 6.1.1: Διάγραμμα καταστάσεων των εργατών κατά τη διαδικασία χειροσυλλογής των καρπών και τοποθέτησή τους στα τελάρα. Απλή περίπτωση Σχήμα 6.1.2: Εκκίνηση συλλογής καρπών (πράσινο χρώμα). Ο εργάτης κινείται προς ένα δέντρο και τοποθετεί τους καρπούς στον κουβά (κόκκινο χρώμα) Σχήμα 6.1.3: Εκκίνηση συλλογής καρπών. Ο εργάτης από «ανενεργός» κινείται προς ένα δέντρο και τοποθετεί τους καρπούς στον κουβά (κόκκινο χρώμα) Σχήμα 6.1.4: Όταν γεμίσει ο κουβάς με καρπούς αδειάζει στο τελάρο και η διαδικασία επαναλαμβάνεται μέχρι να συλλεχτούν όλοι οι ώριμοι καρποί (κόκκινο χρώμα) Σχήμα 6.1.5: Όταν συγκομιστούν όλοι οι ώριμοι καρποί από ένα δέντρο ο εργάτης αδειάζει το γεμάτο κουβά στο τελάρο και κινείται στο επόμενο δέντρο (κόκκινο χρώμα) Σχήμα 6.1.6: Μετάβαση του εργάτη στην «ανενεργή» κατάσταση και επιστροφή από αυτήν (κόκκινο χρώμα) Σχήμα 6.1.7: Γενικό διάγραμμα καταστάσεων των εργατών κατά τη χειροσυλλογής των καρπών και τοποθέτησή τους στα τελάρα (με ή χωρίς χρήση σκάλας) Σχήμα 6.1.8: Διάγραμμα καταστάσεων των εργατών κατά τη διαδικασία χειροσυλλογής των καρπών και τοποθέτησή τους στα τελάρα (απλή περίπτωση, χωρίς χρήση σκάλαςκόκκινο χρώμα) Σχήμα 6.1.9: Εκκίνηση συλλογής καρπών (πράσινο χρώμα). Ο εργάτης κινείται προς ένα δέντρο, μετακινεί τη σκάλα, ανεβαίνει ή όχι σε αυτήν και τοποθετεί τους καρπούς στον κουβά (κόκκινο χρώμα) Σχήμα : Όταν γεμίσει ο κουβάς με καρπούς (πράσινο χρώμα) ο εργάτης ο οποίος βρίσκεται πάνω στην σκάλα την κατεβαίνει και αδειάζει τον κουβά στο τελάρο (κόκκινο χρώμα) Σχήμα : Όταν γεμίσει ο κουβάς με καρπούς (πράσινο χρώμα) ο εργάτης, ο οποίος δεν ανέβηκε στη σκάλα, αδειάζει τον κουβά στο τελάρο (κόκκινο χρώμα) Σχήμα : Ο εργάτης αδειάζει το γεμάτο κουβά στο τελάρο (πράσινο χρώμα) και είτε μετακινεί τη σκάλα, είτε την ξανανεβαίνει, είτε συγκομίζει τους χαμηλότερους καρπούς (κόκκινο χρώμα) Σχήμα : Ο εργάτης, αφού συλλέξει και τοποθετήσει στα τελάρα τους ώριμους καρπούς (πράσινο χρώμα) ενός δέντρου, επισκέπτεται το επόμενο μεταφέροντας τη σκάλα ή χωρίς αυτή και η χειροσυλλογή των καρπών ξανα-ξεκινάει (κόκκινο χρώμα) Σχήμα : Ο εργάτης, από την «ανενεργό» (idle) κατάσταση (πράσινο χρώμα) μετακινεί και χρησιμοποιεί τη σκάλα για τη συλλογή και τοποθέτηση των καρπών στον κουβά (κόκκινο χρώμα). Όταν γεμίσει ο κουβάς αδειάζεται σε τελάρο και ο εργάτης ξανασυλλέγει καρπούς από το ίδιο σημείο του δέντρου (κόκκινο χρώμα) Σχήμα : Γενικό διάγραμμα καταστάσεων που μπορεί να βρίσκεται ο εργάτης κατά τη χειροσυλλογή και τοποθέτηση των καρπών σε τελάρα (με χρήση σκάλας ή χωρίς) Σχήμα : Διάγραμμα καταστάσεων που μπορεί να βρεθεί ο εργάτης κατά το στάδιο της «συλλογής» (β 1 -load) των γεμάτων τελάρων Σχήμα : Ο εργάτης κινείται από την αρχική ή την ανενεργό κατάσταση (πράσινο χρώμα) και συλλέγει-σηκώνει ένα γεμάτο τελάρο από το έδαφος Σχήμα : Ο εργάτης αφού συλλέξει-σηκώσει ένα τελάρο από το έδαφος (πράσινο χρώμα) το τοποθετεί στην πλατφόρμα και είτε συλλέγει τα επόμενα που βρίσκονται κοντά στο ίδιο δέντρο είτε κινείται στο επόμενο δέντρο και συλλέγει τα τελάρα που αντιστοιχούν σε αυτό (κόκκινο χρώμα) Σελ. 17

18 Σχήμα : Όταν η πλατφόρμα γεμίσει ο εργάτης κινείται (πράσινο χρώμα) προς το σημείο εκφόρτωσης για την εκφόρτωση των τελάρων (κόκκινο χρώμα) Σχήμα : Γενικό διάγραμμα καταστάσεων που μπορεί να βρεθεί ο εργάτης κατά τη «συλλογή» και «εκφόρτωση» των γεμάτων τελάρων (μέρος β, load-unload) Σχήμα 6.2.1: Διάγραμμα διακριτού Petri Net Σχήμα 6.2.2: Διάγραμμα συνεχόμενου Petri Net Σχήμα 6.2.3: Υβριδικό σύστημα Petri Net Σχήμα 6.2.4: Υβριδικό Petri Net με χρήση του χρόνου (χρονισμένο) Σχήμα 6.2.5: Μοντελοποίηση εργασιών αγρού με χρήση υβριδικών PN (Guan el al., 2006, 2008) Σχήμα 6.2.6: Συνεργαζόμενες μηχανές σε εργασία αγρού (Guan el al., 2006, 2008) Σχήμα 6.2.7: Μοντελοποίησης της συγκομιδής των καρπών, από εργάτες, με χρήση υβριδικών PN Σχήμα 6.2.8: Μοντελοποίησης της «συλλογής» των γεμάτων τελάρων και τοποθέτησή τους στην πλατφόρμα ελκυστήρα με χρήση υβριδικών PN Σχήμα 6.2.9: Μοντελοποίησης της «εκφόρτωσης» των γεμάτων τελάρων σε μεγαλύτερη πλατφόρμα, με χρήση υβριδικών PN Σχήμα : Περιγραφή της παραδοσιακής συγκομιδής καρπών με χρήση υβριδικών Petri Nets Σχήμα 6.3.1: Διάγραμμα ροής του λογισμικού που προσομοιώνει τη διαδικασία της χειροσυλλογής των καρπών και τοποθέτησή τους σε τελάρα Σχήμα 6.3.2: Διάγραμμα ροής του λογισμικού που προσομοιώνει τη διαδικασία της συλλογής των γεμάτων τελάρων (διακριτό μέρος β, load-unload) Σχήμα 7.2.1: Το πρόβλημα TBAYM λαμβάνει χώρα κατά τη διάρκεια της συλλογής των τελάρων από τον αγρό και μάλιστα μόνο κατά το στάδιο β 1 -load (ανάλυση UML, κόκκινο χρώμα) Σχήμα 7.3.1: Ανίχνευση ετικετών RFID από την εταιρία Trolley Scan Company, σε γωνία 60 o Σχήμα 7.3.2: Σύστημα ασύρματης αναγνώρισης αντικειμένων, μέσω ραδιοσυχνοτήτων RFID και διαφορικό AgGPS 106 (DGPS) Σχήμα 7.3.3: Παθητικές ετικέτες RFID τοποθετημένες σε τελάρο-κλούβα Σχήμα 7.3.4: Περιοχή αναγνώρισης του ανιχνευτή RFID Σχήμα 7.3.5: Τοποθέτηση του αναγνώστης RFID στην πλατφόρμα μεταφοράς του ελκυστήρα Σχήμα 7.3.6: Κατασκευή που περιέχει αναγνώστη γραμμωτών κωδικών, DGPS, ψηφιακό ζυγό και ειδική θέση για την τοποθέτηση και ζύγιση των τελάρων Σχήμα 7.3.7: Ο ελκυστήρας σταματάει μπροστά από ένα ζεύγος δέντρων για τη συλλογή των γεμάτων τελάρων Σχήμα 7.3.8: Κατασκευή αυτοματοποιημένου συστήματος για τη μέτρηση και την ταυτοποίηση της παραγωγής με χρήση barcode reader, ψηφιακού ζυγού και DGPS Σχήμα 7.3.9: Ειδική θέση για την τοποθέτηση κιβωτίου στην κατασκευή Σχήμα : Μετρήσεις του ψηφιακού ζυγού κατά τη ζύγιση ενός κιβωτίου γεμάτου με φρούτα, βάρους 10,34 kg Σχήμα : Μετρήσεις του ζυγού κατά τη ζύγιση του ίδιου κιβωτίου τρεις φορές Σχήμα : Επικόλληση παθητικής ετικέτας RFID, σε κατάλληλο σημείο, σε δέντρο ακτινιδίων Σχήμα : Ο ελκυστήρας σταματάει μπροστά από ένα ζεύγος δέντρων για τη συλλογή των γεμάτων τελάρων. Τοποθέτηση DGPS πάνω στην πλατφόρμα Σχήμα : Τελάρα με χαμηλού κόστους γραμμωτούς κωδικούς (barcodes) Σελ. 18

19 Σχήμα : Χρόνος συλλογής τελάρων, a) τυπική (παραδοσιακή) διαδικασία, 1 η και 2 η μέθοδο χωρίς τον ζυγό, b) 3 η και 4 η μέθοδος χωρίς τον ζυγό, c) 3 η και 4 η μέθοδος με τη χρήση του ζυγού, d) 1 η και 2 η μέθοδο με χρήση του ζυγού Σχήμα 8.3.1: Dead Reckoning Module DRM Σχήμα 8.3.2: Αρχιτεκτονική συστήματος DRM Σχήμα 8.3.3: Προδιαγραφές του DRM Σχήμα 8.3.4: Τοποθέτηση της πλακέτας DRM 4000 σε κουτί με τρεις θύρες: 1) για τροφοδοσία, 2) επικοινωνία με Η/Υ και 3) επικοινωνία με GPS. 140 Σχήμα 8.3.5: Επικοινωνία του DRM 4000 με τον Η/Υ και το GPS. 140 Σχήμα 8.3.6: Σχηματική αναπαράσταση της σύνδεσης του DRM 4000 με τον Η/Υ και το GPS. 141 Σχήμα 8.4.1: Σύνδεση του αναγνώστη barcode με τον Η/Υ, όπου μετατρέπεται το ID του δέντρου σε γραμματοσειρά NMEA και στέλνεται στο DRM μέσω της θύρα του GPS Σχήμα 8.4.2: Διάγραμμα καταστάσεων του κάθε εργάτη κατά τη χειροσυλλογή και τοποθέτηση των καρπών σε τελάρα. Με κόκκινο χρώμα οι «καταστάσεις» που μπορούν να ανιχνευτούν με το σύστημα DRM-barcode Σχήμα 9.2.1: Τοποθέτηση της κεραίας RFID στην πλατφόρμα του ελκυστήρα, 1.5 m από το έδαφος και ενός DGPS Σχήμα 9.2.2: Τοποθέτηση παθητικής ετικέτας RFID σε κλαδί δέντρου (και όχι στον κορμό), m από το έδαφος Σχήμα 9.2.3: Επικόλληση των παθητικών RFID σε τελάρα Σχήμα 9.2.4: Τοποθέτηση των τελάρων, στα οποία επικολλήθηκαν ετικέτες RFID, σε τυχαίες θέσεις δίπλα από τους κορμούς των δέντρων Σχήμα 9.2.5: Επικόλληση παθητικών ετικετών σε γεμάτα ροδάκινα τελάρα Σχήμα 9.2.6: Συλλογή των γεμάτων τελάρων και τοποθέτησή τους σε πλατφόρμα μεταφοράς. Κεραία RFID τοποθετημένη στην πλατφόρμα Σχήμα 9.2.7: Συσχέτιση της πραγματικής κατανομής των τελάρων και των δεδομένων με τη χρήση του συστήματος RFID Σχήμα 9.2.8: Χρόνοι ανίχνευσης κωδικών δέντρων και τελάρων (1 η επανάληψη) Σχήμα 9.2.9: Χρόνοι ανίχνευσης κωδικών δέντρων και τελάρων (2 η επανάληψη) Σχήμα 9.3.1: Διάταξη δέντρων στον οπωρώνα με δέντρα ροδακινιάς Σχήμα 9.3.2: Τοποθέτηση γεμάτων καρπούς τελάρων δίπλα στους κορμούς των δέντρων Σχήμα 9.3.3: Τοποθέτηση των γεμάτων τελάρων στην πλατφόρμα μεταφοράς Σχήμα 9.3.4: Τοποθέτηση των γεμάτων τελάρων πρώτα στην ειδική θέση στο PIWU και μετά στην πλατφόρμα μεταφοράς Σχήμα 9.3.5: Χρόνοι ανίχνευσης κωδικών RFID, ζευγών δέντρων και τελάρων κατά την 3 η επανάληψη, μέθοδος i Σχήμα 9.3.6: Καταγραφή της πορείας της πλατφόρμας μεταφοράς κατά τη συλλογή των τελάρων και της θέσης της κάθε φορά που ανιχνεύονταν ένα τελάρο από τον αναγνώστη RFID (3 η επανάληψη) Σχήμα 9.3.7: Χρόνοι ανίχνευσης κωδικών RFID ζευγών δέντρων και κωδικών barcode τελάρων κατά την 4 η επανάληψη, μέθοδος iii Σχήμα 9.3.8: Καταγραφή της πορείας της πλατφόρμας μεταφοράς κατά τη συλλογή των τελάρων και της θέσης της κάθε φορά που ανιχνεύονταν ένα τελάρο από τον αναγνώστη barcode (2 η επανάληψη-1 η ομάδα) Σχήμα 9.3.9: Καταγραφή της πορείας της πλατφόρμας μεταφοράς κατά τη συλλογή των τελάρων και της θέσης της κάθε φορά που ανιχνεύονταν ένα τελάρο από τον αναγνώστη RFID (3 η επανάληψη-2 η ομάδα) Σχήμα : Χάρτης των δέντρων του οπωρώνα (πείραμα μεγάλου σκέλους). Ο ελκυστήρας κινήθηκε στα μονοπάτια u 1, u 3 και u 5 για τη συλλογή των τελάρων Σελ. 19

20 Σχήμα : Τοποθέτηση των ετικετών RFID σε εμφανή σημεία στα δέντρα ακτινιδίων. 177 Σχήμα : Τοποθέτηση των γεμάτων τελάρων δίπλα στα δέντρα από όπου συγκομίστηκαν οι καρποί τους, στον οπωρώνα με ακτινίδια Σχήμα : Χρόνοι ανίχνευσης κωδικών RFID, δέντρων και γεμάτων τελάρων, κατά τη συλλογή των τελάρων του μονοπατιού u Σχήμα : Χρόνοι ανίχνευσης κωδικών RFID, δέντρων και γεμάτων τελάρων, κατά τη συλλογή των τελάρων του μονοπατιού u 3. Η συλλογή των γεμάτων τελάρων πραγματοποιήθηκε με δύο περάσματα του ελκυστήρα Σχήμα : Χρόνοι ανίχνευσης κωδικών RFID, δέντρων και γεμάτων τελάρων, κατά τη συλλογή των τελάρων του μονοπατιού u 5. Η συλλογή των γεμάτων τελάρων πραγματοποιήθηκε με ένα πέρασμα του ελκυστήρα Σχήμα : Χάρτης παραγωγής (yield map) του οπωρώνα Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα) με χρήση του GPS Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του GPS, κατά τον 1 ο γύρο Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του GPS, κατά το 2 ο γύρο Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του GPS, κατά τον 3 ο γύρο Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα) με χρήση του συνδυασμού DRM-GPS Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM-GPS, κατά τον 1 ο γύρο Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM-GPS, κατά τον 2 ο γύρο Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM-GPS, κατά τον 3 ο γύρο Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα) με χρήση του DRM Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM, κατά τον 1 ο γύρο Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM, κατά το 2 ο γύρο Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM, κατά τον 3 ο γύρο Σχήμα : Οπωρώνας με αποστάσεις φύτευσης 6 x 6 m Σχήμα : Καταγραφή της κίνησης του εργάτη στον οπωρώνα από το DRM Σχήμα : Προσέγγιση της κίνησης του εργάτη-χρήστη στον οπωρώνα Σχήμα : Κίνηση του εργάτη στην 1 η σειρά δέντρων (μαύρη συνεχόμενη γραμμή) και καταγραφή της κίνησης του εργάτη από το DRM4000 (μπλε γραμμή) Σχήμα : Κίνηση του εργάτη στη 2 η σειρά δέντρων (μαύρη συνεχόμενη γραμμή) και καταγραφή της κίνησης του εργάτη από το DRM4000 (μπλε γραμμή) Σχήμα : Κίνηση του εργάτη στην 3 η σειρά δέντρων (μαύρη συνεχόμενη γραμμή) και καταγραφή της κίνησης του εργάτη από το DRM4000 (μπλε γραμμή) Σχήμα : Κίνηση του εργάτη στην 4 η σειρά δέντρων (μαύρη συνεχόμενη γραμμή) και καταγραφή της κίνησης του εργάτη από το DRM4000 (μπλε γραμμή) Σχήμα : Δυο γειτονικοί οπωρώνες με αποστάσεις φύτευσης περίπου x 5-6m Σχήμα : Καταγραφή της κίνησης του εργάτη στον 1 ο (μπλε χρώμα) και στο 2 ο (μαύρο χρώμα) οπωρώνα από το σύστημα DRM-Barcode Σχήμα : Προσέγγιση της πραγματικής κίνησης του εργάτη (μαύρο συνεχόμενο χρώμα) στους δύο οπωρώνες Σελ. 20

21 Σχήμα : Διάγραμμα καταστάσεων του κάθε εργάτη κατά τη χειροσυλλογή και τοποθέτηση των καρπών σε τελάρα. Με κόκκινο χρώμα οι «καταστάσεις» που μπορούν να ανιχνευτούν με το σύστημα DRM-barcode Σχήμα : α) κουβάς γεμάτος με καρπούς και β) γεμάτο με καρπούς τελάρο Σχήμα : Συγκομιδή καρπών α) χωρίς χρήση σκάλας και β) με χρήση σκάλας Σχήμα 12.1: Προσομοίωση της κατανομής των φρούτων σε οπωρώνα Σχήμα π. 1: Διάγραμμα καταστάσεων που μπορεί να βρίσκεται ο εργάτης κατά τη διαδικασία της διασποράς των άδειων τελάρων στον αγρό Σελ. 21

22 ΠΕΡΙΕΧΟΜΕΝΑ ΠΙΝΑΚΩΝ Πίνακας 9.2.1: Στοιχεία δοκιμαστικού πειράματος αξιολόγησης του συστήματος RFID Πίνακας 9.2.2: Επαναλήψεις πειράματος και μέθοδος επίλυσης του προβλήματος TBAYM που χρησιμοποιείται σε κάθε επανάληψη Πίνακας 9.2.3: Κατανομή των γεμάτων τελάρων ανά ζεύγος δέντρων και στις 2 επαναλήψεις του πειράματος Πίνακας 9.2.4: Συσχέτιση ζευγών δέντρων (Ενδεικτικά για τα πρώτα 5) με γεμάτα τελάρα και χρόνος ανίχνευσης των ετικετών RFID. Με κόκκινο χρώμα παρουσιάζονται οι κωδικοί των ζευγών δέντρων Πίνακας 9.3.1: Στοιχεία πειράματος Πίνακας 9.3.2: Κατανομή των γεμάτων τελάρων ανά ζεύγος δέντρων σε όλες τις επαναλήψεις του πειράματος Πίνακας 9.3.3: 1 η ομάδα επαναλήψεων της διαδικασίας συλλογής των τελάρων και χρήση των μεθόδων επίλυσης του TBAYM Πίνακας 9.3.4: 2 η ομάδα επαναλήψεων της διαδικασίας συλλογής των τελάρων και χρήση των μεθόδων επίλυσης του TBAYM Πίνακας 9.3.5: Χρόνος συλλογής των τελάρων (s) για την 1 η ομάδα επαναλήψεων με τις μεθόδους i και ii (χωρίς τη χρήση του ζυγού) Πίνακας 9.3.6: Συσχέτιση μεταξύ ζευγών δέντρων και γεμάτων τελάρων με τη μέθοδο ii Πίνακας 9.3.7: Χρόνος συλλογής των τελάρων (s) για την 1 η ομάδα επαναλήψεων με τις μεθόδους iii και iv (χωρίς τη χρήση του ζυγού) Πίνακας 9.3.8: Χρόνος συλλογής των τελάρων (s) για την 2 η ομάδα επαναλήψεων με τη χρήση του ζυγού (όλες οι μέθοδοι) Πίνακας 9.3.9: Υπολογισμός του βάρους των γεμάτων καρπών τελάρων (kg) για κάθε επανάληψη της 2 ης ομάδας (αφαιρέθηκε το βάρος του άδειου τελάρου kg-) Πίνακας : Παραγωγή ζευγών δέντρων (kg) στις γραμμές1-4 (μονοπάτια u 1, u 3 ) Πίνακας : Παραγωγή ζευγών δέντρων (kg) στις γραμμές 5 και 6 (μονοπάτια u 5 ) Πίνακας : Συνοπτική απεικόνιση των πειραμάτων με τις μετρήσεις των χρόνων που πραγματοποιήθηκαν Πίνακας : Χαρακτηριστικά στοιχεία αγροτεμαχίων (ροδακινιές) Πίνακας : Τιμές χαρακτηριστικών μεταβλητών κατά τη συγκομιδή των καρπών. 1 η Ομάδα (χωρίς χρήση σκάλας για τη χειροσυλλογή των καρπών) Πίνακας : Τιμές χαρακτηριστικών μεταβλητών κατά τη συγκομιδή των καρπών. 2 η Ομάδα (χρήση σκάλας για τη χειροσυλλογή των καρπών) Πίνακας 12.1: Μέσες τιμές των στοχαστικών παραμέτρων του συστήματος, βασισμένες σε πειραματικές μετρήσεις Πίνακας : Ενδεικτικά αποτελέσματα της προσομοίωσης με 6 εργάτες Πίνακας : Σενάριο 1 ο : χρόνοι συλλογής-εκφόρτωσης των γεμάτων τελάρων Πίνακας : Σύγκριση αποτελεσμάτων προσομοίωσης με τις μετρήσεις του πειράματος Πίνακας : Ενδεικτικά αποτελέσματα της προσομοίωσης με 7 εργάτες Πίνακας : Σενάριο 2 ο : χρόνοι συλλογής-εκφόρτωσης των γεμάτων τελάρων Πίνακας : Σύγκριση αποτελεσμάτων προσομοίωσης 1 ου και 2 ου σεναρίου Σελ. 22

23 ΣΥΜΒΟΛΑ Λατινικά Σύμβολα Περιγραφή A B bi ( ) Σύνολο διαδρομών που εκτέλεσε ο ελκυστήρας Συνολικός αριθμός διαθέσιμων κιβωτίων Ένα προς ένα, επί και αντιστρεπτή συνάρτηση (injective, surjective, bijective) οποία για κάθε δέντρο j N ( n, k) επιστρέφει την σειρά με την οποία ο εργάτης επισκέπτεται το j- οστό δέντρο C( m j, t ) Σύνολο των καρπών του δέντρου m j το χρονικό διάστημα t i D( ni, k ) d 1 d j 2 d j Σύνολο τελάρων που συγκόμισε ο εργάτης n i στο «χέρι» συγκομιδής k Απόσταση Κωδικός της j-οστής δενδροκομικής πλατφόρμας μεταφοράς Κωδικός j-οστής μεγάλης πλατφόρμας μεταφοράς Ε Σύνολο δενδροκομικών πλατφόρμων μεταφοράς d 1 h Υβριδική συνάρτηση που δηλώνει το διακριτό ή συνεχές κομμάτι των PN h Κωδικός αγροτεμαχίου k Στάδιο («χέρι») συγκομιδής L πίνακας (ή μία βάση δεδομένων) ο οποίος θα περιέχει τον κωδικό (ID) του κάθε δέντρου και τη γεωγραφική του θέση ( x, y ) L ( m ). m j m j j l q l M M i m m j Κωδικός q-οστού τελάρου Αποδοτικότητα συλλογής (φόρτωσης) τελάρων στην πλατφόρμα Συνολικός αριθμός δέντρων οπωρώνα Έκταση του αγρού i ακέραιος αριθμός κουκκίδων-σημείων που περιέχει μία θέση (κύκλος) P, στα PN Κωδικός j-οστού δέντρου N( ni, k ) Σύνολο των δέντρων που συγκόμισε ο εργάτης n i στο στάδιο k Σελ. 23

24 n i n(t) P P h p(m j,k) Q Κωδικός j-οστού εργάτη Αριθμός των πυροδοτήσεων των διακριτών θέσεων από την αρχική στιγμή ως το χρόνο t στα PN Θέσεις (κλυκλοι-places) στα PN Συνολική παραγωγή οπωρώνα h Η παραγωγή (απόδοση) του δέντρου m j για το στάδιο (χέρι) k Σύνολο που περιέχει τους κωδικούς των διαθέσιμων κιβωτίων Q l :1 q B q R Σύνολο πλατφόρμας μεταφοράς d 2 r i S S s i T T c Οι πηγές (π.χ. μηχανές, εργάτες) που χρησιμοποιούνται για μία εργασία, στα PN Ακολουθία «πυροδοτήσεων» (ενεργοποιήσεων) στα PN Συνολικός αριθμός σταδίων συγκομιδής Κωδικός i-οστής σκάλας Μεταβάσεις (transitions) στα PN Χρονική καθυστέρηση που δημιουργείται καθώς οι εργάτες τοποθετούν πρώτα τα τελάρα στην ειδική θέση στο PIWU (T c1 ) και στη συνέχεια να τα στοιβάζουν στην πλατφόρμα (T c2 ). Tid Χρονική καθυστέρηση λόγω της διαδικασίας ανίχνευσης των κωδικών από τους αναγνώστες RFID ή barcode TL1 Ο χρόνος συλλογής όταν η 1 η ή η 2 η, χωρίς τη χρήση του ζυγού, χρησιμοποιείται TL2 Ο χρόνος συλλογής όταν η 3 η ή η 4 η, χωρίς τη χρήση του ζυγού, χρησιμοποιείται T Ls T m Χρόνος συλλογής ενός τελάρου στην τυπική (παραδοσιακή) διαδικασία Χρονικό διάστημα το οποίο αντιπροσωπεύει τον συνολικό χρόνο που ο ελκυστήρας κινήθηκε στον οπωρώνα διά τον αριθμό των γεμάτων τελάρων που συλλέχτηκαν T RC Χρονική καθυστέρηση λόγω της μειωμένης χωρητικότητας της πλατφόρμας μεταφοράς όταν χρησιμοποιείται το PIWU Σελ. 24

25 T s Tw t t 1 t 2 t 3 t 4 t 5 t 6 U Χρονικό διάστημα από τη στιγμή που ένας εργάτης σηκώσει το γεμάτο τελάρο από το έδαφος μέχρι να το τοποθετήσει (στοιβάξει) μαζί με τα άλλα στην πλατφόρμα του ελκυστήρα Χρονική καθυστέρηση μέτρησης του βάρους από τον ζυγό Χρόνος Χρόνος χειροσυλλογής και τοποθέτησης του φρούτου στον κουβά. Χρόνος πλήρωσης του κουβά Χρόνος αδειάσματος ενός κουβά σε κάποιο τελάρο Χρόνος πλήρωσης του τελάρου Χρόνος συλλογής των τελάρων και τοποθέτησή τους στην πλατφόρμα του ελκυστήρα Χρόνος εκφόρτωσης των τελάρων και τοποθέτησή τους σε σημείο εκφόρτωσης Ρυθμός εργασίας μία πηγής στα PN V i Ρυθμός εργασίας του συνόλου των πηγών στα PN. V i =U i xm j, όπου ο δείκτης i αντιπροσωπεύει τη μετάβαση T i και ο j τον αριθμό των σημείων στη θέση P j V( m, k) Σύνολο τελάρων το οποίο περιέχει τους κωδικούς των τελάρων j που αντιστοιχούν στο δέντρο m j στο στάδιο k v(u) W w(l q ) x y z Ταχύτητα των πυροδοτήσεων των συνεχόμενων θέσεων σε έναν αυθαίρετο χρόνο u, στα PN Πίνακας κατάστασης (incidence) Βάρος (kg) των καρπών που τοποθετούνται στο κιβώτιο l q Γεωγραφικό μήκος Γεωγραφικό πλάτος Γεωγραφικό ύψος Ελληνικά Σύμβολα Περιγραφή α Ακρίβεια ανίχνευσης των αναγνωστών RFID ή barcode Σελ. 25

26 a (, ) 1 ni k a (, ) 2 ni k a (, ) 3 ni k a (, ) 4 ni k Δ i i Ρυθμός συγκομιδής και τοποθέτησης των καρπών στον κουβά, από τον εργάτη n i, κατά το στάδιο k Ρυθμός αδειάσματος του γεμάτου κουβά στο/α τελάρο/α (s/φρούτο) από τον εργάτη n i, κατά το στάδιο k Ρυθμός συλλογής των γεμάτων τελάρων και φόρτωσής τους στην πλατφόρμα του ελκυστήρα (s/τελάρο) από τον εργάτη n i, κατά το στάδιο k Ρυθμός εκφόρτωσης των τελάρων σε μεγαλύτερη πλατφόρμα ή σε σημείο εκφόρτωσης (s/τελάρο) από τον εργάτη n i, κατά το στάδιο k Αριθμός εργατών. Δ 1 ανήκουν αυτοί που συγκομίζουν καθ όλη τη διάρκεια της μέρας, ενώ στο Δ 2 ανήκουν αυτοί που συγκομίζουν μέχρι κάποια συγκεκριμένη χρονική στιγμή και στη συνέχεια συλλέγουν τα γεμάτα τελάρα και τα τοποθετούν στην πλατφόρμα του ελκυστήρα ( 1 2 ) Η σειρά με την οποία ο εργάτης n i επισκέπτεται τα δέντρα Κωδικός i-οστού φρούτου Χωρητικότητα της δενδροκομικής πλατφόρμας 1 ( d ) i 1 d (αριθμός i κιβωτίων) Χωρητικότητα της πλατφόρμας μεταφοράς 2 ( d ) i κιβωτίων) 2 d (αριθμός i Σελ. 26

27 ΑΚΡΩΝΥΜΙΑ Λατινικά Σύμβολα Περιγραφή BRP DGPS DRM EAN GAP GPS HDOP IA ICM ID IPM MEMS OMT OOSE PF PIWU PML PN RFID SCM TBAYM UHF UML UTM Business Reengineering Process Differential Global Positioning System Dead Reckoning Module European Article Number Good Agricultural Practice Global Positioning System Horizontal Dilution of Precision Integrated Agriculture Integrated Crop Management Identity Document Integrated Pest Management Micro-Electro-Mechanical Systems Object Modeling Technique Object-Oriented Software Engineering Precision Farming Portable Identification and Weighing Unit Physical Markup Language Petri Nets Radio Frequency Identification Supply Chain Management Tree-Bin Association and Yield Mapping Ultra High Frequency Unified Modeling Language Universal Transverse Mercator Ελληνικά Σύμβολα Περιγραφή ΚΑΠ ΤΠΕ Κοινή Αγροτική Πολιτική Τεχνολογίες Πληροφορίας και Επικοινωνιών Σελ. 27

28 1 η ΕΝΟΤΗΤΑ ΕΙΣΑΓΩΓΗ 1. ΕΙΣΑΓΩΓΗ 2. ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΠΡΩΤΟΓΕΝΗ ΠΑΡΑΓΩΓΗ 3. ΤΕΧΝΟΛΟΓΙΕΣ ΧΑΡΤΟΓΡΑΦΗΣΗΣ ΚΑΙ ΙΧΝΗΛΑΣΙΜΟΤΗΤΑΣ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΣΕ ΟΠΩΡΩΝΕΣ 4. ΑΝΤΙΚΕΙΜΕΝΟ ΔΟΜΗ ΕΡΓΑΣΙΑΣ

29 Κεφ. 1: ΕΙΣΑΓΩΓΗ 1. ΕΙΣΑΓΩΓΗ Τις τελευταίες δεκαετίες περιστατικά σχετικά με διατροφικούς κινδύνους έχουν αυξήσει την ευαισθησία των καταναλωτών σε θέματα ασφάλειας και ποιότητας, οι οποίοι απαιτούν από τους παραγωγούς, τις εταιρίες τροφίμων και το δίκτυο εμπορίας να ακολουθούν όσο το δυνατό υψηλότερα πρότυπα ποιότητας. Οι αναπτυγμένες και οι αναπτυσσόμενες χώρες διαμόρφωσαν μία ενιαία στάση σε σχέση με την ασφάλεια και την ποιότητα των τροφίμων, με σκοπό να καλυφθούν οι ανάγκες των καταναλωτών αλλά και να ισορροπηθούν σε σχέση με αυτή των υπολοίπων φορέων που εμπλέκονται στην αλυσίδα παραγωγής. Μέσα σε αυτό το πλαίσιο αναπτύχτηκε ένα ολοκληρωμένο σύνολο κανόνων, προτύπων και μεθόδων ελέγχου με στόχο τη μείωση των κινδύνων που μπορεί να προκύψουν στους καταναλωτές από τα τρόφιμα. Σε αυτό τον άξονα κινείται και η πολιτική της Ευρωπαϊκής Ένωσης μέσω ειδικών υπηρεσιών και σε συνεργασία με οργανισμούς που σχετίζονται με το αντικείμενο. Ως αποτέλεσμα, η πρόσβαση στις ανεπτυγμένες αγορές προϋποθέτει συμμόρφωση με τα ευρωπαϊκά και παγκόσμια πρότυπα περιβαλλοντικά-ορθής παραγωγής (EUREPGAP, IACS, INSPIRE, AGRO). Τα πρότυπα αυτά επιβάλλουν αντίστοιχη τεκμηρίωση των διαδικασιών παραγωγής, συλλογής, μετασυλλεκτικής επεξεργασίας και μεταφοράς των οπωροκηπευτικών. Η τεκμηρίωση αυτή πρέπει να αποδεικνύει τη συμμόρφωση και να καθιστά δυνατή την ιχνηλασιμότητα των προϊόντων. Οι απαιτήσεις για αύξηση της ποσότητας και ποιότητας των προϊόντων, με ταυτόχρονη μείωση εισροών (χημικά, ενέργεια), τήρηση κωδίκων ορθής καλλιέργειας και τεκμηρίωση λειτουργιών έρχονται σε σύγκρουση με την απαίτηση για χαμηλό κόστος παραγωγής. Απαιτείται συνεπώς από όλους τους εμπλεκόμενους φορείς στην παραγωγή και κυρίως τους αγρότες - εγκατάλειψη της εμπειρικής προσέγγισης της γεωργίας και υιοθέτηση σύγχρονων εργαλείων βέλτιστης διαχείρισης των γεωργικών εκμεταλλεύσεων. Το μεγαλύτερο τμήμα του κόστους στην συμβατική καλλιέργεια, κυρίως των οπωροκηπευτικών, προέρχεται από τις απαιτούμενες εισροές υλικών και από την ανθρώπινη εργασία. Οι σχετικές εργασίες οι οποίες μάλιστα παρουσιάζουν Σελ. 29

30 Κεφ. 1: ΕΙΣΑΓΩΓΗ ιδιαίτερη δυσκολία στην τεκμηρίωσή της εκτέλεσής τους είναι οι εργασίες λίπανσης, ψεκασμών και συγκομιδής. Το μεγαλύτερο εμπόδιο για την εφαρμογή ενός συστήματος ιχνηλασιμότητας προϊόντων σε γεωργικές εφαρμογές, είναι η δυσκολία συλλογής και καταγραφής των απαραίτητων πληροφοριών στο πολύπλοκο περιβάλλον των ανοικτών αγροτεμαχίων, με μη δομημένο σχήμα, ποικίλων διαστάσεων και μεγέθους, άμεσα εξαρτημένα με το περιβάλλον προϊόντα, με απρόβλεπτες μεταβολές του περιβάλλοντος και με χαμηλού μορφωτικού επιπέδου, μη εξειδικευμένους εργάτες (Ampatzidis et al., 2009). Παρακάτω, παρουσιάζονται διαφορετικές «μορφές» γεωργίας, που οδηγούν στην ανάγκη χρήσης νέων τεχνολογιών για τη βελτιστοποίηση της παραγωγής, την προστασία του καταναλωτή και ταυτόχρονα την προστασία του περιβάλλοντος. 1.1 Συμβατική, Βιολογική και Ολοκληρωμένη Γεωργία Η επάρκεια τροφίμων καθώς και η παραγωγή γεωργικών προϊόντων υπήρξε για πολλά χρόνια κύρια αγωνία του ανθρώπου, επηρεάζοντας αποφασιστικά τις πολιτικές των κρατών για την ανάπτυξη της γεωργίας. Την περίοδο αυξήθηκε σημαντικά η παραγωγή γεωργικών προϊόντων, κυρίως στις αναπτυγμένες χώρες, λόγω της δημιουργίας αποδοτικότερων ποικιλιών (πράσινη επανάσταση). Τα επόμενα χρόνια με τη συμβολή της επιστήμης και της τεχνολογίας (εκμηχάνιση της γεωργίας, χρήση λιπασμάτων, γεωργικών φαρμάκων και βελτιωτικών ουσιών) επιτεύχθηκε αλματώδη αύξηση της παραγωγής, που σήμερα υπερκαλύπτει τις ανάγκες των αναπτυγμένων κρατών. Επομένως, η περαιτέρω αύξηση της παραγωγής δεν αποτελεί πλέον προτεραιότητα, αλλά «ενοχοποιείται» για τις πολλές αρνητικές συνέπειες, όπως η υποβάθμιση του περιβάλλοντος και η δημιουργία δυσμενών συνθηκών για την υγεία, την ποιότητα ζωής και τη διατροφή των πολιτών. Η εντατική αυτή μορφή γεωργίας με την εφαρμογή συστημάτων υψηλών εισροών για την επίτευξη υψηλών αποδόσεων χαρακτηρίζεται ως «συμβατική γεωργία». Η εφαρμογή των συστημάτων αυτών, με την ευρεία και αλόγιστη χρήση χημικών συνθετικών γεωργικών φαρμάκων και λιπασμάτων, αφενός έχει ως συνέπεια την αύξηση της παραγωγής των γεωργικών προϊόντων, αφετέρου όμως συνέβαλε στη δημιουργία σοβαρών περιβαλλοντικών προβλημάτων από την κατά ληστρικό τρόπο εκμετάλλευση των φυσικών πόρων (Αντωνοπούλου κ.α., 2000). Έτσι, η συμβατική- Σελ. 30

31 Κεφ. 1: ΕΙΣΑΓΩΓΗ εντατική γεωργία θεωρείται πλέον ένα από τα βασικότερα συστήματα μεταβολής του φυσικού περιβάλλοντος, καθώς η μη ορθολογική διαχείριση του εδάφους και του νερού σε συνδυασμό με τη μη ορθή χρήση των φαρμάκων, λιπασμάτων και γενικά των αγροχημικών είχαν ως αποτέλεσμα (Μπούρμπος, 2001): Τη ρύπανση των υδάτων, του εδάφους, του αέρα, της χλωρίδας και της πανίδας με αποτέλεσμα την υποβάθμιση του περιβάλλοντος. Τη σπατάλη υδατικών πόρων και τη διάβρωση των εδαφών. Την απώλεια της γενετικής ποικιλότητας. Την τοξικότητα σε οργανισμούς μη στόχους. Την παρουσία υπολειμμάτων γεωργικών φαρμάκων στα παραγόμενα προϊόντα με αποτέλεσμα την υποβάθμιση της ποιότητάς τους. Επιπτώσεις στον άνθρωπο, είτε άμεσα με την έκθεση στα γεωργικά φάρμακα (κυρίως στους παραγωγούς), είτε έμμεσα με την κατανάλωση προϊόντων με υπολείμματα φαρμάκων. Όλα αυτά σε συνδυασμό με τη δημιουργία υψηλού ανταγωνισμού στις διεθνείς αγορές, τη διεύρυνση της Ευρωπαϊκής Ένωσης και τις αυξανόμενες απαιτήσεις των καταναλωτών για ασφαλή και υγιεινά τρόφιμα, αποτέλεσε νέα πραγματικότητα για την ευρωπαϊκή γεωργία. Η μεταρρύθμιση της Κοινής Αγροτικής Πολιτικής (ΚΑΠ) επιδιώκει να ανταποκριθεί σε αυτές τις νέες υποχρεώσεις απέναντι σε παραγωγούς και καταναλωτές. Γενικότερα, στα σημεία που οδήγησαν στην ανάγκη για ποιοτικά γεωργικά προϊόντα θα πρέπει να συνυπολογιστούν τα ακόλουθα (Χρήστου, 2005): Τις κρίσεις που παρουσιάστηκαν τόσο στον τομέα της κτηνοτροφίας/πτηνοτροφίας όσο και στων τομέα των καλλιεργειών. Τον κλονισμό της εμπιστοσύνης των καταναλωτών, που επέφεραν οι κρίσεις αυτές. Τις αυξανόμενες απαιτήσεις των καταναλωτών για ασφαλέστερα τρόφιμα. Τη συνεπακόλουθη, όλο και πιο έντονη, αναζήτηση ειδικών σημάνσεων και ετικετών για την ιχνηλασιμότητα των προϊόντων από την πλευρά του αγοραστή. Σελ. 31

32 Κεφ. 1: ΕΙΣΑΓΩΓΗ Τις όλο και πιο πιεστικές απαιτήσεις στα θέματα διασφάλισης της δημόσιας υγείας. Επιπλέον, σε έρευνα που πραγματοποιήθηκε στον Καναδά αρκετά χρόνια πριν (Henning, 1994), βρέθηκε ότι το 33% των καταναλωτών θα πλήρωνε περισσότερο για να αγοράσει τρόφιμα που παρήχθησαν με φιλικό προς το περιβάλλον τρόπο. Σύμφωνα με νεότερη έρευνα (Φωτόπουλος, 1999), το 88% των καταναλωτών είναι δυσαρεστημένοι από την υπερβολική χρήση γεωργικών φαρμάτων κατά τη διαδικασία της παραγωγής των προϊόντων. Η διαπίστωση των προβλημάτων που έχει επιφέρει η εφαρμογή της συμβατικής γεωργίας, αλλά και οι συνεχώς αυξανόμενες απαιτήσεις των καταναλωτών για καλύτερης ποιότητας και ασφαλέστερα τρόφιμα, έφεραν στο επίκεντρο του ενδιαφέροντος την «αειφορική γεωργία». Η αειφορία γενικά εκφράζει την αρχή της σταθερής κατάστασης ενός φυσικού οικοσυστήματος. Η αυστηρή αειφορία επικράτησε στις πρώτες δεκαετίες του περασμένου αιώνα στη δασοπονία. Σήμερα, όμως, η ιδέα της αειφορίας έχει επεκταθεί ώστε να καλύπτει γενικώς τη γεωργία και έτσι αειφορική γεωργία (sustainable agriculture) ορίζεται ως (Θεοχαρόπουλος, 2005): «ένα σύστημα ανθρωπίνων δραστηριοτήτων που παραμένει παραγωγικό για πάντα, με τον καλύτερο δυνατό τρόπο αξιοποίησης των φυσικών πόρων, σε αρμονία με το περιβάλλον και είναι φιλικό τόσο στο ανθρώπινο είδος, όσο και σε άλλα είδη». Η αειφορική γεωργία, θα μπορούσε να πει κανείς, ότι είναι ένα σύστημα με το οποίο επιτυγχάνεται οικονομικότητα, είναι οικολογικά παραδεκτό και κοινωνικά δίκαιο και υποστηρίζει όλες τις μορφές ζωής (Σφακιωτάκης, 2000). Από τις διάφορες μορφές αειφορικής γεωργίας, δύο είναι τα συστήματα που προσφέρονται για αντικατάσταση της συμβατικής γεωργίας (Σφακιωτάκης, 2000): 1. Η βιολογική ή οργανική γεωργία (Organic Agriculture) 2. Η ολοκληρωμένη γεωργία (Integrated Agriculture, IA) ή ολοκληρωμένη διαχείριση καλλιεργειών (Integrated Crop Management, ICM). Η βιολογική γεωργία είναι ένα σύστημα παραγωγής και διαχείρισης αγροτικών προϊόντων, όπου υπάρχουν σημαντικοί περιορισμοί στη χρησιμοποίηση λιπασμάτων ή φυτοφαρμάκων που μπορεί να έχουν αρνητικές επιπτώσεις στο περιβάλλον ή να έχουν ως αποτέλεσμα την ύπαρξη καταλοίπων στα γεωργικά προϊόντα. Περιλαμβάνει ποικίλες καλλιεργητικές πρακτικές καθώς και περιορισμένη χρήση λιπασμάτων και Σελ. 32

33 Κεφ. 1: ΕΙΣΑΓΩΓΗ μη χημικών βελτιωτικών χαμηλής διαλυτότητας και υπό προϋποθέσεις χρησιμοποίηση ορισμένων μη χημικών συνθετικών προϊόντων (βελτιωμένος κανονισμός ΕΟΚ 1991R2092: ). Τα προϊόντα που παράγονται με τον τρόπο αυτό έχουν απαλλαγεί από τυχόν βλαβερές χημικές ουσίες, ενώ παράλληλα προστατεύεται και το οικοσύστημα. Στόχος της βιολογικής γεωργίας είναι να δημιουργήσει ένα ανθρώπινο αειφορικό σύστημα γεωργικής παραγωγής, το οποίο να βασίζεται σε ανανεώσιμους φυσικούς πόρους και σε οικολογικές διαδικασίες διαχείρισης (Μυγδάκος και Πατσιάλης, 2001). Σε έρευνα που πραγματοποιήθηκε το 2002 στην περιοχή της Κρήτης (Παντζιος κ.α., 2002), σχετικά με τη βιολογική γεωργία, βρέθηκε ότι η υιοθέτησή της γίνεται αποδεκτή από τους παραγωγούς και τους καταναλωτές με ταχύς ρυθμούς. Ο πιο σημαντικός παράγοντας στην απόφαση των παραγωγών για τη μετατροπή των καλλιεργειών τους σε βιολογικές ήταν η παροχή επαγγελματικής εκπαίδευσης-κατάρτισης. Από την άλλη πλευρά, η ολοκληρωμένη γεωργία δίνει τη δυνατότητα στους παραγωγούς να ακολουθήσουν τη μέση οδό μεταξύ βιολογικής και συμβατικής γεωργίας (Wibberly, 1995; Drummond, 1994). Πρόκειται για μία μέθοδο γεωργικής παραγωγής πολλαπλών στόχων, που στοχεύει, τόσο στην προστασία του περιβάλλοντος, όσο και στην προστασία του εισοδήματος του παραγωγού (El Titi, 1999). Επομένως, η ολοκληρωμένη γεωργία, σε αντίθεση με τη συμβατική, δεν ενδιαφέρεται μόνο για τις αποδόσεις των καλλιεργειών και τα εισοδήματα των παραγωγών, αλλά και για τις οικολογικές παραμέτρους της παραγωγικής διαδικασίας (Morris and Winter, 1999). Στην ολοκληρωμένη, όπως και στη βιολογική, κεντρικός στόχος είναι η επίτευξη της αειφορίας. Οι δύο αυτές εναλλακτικές μορφές άσκησης της γεωργίας στοχεύουν στο να μετατρέψουν το περιβάλλον σε αναπόσπαστο μέρος της παραγωγικής διαδικασίας, έτσι ώστε να δοθεί προτεραιότητα στα θέματα της ορθής χρήσης των φυσικών πόρων και της ποιότητας των παραγόμενων προϊόντων (Tovey, 1997). Εντούτοις, οι δύο αυτές εναλλακτικές μορφές έχουν και αρκετές διαφορές που αφορούν την προέλευσή τους, τις πρακτικές που χρησιμοποιούν, τη σχέση τους με το υπάρχον σύστημα παροχής γνώσης και πληροφοριών και της σχέση τους με το παραδοσιακό σύστημα προσφοράς τροφίμων. Η βιολογική γεωργία έλκει την καταγωγή της από μία ομάδα οικολόγων με πλήρη αποστροφή στις παραδοσιακές μεθόδους της παραγωγικής διαδικασίας, ενώ η ολοκληρωμένη γεωργία αναπτύχθηκε για να λύσει προβλήματα της συμβατικής Σελ. 33

34 Κεφ. 1: ΕΙΣΑΓΩΓΗ γεωργίας, χρησιμοποιώντας μεθόδους και τεχνικές που εφαρμόζονται στην συμβατική και βιολογική γεωργία. Έτσι, στην ολοκληρωμένη γεωργία γίνεται χρήση των ανόργανων εισροών, σε αρκετά χαμηλότερα επίπεδα όμως σε σχέση με τη συμβατική γεωργία (Morris and Winter, 1999). Επιπλέον, η βιολογική γεωργία απαιτεί την ανάπτυξη νέου συστήματος παροχής γνώσης και πληροφορίας, ενώ η ολοκληρωμένη απαιτεί ανάπτυξη της έρευνας μέσα στο υπάρχον σύστημα. Ακόμα, τα προϊόντα βιολογικής γεωργίας κατέχουν ξεχωριστή θέση στις αγορές (niche market), ενώ η ολοκληρωμένη γεωργία έχει αναπτυχθεί μέσα στο υπάρχον παραδοσιακό σύστημα προσφοράς τροφίμων και έχει ως στόχο να πετύχει τη διευκόλυνση της εμπορίας των προϊόντων και την προτίμηση των καταναλωτών μέσω της πιστοποίησης (Morris and Winter, 1999). Τέλος, η ΕΕ μέσω της πολιτικής της ενθαρρύνει τους αγρότες να παράγουν γεωργικά προϊόντα υψηλής ποιότητας και να εφαρμόζουν τακτικές οι οποίες δεν επιβαρύνουν το περιβάλλον. Απαιτείται από τις βιομηχανίες τροφίμων να αναπτύσσουν και να εφαρμόσουν συστήματα διασφάλισης και ιχνηλασιμότητας των προϊόντων, ώστε αυτά να φτάσουν στους καταναλωτές μέσα από μία διαδικασία η οποία θα τους αυξήσει το αίσθημα ασφάλειας. Μέσα σε αυτό το πλαίσιο αναπτύχθηκε ένα ολοκληρωμένο σύστημα κανόνων, προτύπων και μεθόδων ελέγχου με στόχο τη μείωση των κινδύνων που μπορεί να προκύψουν σε παραγωγούς και καταναλωτές κατά την παραγωγική διαδικασία. 1.2 Ολοκληρωμένη Γεωργία στην Ελλάδα Στην Ελλάδα η ολοκληρωμένη γεωργία αναπτύχθηκε λίγα χρόνια αργότερα σε σχέση με την υπόλοιπη Ευρώπη. Αρχικά, κατά τη δεκαετία του 1990, υπήρξε έντονο ενδιαφέρον από τους ερευνητικούς φορείς της χώρας (Πανεπιστήμια, ΕΘΙΑΓΕ κτλ.) για την ολοκληρωμένη διαχείριση παρασίτων (IPM), που αποτελεί μία μόνο συνιστώσα της ολοκληρωμένης διαχείρισης καλλιεργειών. Πολύ γρήγορα όμως το ενδιαφέρον αυτό διευρύνθηκε και η έρευνα στράφηκε προς την ολοκληρωμένη γεωργία (Χατζηχαρίσης, 2003). Σελ. 34

35 Κεφ. 1: ΕΙΣΑΓΩΓΗ Η ολοκληρωμένη διαχείριση καλλιεργειών άρχισε να εφαρμόζεται στη χώρα μας την περίοδο Από τους διάφορους ορισμούς που έχουν δοθεί στη χώρα μας, διακρίνουμε τον εξής: «Ολοκληρωμένη διαχείριση στην γεωργική παραγωγή είναι η συνδυασμένη χρήση διαφόρων μεθόδων και η ορθή χρήση των εισροών, με σκοπό την επίτευξη καλύτερου οικονομικού αποτελέσματος και την προστασία του περιβάλλοντος. Με την ολοκληρωμένη διαχείριση εξασφαλίζεται η ποιότητα και η ασφάλεια, από υγιεινής πλευράς, των παραγόμενων γεωργικών προϊόντων, με σκοπό την ικανοποίηση των καταναλωτών και επομένως την οικονομική επιτυχία της γεωργικές εκμετάλλευσης. Η ολοκληρωμένη διαχείριση βασίζεται κυρίως στην ορθή διαχείριση του περιβάλλοντος και αποτελεί μία ρεαλιστική εναλλακτική λύση έναντι της συμβατικής γεωργίας (Agrocert, 1999). Συγκεκριμένα, η εφαρμογή συστημάτων ολοκληρωμένης διαχείρισης καλλιεργειών προϋποθέτει συμμορφώσεις, που έχουν σχέση με την επιλογή του πολλαπλασιαστικού υλικού, τη διαχείριση του εδάφους, την άρδευση, τη λίπανση, τη φυτοπροστασία, τις καλλιεργητικές φροντίδες, την ενέργεια, τη συγκομιδή και τους μετασυλλεκτικούς χειρισμούς, το περιβάλλον και τη βιοποικιλότητα, τη διαχείριση των ρύπων και την υγεία-ασφάλεια των εργαζομένων (Agrocert, 1999). Στην ολοκληρωμένη διαχείριση για κάθε ένα από τα παραπάνω υπάρχουν αναλυτικές οδηγίες, που πρέπει να τηρούνται. Επίσης, είναι υποχρεωτική η τήρηση λεπτομερούς αρχείου για κάθε παραγωγό (Μαργαριτόπουλος, 2003 και 2004), στο οποίο αναγράφονται όλες οι εργασίες που αφορούν την γεωργική εκμετάλλευση («ημερολόγιο αγρού»). Στην χώρα μας οι περισσότερες γεωργικές εκμεταλλεύσεις είναι μικρού μεγέθους, για αυτό η επιτυχής εφαρμογής της ολοκληρωμένης διαχείρισης καλλιεργειών σε μια περιοχή προϋποθέτει την ύπαρξη συγκεντρωμένων αγροτεμαχίων, όπου όλοι οι παραγωγοί θα αποδεχτούν το σύστημα αυτό. Αυτό είναι αναγκαίο, τόσο για να υπάρξει μετρήσιμη βελτίωση του περιβάλλοντος, όσο και για να μειωθεί το κόστος εφαρμογής του συστήματος ανά άτομο. Για το λόγο αυτό η ολοκληρωμένη γεωργία στην Ελλάδα εφαρμόζεται κυρίως από συνεταιριστικούς φορείς (Ελευθεροχωρινός, 2002). Σελ. 35

36 Κεφ. 1: ΕΙΣΑΓΩΓΗ 1.3 Ιχνηλασιμότητα Προϊόντων Οι Ευρωπαίοι γενικότερα και οι Έλληνες καταναλωτές ειδικότερα απαιτούν προϊόντα υψηλότερης ποιότητας, καθώς και μεγαλύτερη ποικιλία στα τρόφιμα (Grunert et al, 1996; Gordon, 1998). Επιπλέον, ανησυχούν όλο και περισσότερο για ζητήματα όπως η ασφάλεια τροφίμων, η προστασία του περιβάλλοντος και οι ηθικά ορθές και αειφορικές μέθοδοι παραγωγής (Blandford and Fulponi, 1999). Η ανησυχία των καταναλωτών σχετικά με την ασφάλεια και την ποιότητα των τροφίμων προκύπτουν από έναν συνδυασμό διαφόρων παραγόντων. Οι υψηλότερες απαιτήσεις διαμορφώνουν στους καταναλωτές μια περισσότερο κριτική στάση αναφορικά με την ποιότητα των τροφίμων που αγοράζουν. Ακόμα, οι διάφορες πρόσφατες διατροφικές κρίσεις (σπογγώδης εγκεφαλοπάθεια, διοξίνες, σαλμονέλα) έχουν καταστήσει τους καταναλωτές πιο ενήμερους για τους κινδύνους υγείας από την κατανάλωση τροφίμων. Η χρήση φυτοφαρμάκων και ιδιαίτερα η παρουσία υπολειμμάτων στα τελικά προϊόντα είναι ένα από τα ζητήματα για τα οποία οι καταναλωτές ανησυχούν όλο και περισσότερο. Στην Ελλάδα, το 87% των καταναλωτών δηλώνει ανήσυχο για τα φυτοφάρμακα στα φρούτα, τα λαχανικά και τα δημητριακά ενώ, για τα αντιβιοτικά στο κρέας, τα ποσοστά είναι ελαφρώς μικρότερα. Ακόμα, το 67% των Ελλήνων θέτει ως κριτήριο αγοράς την ποιότητα ενώ το 45% την τιμή ανάμεσα στους δυο επικρατέστερους λόγους για την επιλογή ενός προϊόντος (Ευρωβαρόμετρο, 902/2006). Στόχος της Ευρωπαϊκής Ένωσης είναι να εξασφαλίσει υψηλή ποιότητα στα προϊόντα είτε εγχώριας παραγωγής είτε σε αυτά που εισάγονται από άλλη χώρα εντός ή εκτός ΕΕ. Για το σκοπό αυτό ο κανονισμός 178/2002 της Eurepgap εισάγει την έννοια της ιχνηλασιμότητας (Traceability) στα γεωργικά προϊόντα (η οποία τέθηκε σε εφαρμογή από 1η Ιανουαρίου 2005). Άρθρο 3(15) Traceability means the ability to trace and follow food, feed, food-producing animal or substance intended to be, or expected to be incorporated into a food or feed, through all states of production, processing and distribution. Με άλλα λόγια, οι επιχειρήσεις τροφίμων και ζωοτροφών (καθώς και οι παραγωγοί), ανεξάρτητα από το εάν παράγουν, μεταποιούν ή εισάγουν τρόφιμα ή ζωοτροφές, πρέπει να εξασφαλίζουν την ιχνηλασιμότητα όλων των τροφίμων σε όλη την τροφική και παραγωγική αλυσίδα. Κάθε επιχείρηση πρέπει να μπορεί να προσδιορίσει τους προμηθευτές της και τις επιχειρήσεις που προμήθευσε η ίδια. Έτσι Σελ. 36

37 Κεφ. 1: ΕΙΣΑΓΩΓΗ και ο αγρότης-παραγωγός πρέπει να καταγράφει όλα τα κρίσιμα στάδια παραγωγής καθώς και όλες τις επεμβάσεις σε φυτικά ή ζωικά προϊόντα (Thysen, 2000). Ακόμα, κάθε επιχείρηση οφείλει να έχει την ικανότητα να ταυτοποιήσει και ανακαλέσει τα προϊόντα της, αν αποδειχτεί ότι υπάρχει σοβαρό πρόβλημα ώστε οι καταναλωτές να ενημερωθούν και να προστατευτούν (Regattieri et al., 2007; Opara, 2003; Abbott, 1991). Σχετικά πρόσφατες μελέτες για την ασφάλεια των τροφίμων δείχνουν ότι περίπου επτά εκατομμύριο άνθρωποι ετησίως υποφέρουν από τροφικές ασθένειες (Sarig, 2003) γεγονός που καθιστά απαραίτητη την ιχνηλασιμότητα των προϊόντων. Η απαίτηση για εφαρμογή του HACCP έχει επίσης άμεσο συσχετισμό με την εφαρμογή της ιχνηλασιμότητας (852/2004 και η παλιότερη 93/43). Γενικότερες νομοθεσίες που αφορούν στην ασφάλεια των τροφίμων, όπως η 95/2001 και ο κώδικας τροφίμων και ποτών, δίνουν τη βάση για ασφαλή τρόφιμα στην Ευρώπη. Τα συστήματα ISO9001, HACCP, ISO 22000, BRC, IFS, Agro 2.1,2.2 και Eurepgap έχουν σαφή απαίτηση για τήρηση της ιχνηλασιμότητας. Γενικά, με τον όρο ιχνηλασιμότητα εννοούμε τη δυνατότητα ανίχνευσης και παρακολούθησης των τροφών, σπόρων και άλλων παραγώγων σε όλα τα στάδια της διαδικασίας παραγωγής ή διανομής του προϊόντος. Η EUREP GAP (Good Agricultural Practice-Ορθή Γεωργική Πρακτική) προτείνει τη συλλογή και καταγραφή ενημερωμένων δεδομένων από τους παραγωγούς, διαθέσιμων σε κάθε φορέα ώστε να πιστοποιείται η συμμόρφωση στους κανόνες της GAP και να είναι δυνατή ιχνηλασιμότητα του τελικού προϊόντος από το ράφι στον αγρό. Τα απαραίτητα δεδομένα θα πρέπει να καταγράφονται για τουλάχιστον πέντε έτη, εκτός αν το σύστημα απαιτεί περισσότερο χρόνο. Μη συμμόρφωση σε κάποιους κανόνες ή από κάποιο μέλος της εφοδιαστικής αλυσίδας ενός προϊόντος είναι ικανή για την κατάρρευση του συστήματος. Αυτό το νέο καθεστώς επιδρά δυσμενέστερα στις μικρότερες επιχειρήσεις, οι οποίες δεν είναι εύκολο να συμμορφωθούν σε τέτοιες απαιτήσεις ιχνηλασιμότητας (Schwägele, 2005; Moe, 1998). Πληροφοριακά συστήματα μπορούν να βοηθήσουν και να υποστηρίξουν τους παραγωγούς στη συλλογή και διαχείριση των δεδομένων ώστε να συμμορφωθούν στις απαιτήσεις της GAP (Thysen, 2000; Bollen, 2004; Bollen et al., 2003). To κλειδί για ένα επιτυχημένο σύστημα εμπορίας οπωροκηπευτικών προϊόντων είναι η καταγραφή των απαιτήσεων των καταναλωτών σε διάφορα χρονικά διαστήματα σε συσχέτιση με ένα αποτελεσματικό και αξιόπιστο σύστημα διανομής των κατάλληλων προϊόντων. Το σύστημα αυτό θα πρέπει να βασίζεται σε καινοτόμες Σελ. 37

38 Κεφ. 1: ΕΙΣΑΓΩΓΗ τεχνολογίες καταγραφής χαρακτηριστικών των προϊόντων, με στόχο τη διάθεση προϊόντων ανάλογα με τις ανάγκες των καταναλωτών, την ασφάλεια των προϊόντων έτσι ώστε να κατακτηθεί η εμπιστοσύνη των καταναλωτών (Mowat and Collins, 2000) Κωδικοποίηση Προϊόντων-Χρήση Νέων Τεχνολογιών Η συσχέτιση των τελικών προϊόντων με τα συστατικά και υλικά τα οποία χρησιμοποιήθηκαν για την παραγωγή τους είναι πολύ σημαντική σε όλα τα συστήματα ιχνηλασιμότητας. Η προέλευση ενός προϊόντος μπορεί να χαρακτηριστεί ως το ιστορικό του προϊόντος, δηλαδή οι απευθείας ιδιότητες που το χαρακτηρίζουν, αλλά και/ή οι ιδιότητες και τα υλικά τα οποία σχετίζονται ή έχουν χρησιμοποιηθεί για την παραγωγή του προϊόντος αυτού. Έτσι, οι πληροφορίες για την προέλευση του προϊόντος μπορεί να χρησιμοποιηθούν τόσο για σκοπούς εμπορίας-παραγγελίας (π.χ. για την ανάγνωση των χαρακτηριστικών του προϊόντος) όσο και σκοπούς ανίχνευσης των χαρακτηριστικών του προϊόντος που παραλήφθηκε (Jansen and Vullers, 2004). Επομένως, η κωδικοποίηση καθίσταται απαραίτητη τόσο για τον έλεγχο του προϊόντος όσο και για τη διευκόλυνση της διακίνησης και εμπορίας του. Πολλοί ερευνητές έχουν προτείνει και αναπτύξει συστήματα για την ανάγνωση των ιδιοτήτων ενός προϊόντος για εφαρμογές σε συνεργαζόμενες επιχειρήσεις (Trienekens and Beulens, 2001a; Thoben and Jagdev, 2001; Browne et al., 1995). Η διαχείριση της εφοδιαστικής αλυσίδας (Supply-Chain Management, SCM) είναι ένα πεδίο έρευνας, τόσο για τις συνεργαζόμενες επιχειρήσεις όσο και για τα κάθετα συστήματα, τα οποία αναπτύσσονται ραγδαία τα τελευταία χρόνια. Τα SCM καλύπτουν θέματα όπως: πρόβλεψη, σχεδιασμό, διαχείριση, κατανομή των προϊόντων κτλ (Kraljic, 1983; Ellram, 1991; Lamming, 1996). Παρόλα αυτά λίγα τέτοια συστήματα αποδείχθηκαν λειτουργικά (Edwards et al., 2001). Στα περισσότερα συστήματα ιχνηλασιμότητας χρησιμοποιούνται κωδικοί EAN (European Article Number) για τον εντοπισμό και ανίχνευση των προϊόντων (Cheng and Simmons, 1994; Seine et al., 2004; Steele, 1995). Πολλά είναι γνωστά για τους κωδικούς αυτούς καθώς και το πώς να τους διαχειριστούμε, αλλά λίγα είναι γνωστά για τις σημαντικές πληροφορίες που θα πρέπει να αντιπροσωπεύουν (Stamper, 2001). Επομένως, οι κωδικοί αυτοί θα πρέπει να περιέχουν πληροφορίες του προϊόντος κατά τη στιγμή της παραγωγής του αλλά και πληροφορίες σχετικά με το προϊόν τόσο κατά Σελ. 38

39 Κεφ. 1: ΕΙΣΑΓΩΓΗ την επεξεργασία, τη μεταφορά, την αποθήκευσή του και τη διανομή του στα ράφια των αγορών (Abbott, 1991; Trienekens and Beulens, 2001b). Πολλοί παραγωγοί υποστήριξαν ότι τα πληροφοριακά συστήματα καθώς και οι υπολογιστές τους βοήθησαν στη μεθοδική συλλογή, καταγραφή, ανάλυση και επεξεργασία δεδομένων με στόχο την αποδοτικότερη διαχείριση του αγροκτήματος και τη λήψη σωστότερων αποφάσεων (Nuthall, 2004). Παρόλο που η λεπτομερής συλλογή και η καταγραφή δεδομένων στον αγρό θεωρείται απαραίτητη για τη διαχείριση των αγροκτημάτων, αντίστοιχα μηχανήματα (εργαλεία) για τη καταγραφή και διαχείριση δεδομένων σε γεωργικές εφαρμογές είναι περιορισμένα, και χρησιμοποιούνται κυρίως ως λογιστικά εργαλεία (Hirschheim et al., 1996; Kitchen, 2007). Τα περισσότερα από αυτά τα εργαλεία χρησιμοποιούνται για την εισαγωγή δεδομένων στο σύστημα από ένα χειριστή, χωρίς να είναι δυνατή η αυτόματη εισαγωγή των δεδομένων. Επίσης, τα περισσότερα χρησιμοποιούνται για εισαγωγή και επεξεργασία δεδομένων στο σπίτι ή στο γραφείο και όχι για απευθείας εισαγωγή δεδομένων στον αγρό (Harwood and Hadley, 2009; Kuflik et al., 2009; Thorp et al, 2008; Kuhlmann, 1998). Επομένως, για τη αποδοτικότερη διαχείριση των αγροκτημάτων απαιτούνται πληροφοριακά συστήματα και εργαλεία για την καταγραφή των δεδομένων στον αγρό όπως: ώρες εργασίες προσωπικού, μηχανημάτων, εισροές καλλιέργειας, παραγωγή κτλ. Η ακρίβεια των δεδομένων που θα καταγράφονται και επομένως και οι προκείμενες αποφάσεις που θα ληφθούν για τη διαχείριση του αγροκτήματος εξαρτώνται από την αξιοπιστία και το χρόνο λήψης των δεδομένων. Δεδομένα που δεν είναι υψηλής ακρίβειας και άκαιρα δεδομένα θα δώσουν ασαφή εικόνα για την κατάσταση του αγροκτήματος (Jensen, 2001). Το μεγαλύτερο εμπόδιο για την εφαρμογή ενός συστήματος ιχνηλασιμότητας προϊόντων σε γεωργικές εφαρμογές, είναι η δυσκολία συλλογής και καταγραφής των απαραίτητων πληροφοριών στο πολύπλοκο περιβάλλον των ανοικτών αγροτεμαχίων, με μη δομημένο σχήμα, ποικίλων διαστάσεων και μεγέθους αγροτεμαχίων, άμεσα εξαρτημένων με το περιβάλλον προϊόντων, με απρόβλεπτες μεταβολές του περιβάλλοντος και με χαμηλού μορφωτικού επιπέδου, μη εξειδικευμένους εργάτες. Για παράδειγμα ένας παραγωγός στη Ελλάδα μπορεί να καλλιεργεί 3-6 διαφορετικές καλλιέργειες σε 5-15 ξεχωριστά αγροτεμάχια, τα οποία απέχουν πολλά χιλιόμετρα το ένα από το άλλο. Επιπλέον, η ποικιλία της αγροτικής εργασίας, η οποία της περισσότερες φορές είναι εποχική, και πραγματοποιείται από εργάτες διαφορετικών Σελ. 39

40 Κεφ. 1: ΕΙΣΑΓΩΓΗ εθνοτήτων προκαλεί σοβαρό πρόβλημα στην τα καταγραφή δεδομένων των αγροτεμαχίων (Ampatzidis et al., 2008; Αμπατζίδης και άλλοι, 2007β). Επομένως, η ανάγκη ανάκτησης δεδομένων ιχνηλασιμότητας από τα πρωτογενή δεδομένα των εργασιών αγρού είναι καθοριστικής σημασίας τόσο για τη σωστή διαχείριση των αγροκτημάτων όσο και για τη δυνατότητα απόδειξης συμμόρφωσης με τους κανόνες ορθής γεωργικής πρακτικής. Ένα χαρακτηριστικό παράδειγμα είναι η ανάκτηση πληροφορίας ιχνηλασιμότητας για το πότε έγιναν ψεκασμοί σε μία δενδροκαλλιέργεια και με πόση ποσότητα χημικού, από τα πρωτογενή δεδομένα ημερομηνίας και θέσης (GPS) του ψεκαστικού μηχανήματος, από τον κωδικού (barcode) του σκευάσματος που χρησιμοποιήθηκε και από το συνδυασμό της ταχύτητας του ψεκαστικού (GPS) και της (γνωστής ή μετρούμενης) παροχής του ψεκαστικού μηχανήματος. Αντίστοιχα, στη χειρονακτική συγκομιδή η πληροφορία ιχνηλασιμότητας πρέπει να παρέχει τη σύνδεση μεταξύ δένδρου, εργάτη συλλογής, τελάρου αποθήκευσης και ημερομηνίας-ώρας συλλογής. Όμως τα πρωτογενή δεδομένα μπορεί να είναι χρονοσειρές θέσης και προσανατολισμού ενός εργάτη, καθώς και γεγονότα ταυτοποίησης ετικετών RFID ή barcode. Τα δεδομένα αυτά μπορεί να προέρχονται από πολλές και διαφορετικές πηγές οι οποίες είτε μεταφέρονται από τους αγρότες-εργάτες (wearable devices: GPS, barcode, RFID, pedometers, SMS messages), είτε μεταφέρονται από τα μηχανήματα (GPS, κάμερα, RFID tags-readers, yield monitors), είτε βρίσκονται τοποθετημένα σε εργαλεία, κιβώτια, δέντρα (RFID, barcode tags, αισθητήρες θερμοκρασίας, υγρασίας, ανέμου) κλπ. 1.4 Γεωργία Ακριβείας Ιχνηλασιμότητα Εντός Αγρού. Οικονομικοί, περιβαλλοντικοί καθώς και λόγοι ασφάλειας των τροφίμων προτάσσουν ένα νέο τρόπο διαχείρισης των αγροκτημάτων που να καταγράφει και να αποτυπώνει όσο το δυνατόν καλύτερα τη μεταβλητότητα των χαρακτηριστικών του εδάφους και της καλλιέργειας τόσο χωρικά όσο και χρονικά (π.χ. γεωργία ακριβείας). Βασικό εργαλείο της γεωργίας ακριβείας είναι η χαρτογράφηση της παραγωγής (yield mapping) με όσο τον δυνατόν μεγαλύτερη ακρίβεια, για τον καθορισμό εδαφικών ζωνών με κοινά χαρακτηριστικά, και την ανάπτυξη μεταβλητών καλλιεργητικών φροντίδων σε κάθε ζώνη (π.χ. λίπανση). Με τον όρο «ιχνηλασιμότητα εντός αγρού» εννοούμε όχι τόσο τη δυνατότητα υπολογισμού-μέτρησης της παραγωγής ανά σημείο Σελ. 40

41 Κεφ. 1: ΕΙΣΑΓΩΓΗ του αγροκτήματος αλλά τη δυνατότητα ταυτοποίησης των προϊόντων με το συγκεκριμένο σημείο (π.χ. δέντρο) από απ όπου συγκομίστηκαν (Αμπατζίδης και άλλοι, 2007α). Πολλά συστήματα χαρτογράφησης της παραγωγής έχουν μελετηθεί και εφαρμοστεί κυρίως στα φυτά μεγάλων καλλιεργειών π.χ. σιτάρι (Reyns et al., 2002; Whelan and McBratney, 2002; Missotten et al., 1996), ζαχαρότευτλο (Walter and Backer, 2003; Hall et al., 2003; Hofman et al. 1995), βαμβάκι (Markinos, 2003; Gvili, 1998; Searcy, 1998), φιστικιές (Thomas et al. 1999), πατάτες (Campbell et al., 1994; Ehlert, 2000; Persson, 1998), ντομάτες (Rosa et al., 2000; Pelletier and Upadhyaya, 1999), silage (Lee et al., 2002;). Στα συστήματα αυτά χρησιμοποιούνται μηχανές συγκομιδής εφοδιασμένες με αισθητήρες μέτρησης της παραγωγής και σύστημα προσδιορισμού θέσης (GPS- Global Positioning System) του οχήματος για τη συσχέτιση παραγωγής και θέσης στο χωράφι. Σε αντίθεση, η συγκομιδή των φρούτων για νωπή κατανάλωση, όπως όλοι οι ευαίσθητοι σε κρούσεις καρποί, πραγματοποιείται κυρίως με εργάτες (Τσατσαρέλης, 2003, Neff, 1997; Whitney, 1995 and 1997). Αυτό συμβαίνει γιατί η μηχανική συγκομιδή των φρούτων έχει σοβαρά μειονεκτήματα όπως: υποβάθμιση της ποιότητας, δυσκολία συγκομιδής όλων των καρπών, συγκομιδή ταυτόχρονα ώριμων και άγουρων καρπών κ.α. Επομένως, απαιτείται διαφοροποίηση των παραπάνω μεθόδων για την εφαρμογή τους σε οπωρώνες. Μια από τις κύριες δυσκολίες για την υιοθέτηση της γεωργία ακρίβειας στα οπωροκηπευτικά, τα οποία συλλέγονται με εργάτες, είναι η καταγραφή των απαραίτητων δεδομένων στο ανοικτό περιβάλλον των αγροτεμαχίων (Ampatzidis et al., 2009; Hetzroni et al., 2005). Σελ. 41

42 Κεφ. 2: ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΠΡΩΤΟΓΕΝΗ ΠΑΡΑΓΩΓΗ 2.ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΠΡΩΤΟΓΕΝΗ ΠΑΡΑΓΩΓΗ Η τρέχουσα κατάσταση στις ευρωπαϊκές γεωργικές εκμεταλλεύσεις είναι ότι οι περισσότερες πηγές δεδομένων και πληροφοριών της παραγωγικής διαδικασίας είναι αποσπασματικές, με αποτέλεσμα η συλλογή τους να είναι δύσκολη και χρονοβόρα. Ως εκ τούτου δεν μπορούν να αξιοποιηθούν πλήρως, χωρίς την καταβολή μεγάλης προσπάθειας και χρόνου. Ταυτόχρονα, η δυνατότητα καταγραφής, παρακολούθησης και ιχνηλασίας των παραγόμενων προϊόντων, καθώς και η απόδειξη συμμόρφωσης με τους κανόνες ορθής γεωργικής πρακτικής είναι περιορισμένη, σύνθετη και βασίζεται στη συμπλήρωση εγγράφων από το ανθρώπινο δυναμικό και όχι σε σύγχρονα αυτοματοποιημένα συστήματα. Οι υπάρχουσες συγκρούσεις μεταξύ γεωργικών και περιβαλλοντικών ζητημάτων πρέπει μετριαστούν μέσω της υιοθέτησης των κατάλληλων γεωργικών διαδικασιών. Επίσης, ο καθορισμός και η εφαρμογή των κανόνων ορθής γεωργικής πρακτικής και άλλων προτύπων απαιτούν κατάλληλες τεχνολογικές λύσεις, οι οποίες θα πρέπει να καταγραφούν και να τεκμηριωθούν. Τα υπάρχοντα προϊόντα καταγραφής δεδομένων (γεωργικά λογισμικά καταγραφής) και τα πρότυπα (ADIS, ISOBUS, XML), οι σύγχρονες τεχνολογίες και τεχνικές (ISOBUS, PF), τα χαμηλού κόστους συστήματα για την καταγραφή και ανίχνευση δεδομένων (αναγνώστες RFID, αναγνώστες γραμμωτών κωδικών-barcode, GPS, ηλεκτρονικές ετικέτες) και τόσο η κινητή (GSM-SMS) όσο και η διαδικτυακή επικοινωνία έχουν προσδιοριστεί ως πιθανή τεχνολογική βάση για τον ανασχεδιασμό της εντός αγρού ανάκτησης δεδομένων-πληροφοριών, με υψηλό βαθμό αυτοματοποίησης, για την ικανότητα ιχνηλασιμότητας των προϊόντων και την υποβοήθηση λήψης αποφάσεων. Τα τελευταία 20 χρόνια έχουν αναπτυχθεί λογισμικά εργαλεία, τα οποία παρέχουν δυνατότητες καταγραφής των πληροφοριών της αγροτικής παραγωγικής διαδικασίας σε Η/Υ, κυρίως χειροκίνητα, με στόχο την υποστήριξη αποφάσεων για τη διαχείριση των καλλιεργειών και των πόρων. Σήμερα, τα λογισμικά καταγραφής δεδομένων (record keeping software) μπορούν να διαχειριστούν τις περισσότερες, αλλά όχι όλες τις απαραίτητες πληροφορίες μίας σύγχρονης γεωργικής εκμετάλλευσης. Επίσης, απαιτούν πολύ χρόνο για την εισαγωγή και επεξεργασία των δεδομένων. Οι περισσότεροι παραγωγοί στην Ευρώπη (80-90%) δεν χρησιμοποιούν Σελ. 42

43 Κεφ. 2: ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΠΡΩΤΟΓΕΝΗ ΠΑΡΑΓΩΓΗ κάποιο λογισμικό καταγραφής πληροφοριών, κυρίως επειδή πρέπει να ξοδέψουν πολύ χρόνο για την καταγραφή των δεδομένων και λόγω του κουραστικού τρόπου εισαγωγής των δεδομένων στον Η/Υ. Οι απαιτήσεις για συλλογή πληροφοριών σχετικά με τις διαδικασίες πρωτογενούς παραγωγής αυξάνονται, τόσο για τη δυνατότητα ανίχνευσης και παρακολούθησης των προϊόντων (traceability, value-added chains), όσο και για την πληρέστερη και ολοκληρωμένη διαχείριση των πολυσύνδετων χαρακτηριστικών της γεωργικής παραγωγής (Edwards et al., 2001). Μία σημαντική προϋπόθεση για τους παραγωγούς ώστε να συμμορφωθούν με όλες τις διαφορετικές απαιτήσεις της Ε.Ε. είναι η δυνατότητα της άμεσης, έγκαιρης και έγκυρης συλλογής πληροφοριών, οι οποίες απαιτούνται για τη λήψη αποφάσεων ή την παροχή αποδεικτικών στοιχείων. Η αλματώδη ανάπτυξη των τεχνολογιών στον τομέα της ενημέρωσης και της επικοινωνίας (π.χ. GSM-SMS), η εισαγωγή νέων αισθητήρων (Lee et al., 2010; Ruiz- Altisent et al., 2010) καθώς και οι τεράστιες δυνατότητες για την παροχή γεωαναφερόμενων δεδομένων (remote sensing, δίκτυα αισθητήρων, RFID, barcodes, GPS, δημόσιες βάσεις δεδομένων κτλ.) επιτρέπει τους παραγωγούς να έχουν πρόσβαση σε νέα, υψηλής ποιότητας και ακρίβειας στοιχεία, τα οποία να χρησιμοποιηθούν για τη λήψη αποφάσεων και την τεκμηρίωση της παραγωγικής διαδικασίας που ακολουθείται. Με την αυτοματοποιημένη συλλογή και επεξεργασία δεδομένων και πληροφοριών, κατά τη πρωτογενή παραγωγική διαδικασία, οι διαχειριστές των γεωργικών εκμεταλλεύσεων θα μπορούν να συμμορφωθούν με τις αυξανόμενες απαιτήσεις των προτύπων ορθής διαχείρισης των διαδικασιών παραγωγής. Επίσης, παρέχεται η δυνατότητα της άμεσης επικοινωνίας και συνεργασίας των φορέων πρωτογενούς παραγωγής, μεταποίησης και διάχυσης των προϊόντων. Πρότυπα συστήματα, στο εξωτερικό, έχουν αναπτυχθεί και δοκιμαστεί για συλλογή περιορισμένων δεδομένων αγρού με χρήση της κινητής επικοινωνίας (GSM-SMS), με ικανοποιητικά αποτελέσματα (π.χ. Cunha et al., 2010; Tseng et al., 2006). Η γεωργία ακριβείας (Precision Farming-PF) χρησιμοποιεί νέες τεχνολογίες για τη συλλογή, χειρισμό και διαχείριση πληροφοριών για την καταγραφή και αποτύπωση όσο το δυνατόν καλύτερα της μεταβλητότητας των χαρακτηριστικών του εδάφους και της καλλιέργειας τόσο χωρικά όσο και χρονικά. Στόχος της είναι η αύξηση του γεωργικού εισοδήματος, η ελάττωση του κόστους παραγωγής και η μείωση των περιβαλλοντικών επιπτώσεων. Η χρήση των τεχνικών και των μεθόδων Σελ. 43

44 Κεφ. 2: ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΠΡΩΤΟΓΕΝΗ ΠΑΡΑΓΩΓΗ της PF παρέχουν ένα σύνολο πληροφοριών και εργαλείων για τον χειρισμό και την εφαρμογή των κατάλληλων πληροφοριών σε οποιοδήποτε τύπο αγροκτήματος (Fountas et al., 2004, 2006, 2009). Αυτές οι πληροφορίες μπορούν να βοηθήσουν στη βελτίωση της διαχείρισης του αγροκτήματος, στη λήψη αποφάσεων και στην απόδειξη συμμόρφωσης στην ΚΑΠ. Η παραγωγή των πρωτογενών προϊόντων πρέπει να ακολουθεί τους κανόνες ορθής γεωργικής πρακτικής, με σεβασμό προς το περιβάλλον, έτσι ώστε παρέχεται η δυνατότητα σύνδεσης της κρατικής επιχορήγησης με τους παραγωγούς που συμμορφώνονται στα απαιτούμενα πρότυπα. Η τήρηση των κωδικών της ορθής γεωργικής πρακτικής, διαμορφώνοντας τα τρέχοντα συστήματα παραγωγής πρωτογενών προϊόντων και αγορών, καθώς επίσης και τα ευρωπαϊκά πρότυπα συστήματα της βιώσιμης γεωργικής παραγωγής, απαιτούν τη χρήση νέων τεχνολογιών και την εφαρμογή πιο εξελιγμένων διοικητικών στρατηγικών. Οι στρατηγικές αυτές θα πρέπει να τηρούν συγκεκριμένους οικολογικούς περιορισμούς, να ακολουθούν τις απαιτήσεις για αειφόρο γεωργική ανάπτυξη και να επιλύουν τις ανάγκες της τοπικής αγροτικής περιοχής. Επίσης, θα πρέπει να είναι απλές, ευέλικτες, να μπορούν να προσαρμοστούν εύκολα στις μεταβαλλόμενες οικονομικές ή περιβαλλοντικές συνθήκες και να αποδεικνύουν τη συμμόρφωσή τους με τους κανόνες της ΚΑΠ. Ένα επανειλημμένα αναφερόμενο πρόβλημα στην υιοθέτηση των πληροφοριακών και επικοινωνιακών τεχνολογιών (ΤΠΕ) στην γεωργία, όπως μπορεί να παρατηρηθεί από τη χρήση πολυάριθμων τεχνολογιών, είναι η έλλειψη συμβατότητας μεταξύ υλικού (hardware) και λογισμικού (software), η οποία δυσχεραίνει την επικοινωνία, αυξάνοντας παράλληλα τα επίπεδα πολυπλοκότητας μεταξύ των ανταλλασσόμενων πληροφοριών (Pederson et al., 2004, Reichardt and Juergens, 2006). Ειδικότερα τα τελευταία χρόνια, όπου η ανάπτυξη λογισμικών πακέτων και πληροφοριακών συστημάτων έχει γεωμετρικά αυξηθεί. Ως εκ τούτου, διάφορες προσπάθειες, από τις βιομηχανίες και τα πανεπιστήμια, καταβάλλονται για την επίλυση αυτού του προβλήματος. Τα τρέχοντα πρότυπα ΤΠΕ για την επικοινωνία στην γεωργία περιστρέφονται γύρω από ISOBUS (ISO11783), που τυποποιεί την επικοινωνία μεταξύ ενός πληροφοριακού συστήματος και μίας συσκευής (π.χ. αισθητήρα). Ενεργά συστήματα, όπως το πρότυπο agroxml και η γλώσσα PML (Physical Markup Language), τα οποία βασίζονται στο πρότυπο XML και είναι βασικά υποψήφια προς υιοθέτηση, στοχεύουν να τυποποιήσουν τη μεταφορά Σελ. 44

45 Κεφ. 2: ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΠΡΩΤΟΓΕΝΗ ΠΑΡΑΓΩΓΗ στοιχείων σε επίπεδο εγγράφων, μεταξύ ενός γεωργικού λογισμικού και άλλων οργανώσεων στο γεωργικό τομέα (π.χ. προμηθευτές, ανάδοχοι, σύμβουλοι, διοίκηση, κλπ.). Τα πλεονεκτήματα που απορρέουν από τη χρήση τους είναι: το χαμηλό κόστος υιοθέτησης, τα υψηλά επίπεδα ευελιξίας κι ευχρηστίας και η ανταλλαγή δεδομένων μεταξύ τεχνολογικά διαφορετικών πληροφοριακών συστημάτων (Medveczki, 2004). Σελ. 45

46 Κεφ. 3: ΤΕΧΝΟΛΟΓΙΕΣ ΧΑΡΤΟΓΡΑΦΗΣΗΣ ΚΑΙ ΙΧΝΗΛΑΣΙΜΟΤΗΤΑΣ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΣΕ ΟΠΩΡΩΝΕΣ 3.ΤΕΧΝΟΛΟΓΙΕΣ ΧΑΡΤΟΓΡΑΦΗΣΗΣ ΚΑΙ ΙΧΝΗΛΑΣΙΜΟΤΗΤΑΣ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΣΕ ΟΠΩΡΩΝΕΣ Η συγκομιδή φρούτων και οπωροκηπευτικών πραγματοποιείται κυρίως με εργάτες (Τσατσαρέλης, 2003), γεγονός που καθιστά δυσχερέστατη την αυτόματη συλλογή δεδομένων αγρού. Πληροφορία όπως: ποιος συνέλλεξε τον καρπό, από ποιο δέντρο, σε ποιο τελάρο τοποθετήθηκε ο καρπός, τι ώρα, κλπ είναι ιδιαίτερα χρήσιμες για ιχνηλασιμότητα αλλά και χαρτογράφηση ποσότητας και ποιότητας παραγωγής (γεωργία ακριβείας). Αρκετά συστήματα έχουν εφαρμοστεί για τη χαρτογράφηση της παραγωγής κατά τη συγκομιδή σε οπωρώνες στο εξωτερικό, κυρίως για εφαρμογές στη γεωργία ακριβείας, με ενθαρρυντικά αποτελέσματα π.χ. σε πορτοκαλιές, φιστικιές (Miller and Whitney, 1999; Thomas et al., 1999; Whitney et al., 1999a; Whitney et al., 1999b; Whitney et al., 2001a; Whitney et al., 2001b; Schueller et al., 1999; Salehi et al., 2000). Ακόμα, προσπάθειες έχουν γίνει για τη χαρτογράφηση και συσχέτιση της παραγωγής με τα τελικά προϊόντα (ακτινίδια) και κυρίως με τα ποιοτικά χαρακτηριστικά τους, τα οποία υπολογίζονται στο συσκευαστήριο (Praat et al., 2001; Praat et al., 2003). Επίσης, σύστημα για συλλογή περιορισμένων δεδομένων αγρού με χρήση της κινητής τηλεφωνίας (GSM-SMS), έχει αναπτυχθεί και δοκιμαστεί με ικανοποιητικά αποτελέσματα (Charvat et al., 2006; Cunha et al., 2010; Tseng et al., 2006). Συστήματα RFID έχουν συνδυαστεί με GPS τόσο για την ανίχνευση των πρέμνων (εμφύτευση παθητικών ετικετών RFID σε πρέμνα) σε αμπελώνες (Luvisi et al., 2010; Bandinelli et al., 2009; Triolo et al., 2007) όσο και για την καταγραφή ασθενειών σε φυτά (Kumagai and Miller, 2006). Επιπλέον, ρομποτικά συστήματα καταγραφής της παραγωγής, χρησιμοποιώντας κάμερες, GPS και αισθητήρες μέτρησης της απόστασης εφαρμόστηκαν για την ανίχνευση των καρπών και τον υπολογισμό της παραγωγής (Annamalai and Lee, 2003; Parrish and Goskel, 1977; Slaughter and Harrell, 1987; Slaughter and Harrell, 1989). Εντούτοις, τα παραπάνω συστήματα δεν έχουν καταφέρει να ξεπεράσουν προβλήματα όπως: χαμηλή ανάλυση χαρτών, μικρή ακρίβεια εντοπισμού της θέσης, μικρού βαθμού αυτοματοποίηση διαδικασιών και λανθασμένες ή ελλιπείς μετρήσεις. Όσον αφορά στη χαμηλή ανάλυση χαρτών, οφείλεται στο ότι η παραγωγή από μερικά και όχι από κάθε δέντρο καταγράφεται. Επιπλέον, η χρήση του GPS κάτω από δέντρα με μεγάλη κόμη δίνει σημαντικά σφάλματα στις μετρήσεις του (Heidman and Rosa, 2005; Σελ. 46

47 Κεφ. 3: ΤΕΧΝΟΛΟΓΙΕΣ ΧΑΡΤΟΓΡΑΦΗΣΗΣ ΚΑΙ ΙΧΝΗΛΑΣΙΜΟΤΗΤΑΣ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΣΕ ΟΠΩΡΩΝΕΣ Ampatzidis et al., 2007). Τέλος, η εμπλοκή του ανθρώπινου παράγοντα στη διαδικασία της καταγραφής της παραγωγής προκαλεί σοβαρά σφάλματα. Επομένως, απαιτείται ένα αξιόπιστο σύστημα, το οποίο δεν θα βασίζεται σε δειγματοληψία αλλά σε απευθείας μετρήσεις και θα μπορεί να συσχετίσει, με μεγάλη ακρίβεια, τα φρούτα με το δέντρο ή την περιοχή από όπου συγκομίστηκαν. Επίσης, στο σύστημα αυτό θα πρέπει να εμπλέκεται ελάχιστα ο ανθρώπινος παράγοντας (εργάτες) και να μην επηρεάζεται η κλασική διαδικασία συγκομιδής ή να τροποποιείται όσον το δυνατόν λιγότερο, ώστε να μην αυξάνεται ο χρόνος συγκομιδής. Σελ. 47

48 Κεφ. 4: ΑΝΤΙΚΕΙΜΕΝΟ-ΔΟΜΗ ΕΡΓΑΣΙΑΣ 4. ΑΝΤΙΚΕΙΜΕΝΟ ΔΟΜΗ ΕΡΓΑΣΙΑΣ Τα τελευταία 20 χρόνια έχουν αναπτυχθεί λογισμικά εργαλεία, τα οποία παρέχουν δυνατότητες καταγραφής των πληροφοριών της αγροτικής παραγωγικής διαδικασίας σε Η/Υ, κυρίως χειροκίνητα, με στόχο την υποστήριξη αποφάσεων για τη διαχείριση των καλλιεργειών και των πόρων (Kuhlmann, 1998). Σήμερα, τα λογισμικά καταγραφής δεδομένων (record keeping software) μπορούν να διαχειριστούν τις περισσότερες, αλλά όχι όλες τις απαραίτητες πληροφορίες μίας σύγχρονης γεωργικής εκμετάλλευσης (Thysen, 2000; Cox, 2002). Επίσης, απαιτούν πολύ χρόνο για την εισαγωγή και επεξεργασία των δεδομένων. Οι περισσότεροι παραγωγοί στην Ευρώπη (80-90%) δεν χρησιμοποιούν κάποιο λογισμικό καταγραφής πληροφοριών, κυρίως επειδή πρέπει να ξοδέψουν πολύ χρόνο για την καταγραφή των δεδομένων και λόγω του κουραστικού τρόπου εισαγωγής των δεδομένων στον Η/Υ. Οι βασικοί στόχοι της διατριβής αυτής είναι: Στόχος 1: Μοντελοποίηση της διαδικασίας της χειροσυλλογής των καρπών Βασικό επιστημονικό στόχο της εργασίας αυτής αποτελεί η μοντελοποίηση (μηχανιστική, μαθηματική περιγραφή) των διαδικασιών χειροσυλλογής των οπωροκηπευτικών. Μια τέτοια περιγραφή πρέπει να συμπεριλαμβάνει όλες τις οντότητες που παίρνουν μέρος στην παραγωγή (π.χ., εργάτες, μηχανές, εργαλεία, υλικά, κλπ), τις λειτουργίες τους, την κίνησή τους, καθώς και τις ροές εργασιών, υλικών και πληροφορίας. Βασική συνεισφορά της εργασίας αυτής είναι η θεώρηση της χειροσυλλογής οπωροκηπευτικών ως μίας διαδικασίας «βιομηχανικής» παραγωγής (manufacturing process). Μια τέτοια προσέγγιση του προβλήματος επιτρέπει τη χρήση μεθοδολογιών όπως τα Petri Nets και η αντικειμενοστραφής γλώσσα UML οι οποίες έχουν χρησιμοποιηθεί στη βιομηχανία, στην παραγωγή λογισμικού και αλλού για να περιγράψουν σύνθετα δυναμικά συστήματα με διακριτή φύση (discrete) και συνεχή (continuous) φύση. Η μοντελοποίηση της διαδικασίας χειροσυλογής θεωρείται επιβεβλημένη προκειμένου να καταστεί δυνατή η αναλυτική περιγραφή της και στη συνέχεια η ανάλυση, προσομοίωση και μελλοντικά - η βελτιστοποίησή της. Ένα επιπλέον πλεονέκτημα μιας τέτοιας προσέγγισης είναι ότι «αποκαλύπτει» όλα τα Σελ. 48

49 Κεφ. 4: ΑΝΤΙΚΕΙΜΕΝΟ-ΔΟΜΗ ΕΡΓΑΣΙΑΣ δεδομένα που απαιτούνται για τεκμηρίωση της παραγωγής (ιχνηλασιμότητα) μια και αυτά αποτελούν μεταβλητές και παραμέτρους του μοντέλου παραγωγής. Συνεπώς μπορούν να υιοθετηθούν μέθοδοι αναγνώρισης συστημάτων (system identification) για την ορθή ανάκτηση των δεδομένων αυτών. Ακόμα, σημαντικό τεχνολογικό στόχο αποτελεί και η ανάπτυξη λογισμικού που προσομοιώνει την εργασία της χειροσυλλογής. Το σύστημα προσομοίωσης πρέπει να λαμβάνει υπόψη τη δυναμική φύση της εργασίας συγκομιδής ώστε τα αποτελέσματα να είναι πιο ρεαλιστικά και να είναι δυνατή η πρόβλεψη κάθε χρονικού σταδίου της εργασίας αυτής. Σκοπός του συστήματος είναι η αναλυτική προσομοίωση της διαδικασίας συγκομιδής ώστε να δημιουργηθεί ένα κατάλληλο υπόβαθρο για την περαιτέρω μελέτη των επιμέρους σταδίων και τη χρησιμοποίηση τεχνολογιών για τη συλλογή δεδομένων αγρού για κάθε στάδιο της χειροσυλλογής. Η βελτιστοποίηση του συστήματος δεν είναι κύριος στόχος της παρούσας εργασίας. Είναι δυνατή όμως, η εύρεση της καλύτερης (βέλτιστης) λύσης από μια ομάδα σεναρίων, αν αυτά προσομοιωθούν με τη χρήση του αλγορίθμου. Το πρόγραμμα προσομοίωσης αναπτύχθηκε με τη χρήση της γλώσσας τεχνικού προγραμματισμού MATLAB. Η πρόοδος πέρα του state-of-the-art έγκειται στην υιοθέτηση αντικειμενοστραφούς μεθοδολογίας για τη λεπτομερή μοντελοποίηση εργασιών συνεχούς και διακριτής φύσης παραγωγής οπωροκηπευτικών, και στην εφαρμογή της σε εργασίες συγκομιδής. Τα μοντέλα που αναπτύχθηκαν περιγράφουν λεπτομερώς τις σχέσεις και αλληλεπιδράσεις μεταξύ των εμπλεκόμενων οντοτήτων της παραγωγής, τη ροή εργασιών (workflow) και ταυτόχρονα τη ροή υλικών και πληροφορίας. Στόχος 2: Ανάκτηση δεδομένων ιχνηλασιμότητας και χαρτογράφησης της παραγωγής με χρήση «έξυπνων» συστημάτων Ένας άλλος βασικός στόχος της εργασίας είναι η ανάπτυξη μεθοδολογιών και καινοτόμων συστημάτων αυτόματης ανάκτησης δεδομένων ιχνηλασιμότητας και χαρτογράφησης της παραγωγής από τα πρωτογενή δεδομένα της χειροσυλλογής των καρπών. Στην χειρονακτική συγκομιδή η πληροφορία ιχνηλασιμότητας και χαρτογράφησης πρέπει να παρέχει τη σύνδεση μεταξύ δένδρου, εργάτη συλλογής, τελάρου αποθήκευσης και ημερομηνίας-ώρας συλλογής. Η καταγραφή δεδομένων ιχνηλασιμότητας με το χέρι όπως γίνεται τώρα δημιουργεί πλείστα όσα προβλήματα όπως: λάθη, παραληφθείσες εγγραφές, περιορισμένο όγκο δεδομένων, Σελ. 49

50 Κεφ. 4: ΑΝΤΙΚΕΙΜΕΝΟ-ΔΟΜΗ ΕΡΓΑΣΙΑΣ μείωση ρυθμού εργασίας, υψηλότερο κόστος, μειωμένη αξιοπιστία. Συχνά μάλιστα, οι καλλιεργητές αρνούνται να τα καταγράψουν. Η τεχνική πρόκληση βρίσκεται στην αυτόματη συλλογή των δεδομένων αυτών, κυρίως λόγω της φύσης της εργασίας (χειρονακτική). Έτσι, αναπτύχθηκε ένα φορητό (wearable) σύστημα αξιόπιστης συλλογής δεδομένων σε συνδυασμό με ετικέτες RFID και barcode σε δένδρα, τελάρα κλπ. Οι κωδικοί των ετικετών ταυτοποιούν μοναδικά κάθε πόρο που εμπλέκεται στην παραγωγή και μπορούν να λειτουργήσουν ως κλειδιά σε μια βάση δεδομένων, παρέχοντας έτσι, σε ένα μελλοντικό σύστημα, ένα είδος περιρρέουσας ambient intelligence όσον αφορά την ιχνηλασιμότητα της κατάστασης της εργασίας. Το φορητό σύστημα καταγραφής δεδομένων αγρού περιλαμβάνει GPS, αναγνώστες barcode, RFID, και συσκευή μέτρησης βηματισμού (pedometer). Η πρόοδος πέρα του state-of-the-art έγκειται στη δυνατότητα που παρέχει το σύστημα για μελλοντική αναγνώριση της γεωργικής εργασίας που εκτελείται με βάση την κατάσταση (state) της οντότητας που την εκτελεί και δεδομένα από συσκευές που χρησιμοποιούνται στις διάφορες εργασίες. Επίσης, ως πρόοδος πέραν του state-ofthe-art είναι η ανάπτυξη καινοτόμων συστημάτων καταγραφής πληροφοριών όπως τόσο του συνδυασμού των τεχνολογιών RFID-barcode-GPS όσο και μίας καινοτόμου φορητής-wearable συσκευής που θα συλλέγει δεδομένα θέσης από GPS και συσκευή μέτρησης βηματισμού (pedometer), δεδομένα ταυτοποίησης δένδρων, τελάρων, εργαλείων, κλπ με φορητό RFID reader ή barcode scanner μικρού μεγέθους ώστε να συλλέγονται αυτόματα δεδομένα κίνησης εργατών, εγγύτητας σε συγκεκριμένα δένδρα, χρήσης τελάρων κ.ο.κ. Τα δεδομένα υπόκεινται μια πρώτη επεξεργασίαφιλτράρισμα-κωδικοποίηση και στη συνέχεια αποθηκεύονται σε μία βάση δεδομένων, ώστε να προκύπτει πληροφορία σχετική με τη ροή εργασίας, και την ιχνηλασιμότητα. Τέτοια προσέγγιση συλλογής δεδομένων σε εργασίες αγρού, βασισμένη σε wearable συσκευές δεν έχει αναφερθεί στη διεθνή βιβλιογραφία. Τέλος, βασικός στόχος είναι η λειτουργικότητα του συστήματος και η εύκολη χρήση του χωρίς την τροποποίηση της παραδοσιακής διαδικασίας χειροσυλλογής των καρπών. Η διατριβή είναι δομημένη ως εξής: Η ενότητα 1 παρουσιάζει την εισαγωγή της διατριβής και περιέχει τα κεφάλαια 1, 2, 3 και 4. Το κεφάλαιο 1 περιγράφει την εξέλιξη της γεωργίας από τη συμβατική της μορφή στη βιολογική, στην ολοκληρωμένη καλλιέργεια και στη γεωργία ακριβείας, Σελ. 50

51 Κεφ. 4: ΑΝΤΙΚΕΙΜΕΝΟ-ΔΟΜΗ ΕΡΓΑΣΙΑΣ καθώς και την ανάγκη ιχνηλασιμότητας των προϊόντων. Το κεφάλαιο 2 αναλύει τις τρέχουσες τεχνολογίες πληροφορίας και επικοινωνιών στον πρωτογενή τομέα και το κεφάλαιο 3 εξετάζει τις τρέχουσες τεχνολογίες χαρτογράφησης της παραγωγής και ιχνηλασιμότητας (εντός αγρού) των προϊόντων. Τέλος, το κεφάλαιο 4 παρουσιάζει το αντικείμενο, τους στόχους και τη δομή της εργασίας. Η ενότητα 2 παρουσιάζει την θεωρητική ανάλυση της παραδοσιακής χειροσυλλογής των καρπών και περιέχει τα κεφάλαια 5 και 6. Το κεφάλαιο 5 παραθέτει κάποια στοιχεία για την καλλιέργεια των οπωροφόρων δέντρων στην Ελλάδα και κυρίως τον τρόπο συγκομιδής τους. Το κεφάλαιο 6 περιγράφει την μοντελοποίηση της παραδοσιακής συγκομιδής των οπωροφόρων δέντρων, με χρήση της γλώσσας UML (6.1) και με χρήση υβριδικών Petri Nets (6.2) και τέλος αναπτύσσει ένα λογισμικό (6.3), με χρήση της Matlab, που προσομοιώνει τη διαδικασία αυτή. Η ενότητα 3 περιγράφει θεωρητικά την επίλυση της αυτοματοποιημένης καταγραφής και ταυτοποίησης της παραγωγής των οπωροφόρων με χρήση νέων τεχνολογιών και περιέχει τα κεφάλαια 7 και 8. Το κεφάλαιο 7 αναλύει τη χρήση (συνδυασμό) των τεχνολογιών RFID, barcode, GPS, digital scale και παρουσιάζει τέσσερις μεθόδους για την επίλυση της συσχέτισης των δέντρων με τα τελάρα που περιέχουν τους καρπούς τους (εντός αγρού ιχνηλασιμότητα). Το κεφάλαιο 8 αναλύει μία μεθοδολογία με τον συνδυασμό μίας μηχανής μέτρησης του βηματισμού και του προσανατολισμού (DRM 4000) με έναν αναγνώστη barcode για την εύρεση των δέντρων που επισκέφτηκε κάθε εργάτης και τη μελλοντική δυνατότητα ανίχνευσης της «κατάστασης» που βρίσκεται ο εργάτης, κάθε χρονική στιγμή, κατά τη χειροσυλλογή των καρπών. Η ενότητα 4 παραθέτει τα πειραματικά αποτελέσματα για την αξιολόγηση των μεθόδων επίλυσης της αυτοματοποιημένης συσχέτισης δέντρων με τα τελάρα που περιέχουν τους καρπούς τους (κεφάλαιο 9) και για τη συσχέτιση των δέντρων με εργάτες που τα επισκέφτηκαν-συγκόμισαν (κεφάλαιο 10). Η ενότητα 5 παρουσιάζει πειράματα για τον προσδιορισμό παραμέτρων (π.χ. ρυθμός συγκομιδής εργάτη ανάλογα με τη διαμόρφωση του οπωρώνα) της παραδοσιακής συγκομιδής των οπωροφόρων δέντρων (κεφάλαιο 11) και στη συνέχεια αναλύει Σελ. 51

52 Κεφ. 4: ΑΝΤΙΚΕΙΜΕΝΟ-ΔΟΜΗ ΕΡΓΑΣΙΑΣ πειράματα προσομοίωσης της χειροσυλλογής των καρπών (κεφάλαιο 12) με χρήση του λογισμικού που περιγράφηκε στο 6.3. Τέλος, η ενότητα 6 παραθέτει τα συμπεράσματα της διατριβής και προτάσεις για μελλοντικές εργασίες. Σελ. 52

53 2 η ΕΝΟΤΗΤΑ ΘΕΩΡΗΤΙΚΗ ΑΝΑΛΥΣΗ ΤΗΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ 5. ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ 6. ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ

54 Κεφ. 5: ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ 5. ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ Η Ελλάδα ως χώρα με εύκρατο κλίμα, ποικιλία τοπικών κλιμάτων και εδαφών, ευνοεί την ισορροπημένη ανάπτυξη πολλών καλλιεργειών και πιο συγκεκριμένα αυτή των καρποφόρων δέντρων. Το πρόσφορο του κλίματος, για την ανάπτυξη και καρποφορία των δέντρων, μαρτυρούν τα πολλά εκατομμύρια δέντρα που αυτοφύονται και που παραμένουν κατά το περισσότερο σε άγρια κατάσταση ενώ θα μπορούσαν να εξημερωθούν και να εκμεταλλευθούν χωρίς μεγάλες δυσκολίες, προσφέροντας ένα αρκετά καλό οικονομικό αποτέλεσμα. Μέσα σε μια χρονική περίοδο μικρότερη των 10 ετών είχαμε τεράστιες αυξήσεις, τόσο στα στρέμματα των οπωρώνων όσο και στην απόδοσή τους. Κάτι τέτοιο φυσικά μπορεί να οφείλεται στην καλύτερη κατεργασία του εδάφους και την εμφάνιση των πρώτων μηχανημάτων κατεργασίας του, στην πρωτοεμφάνιση ίσως κάποιων καλών εντομοκτόνων και φαρμάκων, στην καλύτερη διαχείριση νερού από τους αγρότες κ.α. Επιπλέον σημαντικός είναι και ο παράγοντας της βελτίωσης πιθανώς της διαδικασίας της συγκομιδής. Έτσι, στη διαδικασία αυτή ο γεωργός πρέπει να συγκομίσει τους καρπούς στον κατάλληλο χρόνο (ανάλογα με την ποικιλία), με τον ανάλογο αριθμό εργατών (είτε πρόκειται για παραδοσιακή συγκομιδή είτε όχι) και φυσικά με το ελάχιστο πάντα δυνατό κόστος. Γι αυτό, επειδή κατά την παραμονή των καρπών μέσα στο χωράφι, μπορεί να υπάρξουν μεγάλες απώλειες εξαιτίας καιρικών συνθηκών (χαλάζι, άνεμος κ.α.) ο γεωργός μόλις οι καρποί ωριμάσουν και είναι έτοιμοι για συγκομιδή, καταβάλει όλα του τα μέσα και το ανθρώπινο δυναμικό ώστε να καταλήξει σε μια γρήγορη και έγκαιρη συγκομιδή (Τσατσαρέλης, 2003). 5.1 Συγκομιδή Καρπών Οπωροφόρων Δέντρων Η συγκομιδή των καρπών αποτελεί την κορυφή, στη πυραμίδα των εργασιών του γεωργού. Έτσι μετά από εντατική προσπάθεια, περιποιήσεις, χρόνο και έξοδα έρχεται η ώρα να συγκομίσει τους καρπούς των κόπων του. Κατά την παραμονή των καρπών στο χωράφι, εξαιτίας πιθανόν κάποιων κινδύνων όπως ασθένειες, άνεμοι, καιρικές αντιξοότητες κ.α. πρέπει ο γεωργός μόλις οι καρποί είναι έτοιμοι, να Σελ. 54

55 Κεφ. 5: ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ καταβάλει όλες του τις δυνάμεις και το απαραίτητο ανθρώπινο δυναμικό, ώστε να υπάρξει μια γρήγορη και σωστή συγκομιδή. Η συγκομιδή των καρπών των οπορωφόρων επηρεάζεται από ορισμένους παράγοντες, οι οποίοι πρέπει να λαμβάνονται υπόψη ώστε να επιτύχουμε αποδοτικότερη και ποιοτικώς υψηλότερη συγκομιδή. Αυτοί διακρίνονται σε (Τσατσαρέλης, 2003): α) Καλλιεργητικούς (συστήματα και αποστάσεις φύτευσης, διαμόρφωση σχήματος-κλάδεμα, ποικιλία, έδαφος, λοιπές καλλιεργητικές φροντίδες όπως αραίωμα καρπών, ρύθμιση καρποφορίας και ωρίμανσης κ.α.), β) Μηχανικούς (χρήση κατάλληλων μηχανημάτων κ.α. Επηρεάζουν κυρίως την μηχανική συγκομιδή), γ) Λοιποί παράγοντες (εμπειρία χειριστών-εργατών, οργάνωση συγκομιδής-μετασυλλεκτική διαχείριση των καρπών για μείωση νεκρών χρόνων). Κύριο πρόβλημα της συγκομιδής, εκτός της ευπάθειας των καρπών, είναι το γεγονός ότι οι καρποί δεν ωριμάζουν όλοι ταυτόχρονα, με αποτέλεσμα η συγκομιδή να πραγματοποιείται σε δύο ή τρία συνήθως «χέρια». Κριτήρια ωρίμανσης είναι το χρώμα, το άρωμα, η ευκολία απόσπασης από το δένδρο και η μειωμένη αντοχή της σάρκας σε πίεση (Τσατσαρέλης, 2003). Επίσης, η οικονομική αξία των καρπών επηρεάζει την ημερομηνία συγκομιδής. Εάν πρόκειται να αποθηκευτεί σε ψυγεία ο καρπός (σε θερμοκρασία 4-8 ο C) και να ταξιδεύσει σε μακρινές αποστάσεις, συγκομίζεται 3-4 μέρες πριν την πλήρη ωρίμανση. Πρέπει να ληφθεί υπόψη, ότι η ωρίμανση διαφέρει στους κλιμακτηριακούς και μη κλιμακτηριακούς καρπούς. Έτσι, στους μη κλιμακτηριακούς καρπούς, αφορά τα φρούτα τα οποία ωριμάζουν μόνο ενόσω βρίσκονται ακόμη στο μητρικό φυτό (κεράσια, αγγούρια, σταφύλια, λεμόνια, ανανάς), η ποιότητά τους μειώνεται εάν συγκομιστούν προτού ωριμάσουν πλήρως διότι η περιεκτικότητά τους σε σάκχαρα και οξέα σταματά να αυξάνεται περαιτέρω. Ο ρυθμός αναπνοής μειώνεται σταδιακά κατά τη διάρκεια της ανάπτυξης και μετά τη συγκομιδή. Αντίθετα, οι κλιμακτηριακοί καρποί μπορούν να συγκομιστούν πριν ξεκινήσει η διαδικασία της ωρίμανσης και έτσι η μεταφορά και η διανομή μπορούν να σχεδιαστούν πιο προσεκτικά (μήλα, μπανάνες, πεπόνια, παπάγια, τομάτες). Τα εσπεριδοειδή παραμένουν ακόμη πράσινα μετά την πλήρη ωρίμανση τους πάνω στο δέντρο. Τα φρούτα αυτά μπορούν να ωριμάσουν με φυσικό ή τεχνητό τρόπο. Η έναρξη της ωρίμανσης συνοδεύεται από ταχεία άνοδο του αναπνευστικού ρυθμού, η οποία ονομάζεται κλιμακτηριακή αναπνοή. Μετά το κλιμακτηριακό στάδιο, ο ρυθμός αναπνοής επιβραδύνεται καθώς ωριμάζει το φρούτο και αναπτύσσεται η καλή του ποιότητα προς κατανάλωση. Σελ. 55

56 Κεφ. 5: ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ Γενικά, οι καρποί για νωπή κατανάλωση συγκομίζονται, όπως όλοι οι ευαίσθητοι σε κρούσεις καρποί, με εργάτες. Το γεγονός αυτό έχει ως αποτέλεσμα το κόστος συγκομιδής να είναι πολύ υψηλό. Δυνατότητες για μηχανική συγκομιδή είναι ελάχιστες γιατί, παρά τα πλεονεκτήματα που παρουσιάζει, έχει σοβαρά μειονεκτήματα όπως υποβάθμιση της ποιότητας, δυσκολία συγκομιδής όλων των καρπών (μεγάλες απώλειες), συγκομιδή ταυτόχρονα ώριμων και άγουρων καρπών κ.α. Ως εκ τούτο η συγκομιδή πραγματοποιείται με τα χέρια και οι καρποί τοποθετούνται σε σάκους ή κουβάδες (των 10 ή 20 Kg περίπου). Τα βοηθητικά μέσα (π.χ. σκάλες, σκαλάκια) και τα μηχανήματα με θέσεις εργατών μπορούν να χρησιμοποιηθούν με μεγάλη επιτυχία. Δονητές και υποδοχείς μπορούν να χρησιμοποιηθούν για συγκομιδή καρπών που προορίζονται για κονσερβοποίηση και αποξήρανση, αν και στην Ελλάδα χρησιμοποιούνται ελάχιστα. Οι καρποί στη συνέχεια οδηγούνται στα συσκευαστήρια-ψυγεία. Στην αγορά προωθούνται σε μονόστρωμα πλέον κιβώτια, ξύλινα ή χάρτινα, σε ειδικές θήκες. 5.2 Διαδικασία Συγκομιδής με Μηχανήματα με θέσεις εργατών Τα μηχανήματα αυτά βοηθούν στην προσέγγιση και απόσπαση του καρπού με τα χέρια. Ταξινομούνται σε δύο κατηγορίες: α) με σταθερές (πλατφόρμες συγκομιδής) και β) με κινητές θέσεις. Στην ουσία αυτά τα μηχανήματα αντικαθιστούν τις σκάλες ή τα σκαλάκια. Έχει βρεθεί από μελέτες ότι στην παραδοσιακή συγκομιδή με σκάλες από το συνολικό χρόνο μόνο τα 2/3 χρησιμοποιούνται για συλλογή ενώ ο υπόλοιπος για μετακινήσεις, ανέβασμα, κατέβασμα κλπ. (O Brien, 1969; Berlage, 1969; Coppock and Jutas, 1960). Επομένως, με τα μηχανήματα με θέσεις εργατών επιδιώκουμε να μειώσουμε τους παραπάνω νεκρούς χρόνους. Επίσης, βασικός σκοπός της χρησιμοποίησης των μηχανημάτων αυτών είναι η διευκόλυνση στην προσέγγιση των καρπών, ακόμα και αυτών που βρίσκονται σε υψηλά σημεία, αλλά και η αύξηση της ταχύτητας συγκομιδής. Μελέτες έχουν δείξει ότι η ταχύτητα εργασίας μπορεί να αυξηθεί γύρω στο 20-25%, σε σχέση με τη συγκομιδή με σκάλες. Στην υποστηριγμένη δε διαμόρφωση του σχήματος των δένδρων, κυρίως παλμέττα, έχουν υπολογιστεί αυξήσεις της ταχύτητας εργασίας μέχρι και 100% σε σχέση με σκάλες (Berlage et al., 1972; Claypool et al., 1969). Τα μηχανήματα της πρώτης κατηγορίας κατασκευάζονται συνήθως ως συρόμενα ή αυτοκινούμενα, ενώ της δεύτερης μπορούν να κατασκευαστούν και ως Σελ. 56

57 Κεφ. 5: ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ φερόμενα από τον ελκυστήρα (στο πρόσθιο ή οπίσθιο τμήμα). Είναι απαραίτητη η κατεργασία του εδάφους έτσι ώστε το έδαφος να είναι ισοπεδωμένο, για να μπορούν τα παραπάνω μηχανήματα να εργαστούν με ασφάλεια και ταχύτητα. Τα μηχανήματα κινούνται στο χωράφι ανάμεσα στις γραμμές και οι εργάτες που βρίσκονται πάνω σε αυτά συλλέγουν τους καρπούς είτε μόνο από τη μία σειρά των δένδρων είτε και από τις δύο. Οι καρποί αυτοί τοποθετούνται στα μέσα συσκευασίας (κιβώτια, κλούβες κλπ.) πάνω στην πλατφόρμα και από εκεί εκφορτώνονται σε προσωρινό σημείο συγκέντρωσης ή συνηθέστερα μεταφέρονται σε πλατφόρμα μεταφοράς. Έτσι, διασφαλίζεται καλή ποιότητα καρπών, χωρίς τραυματισμούς, εφόσον οι εργάτες είναι πεπειραμένοι. Οι ζημίες στα δένδρα είναι περιορισμένες και η κόπωση των εργατών περιορίζεται σημαντικά. Είναι απαραίτητη η τήρηση ορισμένων βασικών κανόνων για την ασφάλεια των εργατών. 5.3 Παραδοσιακή Συγκομιδή με Χέρια Με τα χέρια συγκομίζονται κυρίως οι ευαίσθητοι καρποί για νωπή επιτραπέζια χρήση. Το πλεονέκτημα της μεθόδου αυτής είναι η άριστη ποιότητα των καρπών, καθώς οι τραυματισμοί των καρπών αλλά και των δένδρων περιορίζονται στο ελάχιστο. Αντίθετα μειονεκτήματα μπορούν να θεωρηθούν το αυξημένο κόστος, που μπορεί να φτάσει το 1/2 ή 2/3 του συνολικού κόστους παραγωγής, καθώς και η απαίτηση πολλών εργατικών χεριών σε κρίσιμες περιόδους, που δύσκολα ανευρίσκονται (O Brien, 1969; Markwardt et al., 1964). Επίσης, άλλα μειονεκτήματα είναι η μακρά διάρκεια της συγκομιδής και η κόπωση των εργατών (Conlan et al., 1995) Διαδικασία Παραδοσιακής Συγκομιδής με Χέρια στην Ελλάδα Λόγω της διαφορετικής διαμόρφωσης του σχήματος των δένδρων (κύπελο, παλμέττα κ.α.), η διαδικασία της συγκομιδής μπορεί να διαφοροποιείται από καλλιέργεια σε καλλιέργεια. Σε όλες τις περιπτώσεις, οι αποστάσεις μεταξύ των γραμμών είναι τέτοιες ώστε να μπορεί να κινηθεί ένας δενδροκομικός ελκυστήρας μέσα στον οπωρώνα. Έτσι, τα δέντρα σε έναν οπωρώνα φυτεύονται σε σταθερές αποστάσεις από τα γειτονικά τους, σε ένα προκαθορισμένο σχέδιο (grid pattern), το οποίο είναι σταθερό για ένα δεδομένο αγροτεμάχιο. Παραδείγματος χάριν, τα δέντρα Σελ. 57

58 Κεφ. 5: ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ οπωρώνων μπορούν να τοποθετηθούν σε διαστήματα 5 m μεταξύ των σειρών και 4 έως 6 m πάνω στη σειρά. Η συγκομιδή των φρούτων πραγματοποιείται σε ένα, δύο ή περισσότερα στάδια (χέρια), ώστε να συλλέγονται μόνο οι ώριμοι καρποί, βάσει κυρίως του χρώματος του καρπού και της εμπειρίας κάθε εργάτη. Κατά τη συγκομιδή των καρπών, ένας αριθμός εργατών, εφοδιασμένος με τα κατάλληλα βοηθητικά μέσα (σκάλες, σκαλάκια, κλούβες-τελάρα), συλλέγει τους καρπούς από τα δέντρα. Οι εργάτες αυτοί έρχονται σε άμεση επαφή με τους καρπούς για την απόσπαση και συλλογή τους. Συνήθως οι καρποί ενός δέντρου συλλέγονται από έναν μόνο εργάτη και τοποθετούνται σε κλούβες (τελάρα- κιβώτια) των 20 kg (ή 10 kg) περίπου. Με τον τρόπο αυτό μπορούν να συλλεχτούν περίπου 50 kg καρπών/εργάτη την μία ώρα. Τα γεμάτα καρπούς τελάρα παραμένουν κάτω από τα δένδρα και μετά το τέλος της συγκομιδής ελκυστήρας με πλατφόρμα μεταφοράς μετακινείται στο χωράφι και τα τελάρα συλλέγονται από εργάτες. Καθώς ο ελκυστήρας κινείται σε μία γραμμή, τα τελάρα συλλέγονται από δύο σειρές δέντρων, αριστερά και δεξιά της πλατφόρμας (Σχήμα 5.3.1). Τυπικά, ο ελκυστήρας σταματά μερικά μέτρα μετά από κάθε ζευγάρι δέντρων, έτσι ώστε τα τελάρα να μπορούν να φορτωθούν στην πλατφόρμα. (Σχήμα 5.3.2). Κάποιες φορές εργάτες συλλέγουν τα τελάρα και τα τοποθετούν σε σημεία συγκέντρωσης ή σε πλατφόρμα μεταφοράς. Επίσης, σε κάποιες περιπτώσεις, άλλοι εργάτες κάνουν μια πρώτη διαλογή των καρπών στον αγρό. Αυτοί συνήθως στήνουν ένα πρόχειρο διαλογητήριο στο κέντρο ή σε κάποια άκρη του χωραφιού όπου συγκεντρώνονται τα τελάρα με τους καρπούς. Σελ. 58

59 Κεφ. 5: ΚΑΛΛΙΕΡΓΕΙΑ ΟΠΩΡΟΦΟΡΩΝ ΔΕΝΤΡΩΝ Σχήμα 5.3.1: Κίνηση του ελκυστήρα στον οπωρώνα για τη συλλογή των γεμάτων καρπών τελάρων. Σχήμα 5.3.2: Ο ελκυστήρας σταματάει λίγα μέτρα μπροστά από κάθε ζεύγος δέντρων για τη συλλογή των τελάρων. Σελ. 59

60 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ 6.ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Βασικό επιστημονικό στόχο της διατριβής αποτελεί η μοντελοποίηση της χειροσυλλογής των οπωροκηπευτικών ως σύνθετων δυναμικών συστημάτων με διακριτή (discrete) και συνεχή (continuous) φύση. Μία τέτοια προσέγγιση στοχεύει στο να αποκαλύψει λεπτομερώς τη ροή εργασιών (workflow) και ταυτόχρονα τη ροή υλικών και πληροφορίας σε όλη τη διάρκεια της παραγωγής. Η ροή εργασίας μπορεί να χρησιμοποιηθεί για οικονομική και οργανωτική ανάλυση και βελτιστοποίηση, ενώ οι λεπτομερείς ροές υλικών και πληροφορίας παραγωγής απαιτούνται για διαχείριση και ιδιαίτερα για την ιχνηλασιμότητα και τη χαρτογράφηση της παραγωγής (για εφαρμογές στη γεωργία ακριβείας). Πολύ λίγες ερευνητικές προσπάθειες έχουν καταγραφεί στη διεθνή βιβλιογραφία για το γεωργικό χώρο. Ο βασικός προσανατολισμός αυτών είναι η μακροσκοπική περιγραφή μόνον της ροής εργασίας (workflow) αγρού βασισμένη σε μεγέθη όπως ο ρυθμός εργασίας μηχανών και ανθρώπων, η συνολική απαίτηση σε έργο ενός αγρού, η χωρητικότητα και απόδοση μηχανής κλπ. Ο βασικός στόχος τέτοιων προσεγγίσεων είναι κυρίως ο χρονοπρογραμματισμός (scheduling) εργασιών αγρού και ειδικότερα της μηχανικής συγκομιδής. Οι Guan et al., (2008) χρησιμοποίησαν υβριδικά Petri Nets για να συμπεριλάβουν διακριτά γεγονότα όπως η βλάβη μίας μηχανής σε ένα συνεχές μοντέλο εργασίας μηχανικής συγκομιδής. Διαφορετική προσέγγιση αποτελεί η ανάπτυξη μίας οντολογίας (Martin-Clouaire and Rellier, 2009) γενικής χρήσης για συστήματα γεωργικής παραγωγής βασισμένης σε UML. Η προτεινόμενη οντολογία χρησιμοποιεί διαδικασίες, πόρους (άνθρωποι, μηχανές, υλικά), και περιορισμούς (χρονικούς, χωρητικότητας, διαθεσιμότητας) για να μοντελοποιήσει σύνθετες διαδικασίες παραγωγής. Μία εναλλακτική προσέγγιση περιγραφής και ανάλυσης εργασιών, είναι η μοντελοποίηση μιας σύνθετης εργασίας ως αναδυόμενο (emergent) αποτέλεσμα της δράσης πολλών ανεξάρτητων ανθρώπωνοντοτήτων (agents). Τέτοιες προσεγγίσεις δεν είναι κατάλληλες για επαναλαμβανόμενες δομημένες εργασίες, όπως αυτές της βιομηχανίας ή της γεωργίας, αλλά έχουν εφαρμοσθεί με επιτυχία σε άλλες εφαρμογές, όπως π.χ., το σύστημα Brahms για διαστημικές αποστολές στις οποίες πρέπει να συνεργαστούν πάρα πολλοί άνθρωποι (Sierhuis et al., 2007). Επίσης, διάφορα πακέτα Σελ. 60

61 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ προσομοίωσης, όπως το ARENA (simulation language/package), έχουν αναπτυχθεί και χρησιμοποιηθεί για τη βελτίωση των μεθόδων εργασίας προκειμένου να μειωθεί η χειρωνακτική εργασία που απαιτείται για το κλάδεμα και τη συγκομιδή σε θερμοκήπια με ντομάτες (Bechar et al., 2007). Η προτεινόμενη προσέγγιση για την παρούσα εργασία βασίζεται στη χρήση αντικειμενοστραφούς περιγραφής UML και υβριδικών Petri Nets. Ο λόγος είναι ότι και οι δύο περιγράφουν γραφικά τις διαδικασίες παραγωγής και ειδικά η UML έχει σχεδιασθεί ειδικά για την περιγραφή λογισμικού (software-intensive systems). Θα πρέπει να γίνει σαφές ότι η UML δεν είναι ριζικά διαφορετική από άλλες παρόμοιες γλώσσες όπως η Booch, OMT-Object Modeling Technique, OOSE- Object Oriented Software Engineering κτλ., αλλά μια διάδοχος κατάστασή τους. Επίσης, η UML είναι πιο εκφραστική, αλλά και πιο ξεκάθαρη και ενοποιημένη από άλλες μεθοδολογίες. Σε σχέση με άλλες οπτικές γλώσσες μοντελοποίησης, συμπεριλαμβανομένων της μοντελοποίησης οντοτήτων-συσχετίσεων, της Business Reengineering Process (BRP), των διαγραμμάτων ροής και των γλωσσών που προσανατολίζονται στις καταστάσεις, η UML προσφέρει επιπλέον εκφραστικότητα καθώς και ολιστική ακεραιότητα. Γενικά, η UML περιέχει όλα τα πλεονεκτήματα μιας οπτικής (π.χ. γραφικά) και μίας αντικειμενοστραφούς (π.χ. κληρονομικότητα) γλώσσας, είναι ευρέως αποδεκτή στο βιομηχανικό τομέα και πιο απλή στη χρήση και την κατανόησή της από άλλες αντικειμενοστραφείς μεθοδολογίες, των οποίων αποτελεί εξελιγμένη μορφή. Ενώ η UML χρησιμοποιεί πολλών ειδών διαγράμματα για την ανάλυση ενός συστήματος, για τη μοντελοποίηση της χειροσυλλογής των καρπών χρησιμοποιήθηκαν τα διαγράμματα καταστάσεων (state diagrams) της UML, τα οποία περιγράφουν τη συμπεριφορά του συστήματος και κυρίως τις «καταστάσεις» που μπορεί να βρίσκεται ένα αντικείμενο (π.χ. ο εργάτης) στο σύστημα. Στο σημείο αυτό πρέπει να τονιστεί ότι η UML δεν διαφέρει πολύ από τα Petri Nets. Πολλά από τα διαγράμματα της UML μπορούν να αναπαρασταθούν και με χρήση των Petri Nets, όπως π.χ. τα διαγράμματα δραστηριοτήτων (Activity diagrams) ή τα Statecharts της UML μπορούν να μετατραπούν σε στοχαστικά Petri Nets (Lopez-Grao et al, 2002, 2004; Bernardi et al., 2002). Επίσης, τα διαγράμματα της UML και των Petri Nets μπορούν να συνδυαστούν για την καλύτερη αναπαράσταση (μοντελοποίηση) ενός συστήματος (Campos and Merseguer, 2006; Baresi and Pezze, 2001; King and Pooley, 1999). Γενικά τα διαγράμματα της UML χρησιμοποιούνται για να Σελ. 61

62 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ προσομοιώσουν τη λειτουργικότητα (functionality) και να περιγράψουν τα χαρακτηριστικά απόδοσης του συστήματος, ενώ τα Petri Nets αποδίδουν το φορμαλισμό και αναλύουν τις ποσοτικές πτυχές του συστήματος. Επίσης, ενώ η γλώσσα UML είναι εύκολη, γραφική και ελκυστική, σε ορισμένες περιπτώσεις είναι αρκετά ανακριβής. Παρέχει αρκετές διαφορετικές διαγραμματικές σημειογραφίες για την αναπαράσταση των διαφορετικών πτυχών του συστήματος, αλλά στερείται τη δυνατότητα προσομοίωσης (εργαλεία προσομοίωσης) και επαλήθευσης (Baresi and Pezze, 2001). Από την άλλη πλευρά τα Petri Nets αποτελούν το επαρκέστερο πρότυπο για την περιγραφή και την ανάλυση του συγχρονισμού, της επικοινωνίας και του διαμερισμού πόρων μεταξύ παράλληλων διαδικασιών που αλληλεπιδρούν. Επίσης, μπορούν να εκτελεσθούν και να απεικονιστούν σαν ένα παραστατικό (visual) βοήθημα παρόμοιο με τα διαγράμματα ροής, τα μπλοκ διαγράμματα και τα δίκτυα, καθώς και παρέχουν τα βασικά σύμβολα για τη μοντελοποίηση της αρχιτεκτονικής και της δυναμικής ενός συστήματος. Επιπλέον, ομαδοποιούν τις δραστηριότητες μιας διαδικασίας σε ρόλους που περιγράφουν τη συμπεριφορά ενός ατόμου, μιας ομάδα ανθρώπων, ή ενός συστήματος. Δείγματα (tokens) χρησιμοποιούνται στα Petri Nets για την προσομοίωση των δυναμικών και ταυτόχρονων δραστηριοτήτων των συστημάτων. Σαν ένα μαθηματικό εργαλείο, είναι δυνατό να δημιουργήσει εξισώσεις κατάστασης (state equations), αλγεβρικές εξισώσεις και άλλες μαθηματικά μοντέλα που διέπουν την συμπεριφορά των συστημάτων. Βασικό μειονέκτημα των Petri Nets είναι ότι συχνά γίνονται πολύ μεγάλα, αλλά έχουν αναπτυχθεί πολλές τροποποιήσεις των αρχικών δικτύων Petri για να υπερνικηθούν αυτές οι ανεπάρκειες, όπως τα χρωματισμένα Petri Nets, τα Petri Nets πολλαπλών επιπέδων και τα υβριδικά Petri Nets. Γενικά, τα Petri Nets είναι ισχυρό εργαλείο για την περιγραφή συστημάτων που εξαρτώνται από γεγονότα, όπως ασύγχρονα, διανεμημένα, σειριακά, παράλληλα, με συγκρούσεις, αμοιβαίου αποκλεισμού, μη ντετερμινιστικά και/ή στοχαστικά. Αποτελούν εργαλείο μοντελοποίησης και ανάλυσης μεγάλου φάσματος πολύπλοκων συστημάτων. Υποστηρίζουν την ανάλυση του παραγόμενου μοντέλου με ισχυρά μαθηματικά εργαλεία όπως θεωρία γράφων, άλγεβρα πινάκων κτλ. και επιτρέπουν την αλληλεπιδραστική προσομοίωση της δυναμικής συμπεριφοράς του μοντελοποιημένου συστήματος. Έτσι, υπερκαλύπτουν τις δυνατότητες των Σελ. 62

63 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ διαδικαστικών γλωσσών προγραμματισμού. Οι λόγοι για τους οποίου τα Petri Nets είναι ιδανικά για την μοντελοποίηση ροών εργασίας είναι: i) Τα Petri Nets είναι μία γραφική γλώσσα, με αποτέλεσμα να είναι εύκολα στη μάθηση. Η γραφική αναπαράσταση επίσης υποστηρίζει την επικοινωνία με τους τελικούς χρήστες. ii) Τα Petri Nets υποστηρίζουν όλα τα βασικά στοιχεία που χρειάζονται για τη μοντελοποίηση μιας ροής εργασίας. Όλες οι κατασκευές δρομολόγησης μιας διεργασίας μπορούν να μοντελοποιηθούν. Επίσης, το γεγονός ότι τα διάφορα στάδια παρουσιάζονται ξεχωριστά, επιτρέπει και άλλες επιλογές μοντελοποίησης. iii) Η ακριβής και στιβαρή μαθηματική τεκμηρίωση βοηθά στην εξάπλωση γνώσης σχετικά με τα Petri Nets. Έτσι η τεχνική αυτή γίνεται ευκολότερα κατανοητή και υλοποιήσιμη. iv) Τα Petri Nets χαρακτηρίζονται από την πληθώρα τεχνικών ανάλυσης. Το γεγονός αυτό είναι σημαντικός παράγοντας για τη χρήση τους σε μοντελοποίηση ροών εργασίας. v) Τα Petri Nets προσφέρουν ένα πλαίσιο εργασίας ανεξάρτητο από συγκεκριμένα εργαλεία. Δεν βασίζονται σε πακέτα λογισμικού ή σε κάποιον συγκεκριμένο κατασκευαστή και δεν σταματούν να υπάρχουν αν γίνεται διαθέσιμη μία νέα έκδοση ή όταν ένας κατασκευαστής εξαγοράζει έναν άλλο. 6.1 Αντικειμενοστραφής Περιγραφή με Χρήση UML Διάφορες πρότυπες γλώσσες μοντελοποίησης λογισμικού αναπτύχθηκαν τη δεκαετία του 90, οι οποίες βασίζονταν στον αντικειμενοστραφή προγραμματισμό και στο αντικειμενοστραφές μοντέλο σχεδίασης (με κλάσεις, κληρονομικότητα, αντικείμενα και τυποποιημένες αλληλεπιδράσεις μεταξύ τους). Ακόμα και για μοντελοποίηση που δεν περιελάμβανε προγραμματισμό (π.χ. σχήματα βάσεων δεδομένων, φυσικά συστήματα) υιοθετήθηκε η αντικειμενοστραφής προσέγγιση. Έτσι αναπτύχθηκαν διάφορες πρότυπες γλώσσες μοντελοποίησης λογισμικού οι οποίες τυποποιούσαν οπτικά σύμβολα και συμπεριφορές με στόχο την αφαιρετική περιγραφή της λειτουργίας και της δομής ενός υπολογιστικού συστήματος. Οι γλώσσες αυτές είχαν εξαρχής έναν εμφανή αντικειμενοστραφή προσανατολισμό. Τελικά οι πιο δημοφιλείς από αυτές ενοποιήθηκαν στο κοινό πρότυπο UML (Unified Σελ. 63

64 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Modeling Language - Ενιαία Γλώσσα Μοντελοποίησης) που η πρώτη του έκδοση (version 1.0) οριστικοποιήθηκε το Γενικά η UML είναι πρότυπη γλώσσα μοντελοποίησης στη μηχανική λογισμικού και χρησιμοποιείται για την: α) κατάρτιση προδιαγραφών λογισμικού και τεκμηρίωση τμημάτων λογισμικού, β) αναπαράσταση με οπτικό τρόπο (visualization) τμημάτων λογισμικού, γ) γραφική απεικόνιση, προσδιορισμό, κατασκευή και τεκμηρίωση των στοιχείων ενός συστήματος λογισμικού και δ) μοντελοποίηση εταιρικών και άλλων συστημάτων που δεν αφορούν λογισμικό. Μπορεί να χρησιμοποιηθεί σε διάφορες φάσεις ανάπτυξης, από την ανάλυση απαιτήσεων ως τον έλεγχο ενός ολοκληρωμένου συστήματος. Αποτελείται από ένα σύνολο προσυμφωνημένων όρων, συμβόλων και διαγραμμάτων. Μερικά από τα διαγράμματα της UML είναι: Διαγράμματα κλάσεων ή τάξεων (class diagrams). Ορίζουν γεωμετρικά σχήματα ως συμβολισμούς για τα αντικείμενα, τις κλάσεις και τις διασυνδέσεις, ενώ διαφόρων τύπων γραμμές χρησιμοποιούνται για να συνδέουν αυτά τα σχήματα και να υποδηλώνουν έτσι τον τρόπο που κληρονομούν, συνεργάζονται ή εξαρτώνται μεταξύ τους. Επιτρέπουν την αναπαράσταση μιας στατικής δομής ενός συστήματος. Διαγράμματα αντικειμένων (object diagrams). Δείχνουν συσχετίσεις μεταξύ συγκεκριμένων στιγμιότυπων. Διαγράμματα περίπτωσης-χρήσης (use-cases diagrams). Περιγράφουν τη λειτουργικότητα του συστήματος όπως αυτή γίνεται αντιληπτή από το χρήστη. Επιτρέπουν την εμφάνιση των ορίων ενός συστήματος και των βασικών λειτουργιών του, χρησιμοποιώντας «περιπτώσεις χρήσης» (use-cases) και «actors». Διαγράμματα καταστάσεων (state diagrams). Επιτρέπουν τη μοντελοποίηση της συμπεριφοράς των αντικειμένων. Δείχνουν τις «καταστάσεις» που μπορεί να βρίσκεται ένα αντικείμενο στο σύστημα. Διαγράμματα ακολουθίας (Sequence diagrams). Απεικονίζουν τη δυναμική αλληλεπίδραση των αντικειμένων σε σχέση με το χρόνο. Δείχνουν την ακολουθία μηνυμάτων ανάμεσα στα αντικείμενα, με την πάροδο του χρόνου Διαγράμματα δραστηριοτήτων (Activity diagrams). Απεικονίζουν την ακολουθιακή ροή των δραστηριοτήτων και περιέχουν προσδιορισμούς των μηνυμάτων που στέλνονται. Σελ. 64

65 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Διαγράμματα συστατικών (Component diagrams). Περιέχει τα συστατικά μέρη του συστήματος και τις εξαρτήσεις τους. Τα διαγράμματα αυτά παρέχουν διαφορετικές απόψεις του συστήματος κατά τη φάση της ανάλυσης και της ανάπτυξης. Το υποκείμενο μοντέλο ολοκληρώνει τις απόψεις αυτές, ούτως ώστε να μπορεί να αναλυθεί και να δομηθεί ένα πλήρες σύστημα. Τα διαγράμματα αυτά, καθώς και η σχετική τεκμηρίωση είναι τα βασικά στοιχεία που βλέπει αυτός που μοντελοποιεί Περιγραφή Χειροσυλλογής Καρπών με Χρήση UML Η διαδικασία της παραδοσιακής χειροσυλλογής των καρπών των οπορωφόρων δέντρων διαφοροποιείται ανάλογα με τη διαμόρφωση των δέντρων, το ύψος των δέντρων (χρήση σκάλας ή όχι), τη συνήθεια-εμπειρία των παραγωγών κτλ. Παρόλα αυτά στην Ελλάδα ακολουθείται η διαδικασία που παρουσιάστηκε παραπάνω, η οποία μπορεί να διαχωριστεί σε δύο διακριτά μέρη: α) «χειροσυλλογή καρπών» - τη συγκομιδή (χειροσυλλογή) των καρπών από τα δέντρα και την τοποθέτησή τους στα τελάρα (pick up) και β) τη συλλογή των γεμάτων τελάρων από τον αγρό με τη χρήση γεωργικού ελκυστήρα και πλατφόρμας μεταφοράς (loadunload). Η διαδικασία της συλλογής των γεμάτων τελάρων από τον αγρό, με τη χρήση του ελκυστήρα, μπορεί να χωριστεί σε δύο διακριτά στάδια: β 1 ) «συλλογή» (load) - συλλογή των τελάρων (που βρίσκονται κάτω από τα δέντρα) και τοποθέτησή τους στην πλατφόρμα του ελκυστήρα (κατά την κίνηση του ελκυστήρα στον αγρό) και β 2 ) «εκφόρτωση» (unload) - εκφόρτωση των τελάρων σε μεγαλύτερη πλατφόρμα ή σε κάποιο σημείο συγκέντρωσης, όταν η πλατφόρμα του ελκυστήρα γεμίσει. Στην διαδικασία της συλλογής των γεμάτων τελάρων από τον αγρό (μέρος β, load-unload) συμμετέχει ένα μέρος των εργατών και όχι όλοι. Όταν ένας αριθμός τελάρων γεμίσει ή όταν ο χρόνος εργασίας, για τη συγκεκριμένη μέρα, πλησιάζει στο τέλος, ορισμένοι εργάτες σταματάνε τη διαδικασία της απόσπασης των καρπών από τα δέντρα και συμμετέχουν στη συλλογή των γεμάτων τελάρων από τον αγρό. Επομένως, οι εργάτες μπορεί να χωριστούν σε δύο κατηγορίες, αυτοί που: i) μόνο συγκομίζουν καρπούς και ii) συγκομίζουν καρπούς και συλλέγουν γεμάτα τελάρα. Μία βασική διαφορά, κυρίως στο χρόνο συγκομιδής, παρατηρείται στις περιπτώσεις όπου χρησιμοποιείται σκάλα για τη συγκομιδή των καρπών σε σχέση με Σελ. 65

66 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ αυτές όπου η σκάλα δεν είναι απαραίτητη (διακριτό μέρος α pick up). Η χρήση σκάλας διαφοροποιεί τη μοντελοποίηση της διαδικασίας της χειροσυλλογής και τοποθέτησης των καρπών στα τελάρα και για το λόγο αυτό εξετάζεται πρώτα η περίπτωση όπου δεν απαιτείται η χρήση σκάλας και στη συνέχεια γενικεύεται η περιγραφή για όλες τις περιπτώσεις. Η διαδικασία συλλογής των γεμάτων τελάρων και της τοποθέτησής τους στην πλατφόρμα του ελκυστήρα (διακριτό μέρος β load, unload) δεν επηρεάζεται από τη χρήση σκάλας ή όχι και εξετάζεται ανεξάρτητα από το διακριτό μέρος α pick up. Στην αντικειμενοστραφή περιγραφή της παραδοσιακής διαδικασίας συγκομιδής των νωπών καρπών με τα χέρια μπορούμε να ξεχωρίσουμε τις εξής κλάσεις (class): 1) Αγροτεμάχιο 2) Δέντρο 3) Καρπός-Φρούτο 4) Εργάτης 5) Βοηθητικά Εργαλεία-Μέσα (Σκάλες, Σκαλάκια, κουβάδες) 6) Κλούβα-Τελάρο-Κιβώτιο 7) Ελκυστήρας με Πλατφόρμα Μεταφοράς Για την περιγραφή και μοντελοποίηση της διαδικασίας της χειροσυλλογής των καρπών χρησιμοποιήθηκαν μόνο τα διαγράμματα καταστάσεων (state diagrams) της UML, τα οποία περιγράφουν τις καταστάσεις στις οποίες βρίσκονται οι εργάτες, σε σχέση με τα άλλα αντικείμενα των κλάσεων, κατά τη διάρκεια της παραδοσιακής συγκομιδής. Θεωρήθηκε ότι τα διαγράμματα αυτά περιγράφουν και μοντελοποιούν ικανοποιητικά τη διαδικασία της χειροσυλλογής των καρπών, για το σκοπό της παρούσας διατριβής (εισαγωγή νέων τεχνολογιών για την καταγραφή, τη χαρτογράφηση της παραγωγής και την ιχνηλασημότητα εντός αγρού των προϊόντων), χωρίς να περιπλέκουν και να καθιστούν δύσκολη (στον αναγνώστη) την κατανόηση της διαδικασίας μοντελοποίησης του συστήματος. Παρακάτω εξετάζεται το διακριτό μέρος α - «χειροσυλλογή καρπών» (pick up) και πρώτα η απλή περίπτωση όπου δεν απαιτείται η χρήση σκάλας και στη συνέχεια η γενική περίπτωση (με ή χωρίς χρήση σκάλας). Τέλος, μοντελοποιείται το διακριτό μέρος β (load-unload), της διαδικασίας της συγκομιδής, το οποίο είναι ανεξάρτητο από το μέρος α. Η διαδικασία της προετοιμασίας της συγκομιδής Σελ. 66

67 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ (τοποθέτηση τελάρων κάτω από τα δέντρα κτλ.) θεωρείται αμελητέα (μοντελοποίηση της προετοιμασίας στο παράρτημα) Χειροσυλλογή και Τοποθέτηση Καρπών σε Τελάρα. Απλή Περίπτωση Στο σχήμα παρουσιάζεται το διάγραμμα καταστάσεων στις οποίες μπορεί να βρεθεί κάθε εργάτης κατά τη διαδικασία της χειροσυλλογής των καρπών και της τοποθέτησης τους σε τελάρα (διακριτό μέρος α pick up). Ένας βασικός περιορισμός που λαμβάνεται υπόψη είναι ότι τα φρούτα κάθε δέντρου τοποθετούνται σε τελάρα τα οποία βρίσκονται κοντά στα δέντρα χωρίς να υπάρχει ανάμιξη φρούτων από διαφορετικά δέντρα, κυρίως για λόγους χαρτογράφησης της παραγωγής με ακρίβεια δέντρου. Αυτό οδηγεί στο γεγονός ότι πολλά τελάρα δεν θα είναι γεμάτα κατά την συλλογή τους. Στο σχήμα 6.1.1, εκτός από την αρχική (Start) και τελική (End) κατάσταση, κάθε εργάτης θα βρίσκεται σε μία από τις τέσσερις καταστάσεις (κύκλοι): α) ανενεργός (idle), β) κινείται (moving), γ) συλλέγει φρούτα και τα τοποθετεί σε κουβάδες (Picking in basket) και δ) άδειασμα των γεμάτων κουβάδων στα τελάρα (Putting fruits in bin). Με τα βέλη (συναρτήσεις μετάβασης) παρουσιάζεται η δυνατότητα εναλλαγής καταστάσεων κατά τη διαδικασία της χειροσυλλογής των καρπών. Παρακάτω παρουσιάζεται αναλυτικά η διαδικασία εναλλαγής καταστάσεων κάθε εργάτη. Σχήμα 6.1.1: Διάγραμμα καταστάσεων των εργατών κατά τη διαδικασία χειροσυλλογής των καρπών και τοποθέτησή τους στα τελάρα. Απλή περίπτωση. Σελ. 67

68 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Κατά την εκκίνηση της συγκομιδής (σχήμα πράσινο χρώμα) ο εργάτης (εργάτες) είτε κινείται [συνάρτηση μετάβασης move()] προς τα δέντρα και στη συνέχεια συλλέγει τους καρπούς [συνάρτηση μετάβασης pickup()] από αυτά και τους τοποθετεί στον κουβά (σχήμα κόκκινο χρώμα), είτε βρίσκεται στην κατάσταση «ανενεργή» [συνάρτηση μετάβασης idle()] και στη συνέχεια κινείται προς τα δέντρα και συλλέγει τους καρπούς (σχήμα κόκκινο χρώμα). Σχήμα 6.1.2: Εκκίνηση συλλογής καρπών (πράσινο χρώμα). Ο εργάτης κινείται προς ένα δέντρο και τοποθετεί τους καρπούς στον κουβά (κόκκινο χρώμα). Σελ. 68

69 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα 6.1.3: Εκκίνηση συλλογής καρπών. Ο εργάτης από «ανενεργός» κινείται προς ένα δέντρο και τοποθετεί τους καρπούς στον κουβά (κόκκινο χρώμα). Όταν ο κουβάς γεμίσει με καρπούς, ο εργάτης αδειάζει το γεμάτο κουβά στο τελάρο [συνάρτηση μετάβασης putinbin()] και στη συνέχεια συλλέγει [συνάρτηση μετάβασης pickup()] και ξανατοποθετεί τους καρπούς του ίδιου δέντρου στον κουβά. Η διαδικασία επαναλαμβάνεται μέχρι να συλλεχτούν όλοι οι ώριμοι καρποί του δέντρου (σχήμα κόκκινο χρώμα). Όταν ο εργάτης συλλέξει όλους τους «έτοιμους για συγκομιδή» (ώριμους) καρπούς από ένα δέντρο, πρώτα αδειάζει τον κουβά στο τελάρο [συνάρτηση putinbin(), κατάσταση «Putting fruits in bin», σχήμα πράσινο χρώμα] και στη συνέχεια κινείται [συνάρτηση move()] στο επόμενο δέντρο για τη συλλογή των καρπών (σχήμα κόκκινο χρώμα). Σελ. 69

70 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα 6.1.4: Όταν γεμίσει ο κουβάς με καρπούς αδειάζει στο τελάρο και η διαδικασία επαναλαμβάνεται μέχρι να συλλεχτούν όλοι οι ώριμοι καρποί (κόκκινο χρώμα). Τέλος, ο εργάτης μπορεί να μεταβεί [συνάρτηση idle()] στην «ανενεργή» (idle) κατάσταση (διάλειμμα για γεύμα, ξεκούραση κτλ), να επιστρέψει από αυτήν και να σταματήσει τη διαδικασία της χειροσυλλογής των καρπών (σχήμα κόκκινο χρώμα). Σελ. 70

71 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα 6.1.5: Όταν συγκομιστούν όλοι οι ώριμοι καρποί από ένα δέντρο ο εργάτης αδειάζει το γεμάτο κουβά στο τελάρο και κινείται στο επόμενο δέντρο (κόκκινο χρώμα). Σχήμα 6.1.6: Μετάβαση του εργάτη στην «ανενεργή» κατάσταση και επιστροφή από αυτήν (κόκκινο χρώμα). Σελ. 71

72 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Χειροσυλλογή και Τοποθέτηση Καρπών σε Τελάρα. Γενική Περίπτωση Στο σχήμα παρουσιάζεται το γενικό διάγραμμα καταστάσεων στο οποίο βρίσκεται κάθε εργάτης κατά τη διαδικασία χειροσυλλογής των καρπών και τοποθέτησης τους στα τελάρα (διακριτό μέρος α pick up), είτε χρησιμοποιείται σκάλα είτε όχι. Στο σχήμα παρουσιάζεται με κόκκινο χρώμα η απλή περίπτωση της χειροσυλλογής των καρπών χωρίς τη χρήση σκάλας, η οποία αναλύθηκε παραπάνω. Στο σχήμα 6.1.7, εκτός από την αρχική (Start) και τελική (End) κατάσταση, κάθε εργάτης θα βρίσκεται σε μία από τις εφτά καταστάσεις (κύκλοι): α) ανενεργός (idle), β) κινείται (moving), γ) κινεί τη σκάλα (Moving Ladder), δ) ανεβαίνει τη σκάλα (climbing), ε) συλλέγει φρούτα και τα τοποθετεί σε κουβάδες (Picking in basket), ζ) κατεβαίνει από τη σκάλα (descending) και η) άδειασμα των γεμάτων κουβάδων στα τελάρα (Putting fruits in bin). Με τα βέλη (συναρτήσεις μετάβασης) παρουσιάζεται η δυνατότητα εναλλαγής καταστάσεων κατά τη διαδικασία της χειροσυλλογής των καρπών. Σχήμα 6.1.7: Γενικό διάγραμμα καταστάσεων των εργατών κατά τη χειροσυλλογής των καρπών και τοποθέτησή τους στα τελάρα (με ή χωρίς χρήση σκάλας). Σελ. 72

73 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα 6.1.8: Διάγραμμα καταστάσεων των εργατών κατά τη διαδικασία χειροσυλλογής των καρπών και τοποθέτησή τους στα τελάρα (απλή περίπτωση, χωρίς χρήση σκάλας-κόκκινο χρώμα). Παρακάτω παρουσιάζεται αναλυτικά η διαδικασία εναλλαγής καταστάσεων κάθε εργάτη. Επειδή η απλή περίπτωση, όπου η χρήση της σκάλας δεν είναι απαραίτητη, εξετάστηκε, παρακάτω αναλύεται η χειροσυλλογή των καρπών σε οπωρώνες όπου η χρήση σκάλας απαιτείται. Κατά την εκκίνηση της συγκομιδής (σχήμα πράσινο χρώμα) ή από την «ανενεργή» κατάσταση [συνάρτηση μετάβασης idle()] ο εργάτης (εργάτες) είτε κινείται [συνάρτηση μετάβασης move()] προς τα δέντρα και στη συνέχεια συλλέγει τους καρπούς [συνάρτηση μετάβασης pickup()] από αυτά και τους τοποθετεί στον κουβά (σχήμα κόκκινο χρώμα) χωρίς να χρησιμοποιήσει τη σκάλα, είτε μετακινεί τη σκάλα [συνάρτηση μετάβασης moveladder()] ανεβαίνει σε αυτή [συνάρτηση μετάβασης climb()] και συγκομίζει τους καρπούς [συνάρτηση μετάβασης pickup()] τους οποίους τοποθετεί στον κουβά (σχήμα κόκκινο χρώμα). Επιπλέον, ο εργάτης μπορεί αφού μετακινήσει τη σκάλα να συγκομίσει πρώτα τους καρπούς που βρίσκονται χαμηλά και μετά να ανέβει στη σκάλα (σχήμα 6.1.9). Σελ. 73

74 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα 6.1.9: Εκκίνηση συλλογής καρπών (πράσινο χρώμα). Ο εργάτης κινείται προς ένα δέντρο, μετακινεί τη σκάλα, ανεβαίνει ή όχι σε αυτήν και τοποθετεί τους καρπούς στον κουβά (κόκκινο χρώμα). Όταν ο κουβάς γεμίσει με καρπούς (σχήμα πράσινο χρώμα), ο εργάτης είτε εάν βρίσκεται πάνω στη σκάλα την κατεβαίνει [συνάρτηση μετάβασης descend()] και αδειάζει τον γεμάτο κουβά [συνάρτηση μετάβασης putinbin()] στο τελάρο (σχήμα κόκκινο χρώμα) είτε εάν δεν χρησιμοποίησε τη σκάλα αδειάζει κατευθείαν τον κουβά στο/στα τελάρο/α (σχήμα κόκκινο χρώμα). Σελ. 74

75 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα : Όταν γεμίσει ο κουβάς με καρπούς (πράσινο χρώμα) ο εργάτης ο οποίος βρίσκεται πάνω στην σκάλα την κατεβαίνει και αδειάζει τον κουβά στο τελάρο (κόκκινο χρώμα). Σχήμα : Όταν γεμίσει ο κουβάς με καρπούς (πράσινο χρώμα) ο εργάτης, ο οποίος δεν ανέβηκε στη σκάλα, αδειάζει τον κουβά στο τελάρο (κόκκινο χρώμα). Σελ. 75

76 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Στη συνέχεια ο εργάτης είτε μετακινεί ξανά τη σκάλα [συνάρτηση μετάβασης moveladder()] είτε απλώς ξανανεβαίνει στη σκάλα [συνάρτηση μετάβασης climb()] και συλλέγει τους καρπούς του ίδιου δέντρου στον κουβά [συνάρτηση μετάβασης pickup()] είτε συγκομίζει τους καρπούς που βρίσκονται χαμηλά χωρίς τη χρήση της σκάλας (σχήμα κόκκινο χρώμα). Η διαδικασία επαναλαμβάνεται μέχρι να συλλεχτούν όλοι οι ώριμοι καρποί του δέντρου. Στη συνέχεια ο εργάτης επισκέπτεται το επόμενο δέντρο μεταφέροντας τη σκάλα ή χωρίς αυτή και η χειροσυλλογή των καρπών ξανα-ξεκινάει (σχήμα κόκκινο χρώμα). Σχήμα : Ο εργάτης αδειάζει το γεμάτο κουβά στο τελάρο (πράσινο χρώμα) και είτε μετακινεί τη σκάλα, είτε την ξανανεβαίνει, είτε συγκομίζει τους χαμηλότερους καρπούς (κόκκινο χρώμα). Στο σχήμα παρουσιάζεται με κόκκινο χρώμα η εναλλαγή καταστάσεων ενός εργάτη ο οποίος βρίσκεται στην «ανενεργό» (idle) κατάσταση (πράσινο χρώμα) και στη συνέχεια μετακινεί και χρησιμοποιεί τη σκάλα για τη χειροσυλλογή των καρπών ενός δέντρου. Όταν γεμίσει ο κουβάς με καρπούς ο εργάτης τον αδειάζει και ξανασυλλέγει καρπούς από το ίδιο σημείο του δέντρου. Σελ. 76

77 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα : Ο εργάτης, αφού συλλέξει και τοποθετήσει στα τελάρα τους ώριμους καρπούς (πράσινο χρώμα) ενός δέντρου, επισκέπτεται το επόμενο μεταφέροντας τη σκάλα ή χωρίς αυτή και η χειροσυλλογή των καρπών ξανα-ξεκινάει (κόκκινο χρώμα). Σχήμα : Ο εργάτης, από την «ανενεργό» (idle) κατάσταση (πράσινο χρώμα) μετακινεί και χρησιμοποιεί τη σκάλα για τη συλλογή και τοποθέτηση των καρπών Σελ. 77

78 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ στον κουβά (κόκκινο χρώμα). Όταν γεμίσει ο κουβάς αδειάζεται σε τελάρο και ο εργάτης ξανασυλλέγει καρπούς από το ίδιο σημείο του δέντρου (κόκκινο χρώμα). Γενικά, η συνολική περιγραφή της διαδικασίας της χειροσυλλογής των καρπών και τοποθέτησή τους σε τελάρα, με τη χρήση σκάλας ή χωρίς, η οποία περιέχει όλες τις εναλλακτικές καταστάσεις (κύκλοι) και μεταβάσεις (βέλη) που μπορεί να βρίσκεται (επιλέξει) ο εργάτης παρουσιάζεται στο σχήμα Σχήμα : Γενικό διάγραμμα καταστάσεων που μπορεί να βρίσκεται ο εργάτης κατά τη χειροσυλλογή και τοποθέτηση των καρπών σε τελάρα (με χρήση σκάλας ή χωρίς) Συλλογή Γεμάτων Τελάρων από τον Αγρό Όπως αναφέρθηκε παραπάνω, η διαδικασία της συλλογής των γεμάτων τελάρων από τον οπωρώνα, με τη χρήση του ελκυστήρα με την πλατφόρμα μεταφοράς, είναι διακριτή και δεν επηρεάζεται από τη διαδικασία της χειροσυλλογής των καρπών και επομένως μπορεί να εξεταστεί και να μοντελοποιηθεί ανεξάρτητα από αυτή. Η διαδικασία αυτή μπορεί να χωριστεί σε δύο διακριτά στάδια: β 1 ) Σελ. 78

79 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ «συλλογή» (load) - συλλογή των τελάρων (που βρίσκονται κάτω από τα δέντρα) και τοποθέτησή τους στην πλατφόρμα του ελκυστήρα (κατά την κίνηση του ελκυστήρα στον αγρό) και β 2 ) «εκφόρτωση» (unload) - εκφόρτωση των τελάρων σε μεγαλύτερη πλατφόρμα ή σε κάποιο σημείο συγκέντρωσης, όταν η πλατφόρμα του ελκυστήρα γεμίσει. Στην διαδικασία αυτή συνήθως συμμετέχει ένα μέρος των εργατών και όχι όλοι. Όταν ένας αριθμός τελάρων γεμίσει ή όταν ο χρόνος εργασίας (για τη συγκεκριμένη μέρα) πλησιάζει στο τέλος, ορισμένοι εργάτες σταματάνε τη διαδικασία της απόσπασης των καρπών από τα δέντρα και συμμετέχουν στη συλλογή των γεμάτων τελάρων από τον αγρό. Στο σχήμα παρουσιάζεται το διάγραμμα καταστάσεων στο οποίο βρίσκεται κάθε εργάτης κατά το στάδιο της «συλλογής» (β 1 -load) των γεμάτων τελάρων και της τοποθέτησή τους στην πλατφόρμα του ελκυστήρα, ο οποίος κινείται εντός του αγρού. Ως εκκίνηση θεωρείται το χρονικό σημείο στο οποίο ο εργάτης σταματάει οποιαδήποτε προηγούμενη εργασία του (π.χ. χειροσυλλογή καρπών) και ξεκινάει τη συλλογή των γεμάτων με καρπούς τελάρα και την τοποθέτηση τους στην πλατφόρμα του ελκυστήρα. Εκτός από την αρχική (Start) και τελική (End) και την κατάσταση ανενεργός (idle), κάθε εργάτης μπορεί να βρίσκεται σε μία από τις τρείς καταστάσεις (κύκλοι): α) κινείται (moving), β) συλλέγει-σηκώνει τα γεμάτα τελάρα από το έδαφος (Collecting full of fruits bin), γ) τοποθετεί τα τελάρα στην πλατφόρμα του ελκυστήρα (Load-Stack bin in platform). Με τα βέλη (συναρτήσεις μετάβασης) παρουσιάζεται η δυνατότητα εναλλαγής καταστάσεων κατά τη διαδικασία της συλλογής των τελάρων. Κατά την εκκίνηση της «συλλογής» των γεμάτων τελάρων (σχήμα πράσινο χρώμα) ή από την «ανενεργή» κατάσταση [συνάρτηση μετάβασης idle()] ο εργάτης (εργάτες) κινείται [συνάρτηση μετάβασης move()] προς ένα δέντρο, δίπλα από τον ελκυστήρα και συλλέγει-σηκώνει ένα γεμάτο τελάρο [συνάρτηση μετάβασης collectbin()] από το έδαφος, το οποίο βρίσκεται δίπλα στον κορμό του δέντρου (σχήμα κόκκινο χρώμα). Σελ. 79

80 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ End moving Collecting full of fruits bin Start idle Load-Stack bin in platform Σχήμα : Διάγραμμα καταστάσεων που μπορεί να βρεθεί ο εργάτης κατά το στάδιο της «συλλογής» (β 1 -load) των γεμάτων τελάρων. Σχήμα : Ο εργάτης κινείται από την αρχική ή την ανενεργό κατάσταση (πράσινο χρώμα) και συλλέγει-σηκώνει ένα γεμάτο τελάρο από το έδαφος. Όταν ο εργάτης συλλέξει-σηκώσει ένα γεμάτο με φρούτα τελάρο από το έδαφος (σχήμα πράσινο χρώμα) το τοποθετεί-στοιβάζει στην πλατφόρμα [συνάρτηση μετάβασης loadbin()] και η διαδικασία επαναλαμβάνεται μέχρι να συλλέξει και να τοποθετήσει στην πλατφόρμα όλα τα τελάρα που βρίσκονται κάτω (δίπλα) από ένα Σελ. 80

81 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ δέντρο (σχήμα κόκκινο χρώμα). Στη συνέχεια κινείται στο επόμενο δέντρο για να συλλέξει τα τελάρα που βρίσκονται εκεί κ.ο.κ. (σχήμα κόκκινο χρώμα). End end() collectbin() move() moving Collecting full of fruits bin move() collectbin() loadbin() Start idle Idle() move() Load-Stack bin in platform Idle() Σχήμα : Ο εργάτης αφού συλλέξει-σηκώσει ένα τελάρο από το έδαφος (πράσινο χρώμα) το τοποθετεί στην πλατφόρμα και είτε συλλέγει τα επόμενα που βρίσκονται κοντά στο ίδιο δέντρο είτε κινείται στο επόμενο δέντρο και συλλέγει τα τελάρα που αντιστοιχούν σε αυτό (κόκκινο χρώμα). Η διαδικασία «εκφόρτωση» (β 2 -unload) των τελάρων σε μεγαλύτερη πλατφόρμα ή σε κάποιο σημείο συγκέντρωσης, όταν η πλατφόρμα του ελκυστήρα γεμίσει παρουσιάζεται στο σχήμα (κόκκινο χρώμα). Ο εργάτης κινείται (πράσινο χρώμα) στο σημείο εκφόρτωσης, επιλέγει-σηκώνει ένα τελάρο από την πλατφόρμα του ελκυστήρα [συνάρτηση μετάβασης pickbin()] και το τοποθετεί [συνάρτηση μετάβασης unloadbin()] σε μεγαλύτερη πλατφόρμα ή σε ένα σημείο εκφόρτωσης (σχήμα κόκκινο χρώμα). Όταν τελειώσει η εκφόρτωση των τελάρων ο εργάτης επιστρέφει για τη συλλογή των επόμενων τελάρων. Γενικά, η συνολική περιγραφή της διαδικασίας της συλλογής και εκφόρτωσης των γεμάτων τελάρων από τον οπωρώνα, με τη χρήση ελκυστήρα με πλατφόρμα μεταφοράς, η οποία περιέχει όλες τις εναλλακτικές καταστάσεις (κύκλοι) και μεταβάσεις (βέλη) που μπορεί να βρίσκεται (επιλέξει) ο εργάτης παρουσιάζεται στο σχήμα Σελ. 81

82 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα : Όταν η πλατφόρμα γεμίσει ο εργάτης κινείται (πράσινο χρώμα) προς το σημείο εκφόρτωσης για την εκφόρτωση των τελάρων (κόκκινο χρώμα). Σχήμα : Γενικό διάγραμμα καταστάσεων που μπορεί να βρεθεί ο εργάτης κατά τη «συλλογή» και «εκφόρτωση» των γεμάτων τελάρων (μέρος β, load-unload). Σελ. 82

83 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ 6.2 Περιγραφή με χρήση υβριδικών Petri Nets Ένας άλλος τρόπος για τη μοντελοποίηση της διαδικασίας της χειροσυλλογής των καρπών οπορωφόρων δέντρων είναι η χρήση των υβριδικών Petri Nets. Με τα διαγράμματα αυτά είναι δυνατή η αναπαράσταση της διαδικασίας της συγκομιδής με αρκετά απλό τρόπο. Παρακάτω παρουσιάζονται κάποια γενικά στοιχεία των Petri Nets και στη συνέχεια αναλύεται η προσέγγιση της μοντελοποίησης της χειροσυλλογής με τη χρήση των υβριδικών Petri Nets Γενικά για Petri Nets Τα δίκτυα αυτά παρουσιάστηκαν το 1962 από το γερμανό μαθηματικό Clark Adam Petri και χρησιμοποιούνται σαν υποστηρικτικά εργαλεία οπτικοποίησης για τη μοντελοποίηση της συμπεριφοράς ενός συστήματος. Το διαγραμματικό αυτό εργαλείο είναι συναφές με τα διαγράμματα μετάβασης (state transition diagrams), τα διαγράμματα ροής (flow charts), τα διαγράμματα βαθμίδων (block diagrams) και μπορεί να περιγράψει και να μελετήσει συστήματα επεξεργασίας πληροφοριών, τα οποία μπορεί να είναι ταυτόχρονα (concurrent), ασύγχρονα, κατανεμημένα, παράλληλα, μη ντετερμινιστικά και/ή στοχαστικά. Βασικά, πρόκειται για ένα γραφικό αλλά και μαθηματικό εργαλείο μοντελοποίησης για την περιγραφή και προσομοίωση δυναμικών συστημάτων (Murata, 1989). Χρησιμοποιείται για την ανάλυση του διαγράμματος ροής εργασιών (task flow diagram) κατά την εκτέλεση μίας επιχειρησιακής διαδικασίας, τον υπολογισμό του απαιτούμενου χρόνου ολοκλήρωσης κάθε επιμέρους εργασίας και τον υπολογισμό του ελάχιστου χρόνου ολοκλήρωσης ολόκληρης της διαδικασίας. Υπάρχουν διάφορες κατηγορίες δικτύων Petri όπως τα χρονισμένα, τα στοχαστικά, τα έγχρωμα, τα συνεχή κ.λ.π. Γενικά, τα δίκτυα αυτά μπορούν να περιγράψουν και να μοντελοποιήσουν οποιουδήποτε είδους σύστημα διακριτών γεγονότων και παρέχουν τη δυνατότητα για κατάστρωση καταστατικών εξισώσεων, αλγεβρικών εξισώσεων και άλλων μαθηματικών μοντέλων που διέπουν τη συμπεριφορά των συστημάτων. Το πλεονέκτημα των συστημάτων αυτών είναι ότι αποτελούν ένα ισχυρό μέσο επικοινωνίας τόσο σε πρακτική όσο και σε θεωρητική βάση και η κύρια αδυναμία τους είναι το πρόβλημα της πολυπλοκότητας, δηλαδή η Σελ. 83

84 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ τάση να γίνονται μεγάλα σε όγκο, ακόμα και για ανάλυση ενός συστήματος μετρίου μεγέθους. Τα κύρια στοιχεία ενός δικτύου Petri είναι τα εξής: Θέσεις (Places Καταστάσεις): χρησιμοποιούνται για να περιγράψουν τις πιθανές καταστάσεις του συστήματος. Χαρακτηριστικό των δικτύων αυτών είναι η δυνατότητα της ταυτόχρονης λειτουργίας των κόμβων-καταστάσεων. Μεταβάσεις (Transitions): σχεδιάζονται ως μπάρες ή ορθογώνια (κουτιά) και χρησιμοποιούνται για την περιγραφή των διακριτών γεγονότων ή ενεργειών, τα οποία προκαλούν τις αλλαγές στις καταστάσεις του συστήματος. Βέλη-Τόξα (Arcs Ενώσεις): ενώνουν τις θέσεις με τις μεταβάσεις ή τις μεταβάσεις με τις θέσεις και παρουσιάζουν τη συσχέτιση μεταξύ καταστάσεων και γεγονότων (μεταβάσεων), τα οποία προκαλούνται από κάποια ενέργεια. Δίπλα στα τόξα μπαίνουν ετικέτες με τα βάρη τους (θετικοί ακέραιοι), όπου ένα τόξο με βάρος k μπορεί να θεωρηθεί σαν ένα σύνολο από k παράλληλα τόξα. Ετικέτες βάρους ίσου με 1, συνήθως, παραλείπονται. Η μετάβαση από μια κατάσταση σε μια άλλη υποδηλώνεται με τη μεταφορά μαύρων κουκκίδων-σημείων (tokens) από μία θέση (κατάσταση) στην άλλη, προκαλείται από την έναρξη κάποιου γεγονότος και υπόκειται στους περιορισμούς διαθεσιμότητας των σημείων (σχήμα 6.2.1). Τα σημεία (tokens) χρησιμοποιούνται για να εξομοιώσουν τις δυναμικές και ταυτόχρονες δραστηριότητες των συστημάτων. Στο σχήμα η θέση P 1 ονομάζεται θέση εισόδου στη μετάβαση T 1 (επειδή ένα βέλος ενώνει κατευθείαν το P 1 με το T 1 ) και το P 2 θέση εξόδου από την Τ 1 (επειδή ένα βέλος ενώνει κατευθείαν το T 1 με το P 2 ). Με την ίδια λογική μία μετάβαση μπορεί να είναι είσοδος ή έξοδος σε/από μία θέση. Για την εκκίνηση-πυροδότηση (fire) μιας μετάβασης είναι απαραίτητη η ύπαρξη τουλάχιστον μίας κουκκίδας (σημείου) στη θέση εισόδου. Γενικά τα PN είναι κατευθυνόμενα, σταθμισμένα, διμερή γραφήματα π.χ. θέσεις (καταστάσεις) και μεταβάσεις εναλλάσσονται σε ένα μονοπάτι κατασκευασμένο από συνεχόμενα βέλη (τόξα). Στο τέλος κάθε βέλους είναι επιβεβλημένο να υπάρχει ένας κόμβος (κύκλος ή ορθογώνιο). Το σύνολο των θέσεων σε ένα PN ορίζεται ως P={P 1,P 2,P 3,P 4,P 5 } και το σύνολο των μεταβάσεων T={T 1,T 2,T 3,T 4 }. Στο σχήμα ισχύει P={P 1, P 2,P 3 } και T={T 1,T 2 }. Ο ακέραιος Σελ. 84

85 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ αριθμός των κουκκίδων-σημείων (θετικός ή μηδέν) που περιέχει ο κύκλος P i συμβολίζεται m i (στο σχήμα έχουμε m 1 =1 και m 2 =m 3 =0). Το δίκτυο των σημείων m ορίζεται ως το διάνυσμα των αριθμών των κουκκίδων σε κάθε κύκλο π.χ. 1 Τ m={m 1,m 2,m 3,m 4 }. Στο σχήμα ισχύει m0 = { 1,0,0} = [ 1 0 0] = 0, όπου ο 0 δείκτης 0 συμβολίζει την αρχική κατάσταση. Το m 0 ονομάζεται αρχικό μαρκάρισμα (initial marking). Γενικά, το διάνυσμα m εκφράζει την κατάσταση του συστήματος, που περιγράφεται με τα PN, η οποία εξελίσσεται κατά τη διάρκεια του χρόνου, π.χ. στο σχήμα η κουκκίδα θα μετακινηθεί σταδιακά από το P 1 στο P 2 και τέλος στο P 3. Η εκκίνηση της μετάβασης T 1 θα δημιουργήσει ( m 1 { } [ ] Τ 1 0 m1 ) το m = 0,1,0 = Τ. Στη μοντελοποίηση, οι θέσεις αναπαριστούν συνθήκες, οι μεταβάσεις γεγονότα και η παρουσία ενός σημείου, μέσα σε μια θέση, μπορεί να ερμηνευτεί σαν τη διατήρηση του αληθούς της συνθήκης, την οποία αναπαριστά η συγκεκριμένη θέση. Στο συγκεκριμένο PN παρόλο που δεν είναι γνωστή η στιγμή της εκκίνησηςπυροδότησης μιας μετάβασης η πορεία της εξέλιξης του συστήματος είναι γνωστή (ποιοτική περιγραφή του συστήματος). Αν οι ταχύτητες ή οι χρόνοι που διαρκούν οι μεταβάσεις είναι γνωστές τότε έχουμε μια ποσοτική περιγραφή του συστήματος. Σχήμα 6.2.1: Διάγραμμα διακριτού Petri Net. Το διάγραμμα του σχήματος αναπαριστά ένα διακριτό Petri Net, το οποίο μπορεί να οριστεί ως N={P, T, Pre, Post}, όπου P το σύνολο των θέσεων (places), και T το σύνολο των μεταβάσεων (transitions). Ισχύει P T=. Τα Pre (Post) είναι οι συναρτήσεις incidence που αντιπροσωπεύουν τις εισερχόμενες (εξερχόμενες) ενώσεις (arcs). Για παράδειγμα το Pre(P,T ) [ή Pos i j t(p i,t j) ] αντιπροσωπεύει το «βάρος» του βέλους P T [ή T P], το οποίο είναι ίσο με 1 i Σελ. 85 j j i

86 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ αν το βέλος υπάρχει ή ίσο με το 0 αν δεν υπάρχει. Όταν ο αριθμός των αρχικών σημείων (tokens) σε κάθε θέση (κύκλους) είναι γνωστός m 0, τότε το Petri Nets ορίζεται N={P, T, Pre, Post, m 0 } Συνεχή και Υβριδικά Petri Nets Στις γεωργικές εργασίες εμπλέκονται τόσο διακριτά γεγονότα όσο και συνεχείς διαδικασίες. Διακριτά μπορούν να θεωρηθούν διάφορα στοχαστικά (αβέβαια) γεγονότα όπως τα διαλείμματα των εργατών, οι βλάβες των μηχανημάτων κ.α. Αντίθετα, συνεχείς διαδικασίες δημιουργούνται κατά την εκτέλεση εργασιών όπως σπορά, ψεκασμός, λιπασματοδιανομή, συγκομιδή κ.α. Οι διαδικασίες αυτές καθορίζονται από το ρυθμό της εργασίας και επηρεάζονται από παράγοντες όπως: δυναμικότητα εργασίας και αποδοτικότητα μηχανημάτων. Επομένως, για την περιγραφή των γεωργικών εργασιών επιλέγουμε των χρησιμοποίηση υβριδικών Petri Nets, τα οποία είναι συνδυασμός των διακριτών (discrete) και των συνεχών (continuous) Petri Nets. Η βασική γραφική διαφορά των συνεχών από τα διακριτά Petri Nets είναι ότι στα πρώτα το μαρκάρισμα μιας θέσης δεν είναι πλέον ένας ακέραιος αριθμός αλλά ένας μη αρνητικός πραγματικός αριθμός και ότι οι θέσεις και οι μεταβάσεις αναπαριστώνται όπως στο σχήμα Μια μετάβαση είναι ενεργοποιημένη εάν το μαρκάρισμα των θέσεων εισόδου της είναι μη μηδενικό και η πυροδότηση πραγματοποιείται σα μια συνεχή ροή. Έτσι, ενώ σε ένα κανονικό δίκτυο Petri μπορεί να έχουμε μια πυροδότηση και μετά μια άλλη, σε ένα συνεχές δίκτυο Petri έχουμε "ποσότητες" πυροδοτήσεων (Murata, 1989; Vaishnavi, 1984). Σχήμα 6.2.2: Διάγραμμα συνεχόμενου Petri Net. Τόσο στα διακριτά όσο και στα συνεχής Petri Nets ορίζεται ο εισερχόμενος πίνακας κατάστασης (incidence) W = w ] όπου w = Pre(P,T ) και ο εξερχόμενος [ ij ij i j Σελ. 86

87 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ + πίνακας incidence W w ] όπου w + = Post(P,T ). Από αυτούς τους δύο πίνακες + = [ ij ij i j T T T P1 + προκύπτει ο πίνακας κατάστασης W=W W = [ w ij ], π.χ. W= P P3 Αν θεωρήσουμε S την ακολουθία των «πυροδοτήσεων» (ενεργοποιήσεων) η οποία εκτελείται κατά τη μετάβαση S m i, π.χ. T 1 m τότε S=T 2, τότε το χαρακτηριστικό διάνυσμα της ακολουθίας S, s είναι ένα διάνυσμα με m-στοιχεία, του οποίου το στοιχείο j αντιστοιχεί στην εκκίνηση της μετάβασης T j στην ακολουθία S (ακέραιος αριθμός στα διακριτά Petri Nets και σειρά πραγματικών αριθμών για τα συνεχόμενα Petri Nets). Για παράδειγμα s 1 =(0,1,0,0). Αν ισχύει i S m m i τότε ο μετασχηματισμός των σημείων, κατά την εκτέλεση της προσομοίωσης, στις θέσεις (κουκκίδες ή πραγματικοί αριθμοί) ικανοποιεί τη θεμελιώδη εξίσωση 6.2.2: m=m+ k i Ws (6.2.1) = = m 1 W s 0 m 2 k Στο παράδειγμα του σχήματος θα ισχύει: Σε πολλές περιπτώσεις, οι διαδικασίες των εργασιών μοντελοποιούνται με συνεχή διαγράμματα ροής και οι καταστάσεις των πηγών (resources) με διακριτά διαγράμματα. Τέτοια συστήματα περιγράφονται και μοντελοποιούνται με υβριδικά Petri Nets (David and Alla, 2001). Ένα υβριδικό σύστημα Petri Nets περιλαμβάνει ένα διακριτό και ένα συνεχόμενο κομμάτι (σχήμα 6.2.3) και ορίζεται ως N={P, T, Pre, Post, m 0, h}, όπου h η υβριδική συνάρτηση που δηλώνει το διακριτό ή συνεχόμενο κομμάτι. Σελ. 87

88 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα 6.2.3: Υβριδικό σύστημα Petri Net. Το σχήμα περιγράφει ένα υβριδικό PN όπου το σύνολο των θέσεων είναι P={P 1,P 2,P 3,P 4 }, από τα οποία διακριτά είναι το υποσύνολο P D =={P 1,P 2 } και συνεχόμενα το υποσύνολο P C ={P 3,P 4 }. Αντίστοιχα, το σύνολο των μεταβάσεων είναι T={T 1,T 2 }, όπου T D ={T 1 } και T C ={T 2 }. Για την αρχική κατάσταση ισχύει: m=(m,m) D C m =(1,0) D 0 m =(350,0) C 0, όπου και. Λαμβάνοντας υπόψη το χρόνο ένα υβριδικό PN μπορεί να παρουσιαστεί όπως στο σχήμα Αν θεωρήσουμε ότι η κουκκίδα (σημείο) στη διακριτή θέση P 2 αντιπροσωπεύει έναν εργάτη, ο οποίος βρίσκεται σε κατάσταση αδράνειας (π.χ. διάλειμμα, γεύμα κτλ.). Σε χρόνο 15 min (T 1 ) η κουκκίδα θα βρεθεί στη θέση P 1 και ο εργάτης θα βρεθεί σε κατάσταση εργασίας. Ύστερα από 90 min (T 2 ) ο εργάτης θα μεταπηδήσει στην κατάσταση idle (αδράνειας) κ.ο.κ. Οι χρόνοι αυτοί σχετίζονται με το διακριτό κομμάτι του υβριδικού PN. Στη συνεχή μετάβαση T 3 η ταχύτητα εργασίας (π.χ. συγκομιδή φρούτων) είναι U=4 και η εργασία πραγματοποιείται μόνο όταν η κουκκίδα βρίσκεται στη θέση P 1. Αν δύο κουκίδες (σημεία) βρεθούν στη P 1 τότε η ταχύτητα εργασίας διπλασιάζεται V=4x2=8. Γενικά ισχύει V i =U i xm j, όπου ο δείκτης i αντιπροσωπεύει τη μετάβαση T i και ο j τον αριθμό των σημείων στη θέση P j. Σελ. 88

89 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα 6.2.4: Υβριδικό Petri Net με χρήση του χρόνου (χρονισμένο). Στα υβριδικά Petri Nets η εξίσωση μετασχηματίζεται στην εξίσωση 6.2.2, λαμβάνοντας υπόψη και το χρόνο: ( ) ( ) ( 0 ) t mt () = m 0 + W n t + vudu ( ) (6.2.2) Όπου W ο πίνακας κατάστασης (incidence), n(t) δηλώνει τον αριθμό των πυροδοτήσεων των διακριτών θέσεων από την αρχική στιγμή ως το χρόνο t, v(u) η ταχύτητα των πυροδοτήσεων των συνεχόμενων θέσεων σε έναν αυθαίρετο χρόνο u Μοντελοποίηση των Εργασιών Αγρού με Χρήση Υβριδικών Petri Nets Μια απλή μοντελοποίηση των εργασιών αγρού, με χρήση υβριδικών PN, παρουσιάζεται από τους Guan el al. (2006, 2008). Στην εργασία αυτή παρουσιάζεται μια απλή περιγραφή, χωρίς μεγάλη ανάλυση, των εργασιών αγρού όπως: όργωμα, σβάρνισμα, σπορά, φύτευση, άρδευση, ψεκασμός, λίπανση, συγκομιδή κτλ. με χρήση των PN. Στο σχήμα παρουσιάζεται μια γενική μοντελοποίηση ορισμένων εργασιών σε έναν αγρό. Οι επιμέρους εργασίες ορίζονται ως συνεχόμενες μεταβάσεις (θέσεις), η κατάσταση του αγροτεμαχίου (π.χ. έκταση που οργώνεται) ως Σελ. 89

90 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ συνεχόμενες θέσεις και οι πηγές ως διακριτές θέσεις, με τα σημεία να αντιπροσωπεύουν την ύπαρξη των πηγών (π.χ. μηχανές, εργάτες) στις διακριτές θέσεις. Ο πραγματικός αριθμός στις θέσεις P 1i αντιπροσωπεύει το μέγεθος της αγροτικής εργασίας. Σχήμα 6.2.5: Μοντελοποίηση εργασιών αγρού με χρήση υβριδικών PN (Guan el al., 2006, 2008). Η μοντελοποίηση των διαλειμμάτων ή οποιωνδήποτε άλλων καθυστερήσεων της εργασίας (π.χ. βλάβη μηχανής) μπορεί να παρουσιαστεί με χρήση διακριτών PN, όπως το διακριτό κομμάτι του σχήματος Συνεργαζόμενες Γεωργικές Εργασίες Στις γεωργικές επιχειρήσεις διάφορα μηχανήματα συνδυάζονται και συνεργάζονται για την περάτωση μιας εργασίας (π.χ. δύο σπαρτικές μηχανές ή μηχανές συγκομιδής δουλεύουν στο ίδιο αγροτεμάχιο). Στο σχήμα παρουσιάζεται η περιγραφή της συνεργασίας 4 μηχανών, δύο με διαφορετικές ταχύτητες και πλάτος εργασίας (V=4 και 4.5) και δύο με ίδια ταχύτητα (V=5) και ίδιο πλάτος εργασίας, κατά την εκτέλεση μίας εργασίας σε έναν αγρό (Guan el al., 2006, 2008). Παρατηρείται ότι στη διακριτή θέση P 3 υπάρχουν δύο κουκκίδες (σημεία), δηλαδή δύο μηχανές με τον ίδιο ρυθμό εργασίας (U=5), και επομένως ο συνολικός ρυθμός διπλασιάζεται. Οι κουκκίδες (μηχανές) στις διακριτές θέσεις δείχνουν ότι οι εργασίες (μεταβάσεις T 1i ) πραγματοποιούνται, ενώ σε περίπτωση που δεν θα υπάρχει κουκκίδα σε κάποια διακριτή θέση θα σταματήσει η εργασία στην αντίστοιχη μετάβαση (ορθογώνιο). Σελ. 90

91 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ P1 P P3 P2 T11 V=4 T12 V=4.5 T13 U=5 V=Uxm3=5x2=10 P12 Σχήμα 6.2.6: Συνεργαζόμενες μηχανές σε εργασία αγρού (Guan el al., 2006, 2008). Αν οριστούν: M i ως η έκταση του αγρού, r i οι πηγές (π.χ. μηχανές) που χρησιμοποιούνται για την εργασία, t i ο χρόνος εργασίας της πηγής r i στο αγρό j, v i ο ρυθμός εργασίας, r t j i () e el al., 2008): r t j i () s ο χρόνος έναρξης της εργασίας της πηγής r j στον αγρό i και ο χρόνος λήξης της εργασίας, τότε προκύπτουν οι παρακάτω εξισώσεις (Guan rn rn ( ) ( ) ( ) ( )... ( ) ( ) = M t e t s v t e t s v t e t s v r r r r r r r n rn rn ( ) ( ) ( ) ( )... ( ) ( ) = M t e t s v t e t s v t e t s v... r r r r r r r n r r ( ) ( ) ( ) ( ) ( ) ( ) = + + r1 r1 r1 r2 r2 r2 n n M t e t s v t e t s v... t e t s v r n k k k k k k k Οι εξισώσεις αυτές μπορούν να γραφούν ως: Σελ. 91

92 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ ( ) ( ) ( ) ( )... rn ( ) rn ( ) ( ) ( ) ( ) ( )... rn ( ) rn ( ) r1 r1 r2 r2 r 1 t1 e t1 s t1 e t1 s t1 e t1 s v M1 r1 r1 r2 r 2 r 2 t2 e t2 s t2 e t2 s t2 e t2 s M v 2... = r1 r1 r2 r2 rn r n r n tk ( e) tk ( s) tk ( e) tk ( s)... tk ( e) tk ( s) v M k Επειδή ο χρόνος έναρξης μιας εργασίας a, με το μηχάνημα r i, πρέπει να είναι μικρότερος από το χρόνο λήξης της εργασίας a και επίσης ο χρόνος έναρξης μιας άλλης εργασίας b, με το ίδιο μηχάνημα r i, πρέπει να είναι μεγαλύτερος από το τέλος της εργασίας a, πρέπει να ισχύει: ( ) ( ) ( ) ( ) ( ) ( ) ab,, t ri s < t ri e and t ri e < t ri s... if t ri s < t ri s a a a b a b Οι γνωστές παράμετροι στις παραπάνω εξισώσεις είναι οι ρυθμοί εργασίας των μηχανών-εργατών v i και οι εκτάσεις των αγρών M i. Η λύση του συστήματος είναι να βρεθεί η διάρκεια εργασίας των πηγών r i στον αγρό j. Επομένως, η αντικειμενική συνάρτηση που πρέπει να ελαχιστοποιηθεί είναι: min(max t ) i, j i r j Η λύση του προβλήματος ξεφεύγει από το αντικείμενο της παρούσας εργασίας. Προτεινόμενοι τρόποι προσέγγισης της λύσης είναι η μέθοδος Monte Carlo, γενετικοί αλγόριθμοι κ.α. (Pham and Karadoga, 1998) Μοντελοποίηση Χειροσυλλογής Καρπών με Χρήση Υβριδικών Petri Nets Η διαδικασία της συγκομιδής των καρπών, από τους εργάτες, μπορεί να μοντελοποιηθεί με χρήση υβριδικών PN όπως παρουσιάζεται στο σχήμα Στο παράδειγμα αυτό χρησιμοποιούνται τρία «είδη» εργατών (Ε 1, Ε 2, Ε 3 ) με τρείς διαφορετικούς ρυθμούς εργασίας (V 11, V 12, V 13 ). Όπως φαίνεται στο σχήμα 6.2.7, στη διακριτή θέση Ε 2 υπάρχουν δύο εργάτες (κουκκίδες) και επομένως ο ρυθμός εργασίας διπλασιάζεται. Ο πραγματικός αριθμός στη συνεχή θέση P 11 αντιπροσωπεύει την ποσότητα των φρούτων (σε γεμάτα καρπούς τελάρα) που θα συγκομιστούν στο Σελ. 92

93 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ στάδιο συγκομιδής k. Κατά τη διάρκεια της προσομοίωσης η ποσότητα στη συνεχή θέση P 11 μειώνεται και αυξάνεται αυτή στη θέση P 12 (συγκομίζονται τα φρούτα από τα δέντρα και τοποθετούνται σε τελάρα δίπλα στα δέντρα), ανάλογα με το ρυθμό συγκομιδής των εργατών. Σχήμα 6.2.7: Μοντελοποίησης της συγκομιδής των καρπών, από εργάτες, με χρήση υβριδικών PN. Στο δεξιό πάνω μέρος του σχήματος παρουσιάζεται το διακριτό κομμάτι που μοντελοποιεί τη διαδικασία της διαδοχής εργασίας-διαλλείματος του εργάτη Ε 3. Η κατάσταση αυτή είναι παρόμοια για τους άλλους εργάτες, αλλά παραλείπεται από το σχήμα για εξοικονόμηση χώρου. Η διαδικασία της συλλογής των γεμάτων τελάρων από τον αγρό, με τη χρήση του ελκυστήρα, μπορεί να χωριστεί σε δύο διακριτά στάδια: 1) «συλλογή» (load) - συλλογή των τελάρων (που βρίσκονται κάτω από τα δέντρα) και τοποθέτησή τους στην πλατφόρμα του ελκυστήρα (κατά την κίνηση του ελκυστήρα στον αγρό) και 2) «εκφόρτωση» (unload) - εκφόρτωση των τελάρων σε μεγαλύτερη πλατφόρμα ή σε κάποιο σημείο συγκέντρωσης, όταν η πλατφόρμα του ελκυστήρα γεμίσει. Οι μετακινήσεις του ελκυστήρα για την μετάβαση από το 1 ο στάδιο στο 2 ο συμπεριλαμβάνονται στη χρονική διάρκεια του 2 ου σταδίου. Σελ. 93

94 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Ας θεωρήσουμε τώρα, ότι η διαδικασία της συλλογής των γεμάτων τελάρων, με τη χρήση του ελκυστήρα, ξεκινάει όταν συλλεχτεί x αριθμός τελάρων (σχήμα 6.2.8) και ότι συμμετέχουν δύο εργάτες: ο ένας του κύκλου Ε 1 και ο ένας του Ε 3 (σχήμα 6.2.7). Οι εργάτες στον κύκλο Ε 2 συνεχίζουν τη συγκομιδή των καρπών από τα δέντρα (σχήμα 6.2.7). Στη θέση M 1 (σχήμα 6.2.8) υπάρχει μία κουκκίδα (σημείο) η οποία αντιπροσωπεύει τον δενδροκομικό ελκυστήρα με την πλατφόρμα μεταφοράς, ενώ οι θέσεις Ε 4 και Ε 5 είναι προσωρινά άδειες μέχρι οι εργάτες (κουκκίδες) από τους κύκλους (καταστάσεις) Ε 1 και Ε 3 μεταπηδήσουν σε αυτές αντίστοιχα. Η μετάβαση Τ 14 θα ενεργοποιηθεί (πυροδοτηθεί) μόνο όταν ο εργάτης (κουκκίδα-σημείο) από τη θέση Ε 1 βρεθεί στη θέση Ε 4, εφόσον υπάρχει και κουκκίδα (ελκυστήρας) στη θέση M 1. Έτσι, θα ξεκινήσει η διαδικασία της «συλλογής» των γεμάτων τελάρων με ρυθμό V 14. Αντίστοιχα και για την μετάβαση T 15. Σχήμα 6.2.8: Μοντελοποίησης της «συλλογής» των γεμάτων τελάρων και τοποθέτησή τους στην πλατφόρμα ελκυστήρα με χρήση υβριδικών PN. Όταν η πλατφόρμα του δενδροκομικού ελκυστήρα γεμίσει (αριθμός τελάρων x 1 ) τότε ξεκινάει το στάδιο της «εκφόρτωσης» των τελάρων (σχήμα 6.2.9). Στο στάδιο αυτό συμμετέχουν ο δενδροκομικός ελκυστήρας (κουκκίδα στον Μ 1 ) και οι εργάτες (κουκκίδες) των κύκλων Ε 4 και Ε 5. Η περιγραφή της διαδικασίας αυτής με χρήση υβριδικών PN είναι παρόμοια με την παραπάνω διαδικασία «συλλογής». Σελ. 94

95 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Σχήμα 6.2.9: Μοντελοποίησης της «εκφόρτωσης» των γεμάτων τελάρων σε μεγαλύτερη πλατφόρμα, με χρήση υβριδικών PN. Μετά το τέλος της «εκφόρτωσης» ο ελκυστήρας με τους εργάτες συνεχίζουν στη συλλογή των εναπομεινάντων γεμάτων τελάρων. Η συνολική διαδικασία της συγκομιδής των καρπών συλλογής - εκφόρτωσης των τελάρων παρουσιάζεται στο σχήμα Σελ. 95

96 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Idle T1 d1 T2 d2 E1 P E3 Pick Up E2 T12 T11 V11 U12 V12=U12xm2 T13 V13 T3 d3 T4 d4 P12 E5 E4 x M1 x V14 T14 Load T15 V15 T9 d9 T5 d5 T7 d7 T6 d6 T8 d8 T10 d10 P13 E7 E6 x1 M2 x1 V16 T16 UnLoad T17 V17 P14 Σχήμα : Περιγραφή της παραδοσιακής συγκομιδής καρπών με χρήση υβριδικών Petri Nets. Σελ. 96

97 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ 6.3 Ανάπτυξη Λογισμικού Προσομοίωσης Χειροσυλλογής Καρπών Στο κεφάλαιο αυτό παρουσιάζεται ένα λογισμικό που προσομοιώνει τη διαδικασία της χειροσυλλογής, το οποίο βασίζεται, με κάποιες παραδοχές και απλοποιήσεις των διάφορων σταδίων, στη μοντελοποίηση της διαδικασίας αυτής με τη χρήση της γλώσσας UML (βλέπε 6.1). Το λογισμικό αυτό μπορεί να χρησιμοποιηθεί για την προσομοίωση της παραδοσιακής συγκομιδής οποιουδήποτε νωπού φρούτου που ακολουθεί τη διαδικασία συγκομιδής όπως αυτή αναλύθηκε παραπάνω. Βασικός στόχος της αναλυτικής προσομοίωσης της διαδικασίας συγκομιδής και της ανάπτυξης του λογισμικού είναι η λεπτομερής καταγραφή της ροής πληροφορίας κατά τη συλλογή και μεταφορά των καρπών ώστε να μελετηθούν στη συνέχεια οι δυνατότητες και τα όρια τεχνολογιών ιχνηλασιμότητας εντός αγρού. Το σύστημα προσομοίωσης λαμβάνει υπόψη τη δυναμική φύση της εργασίας συγκομιδής ώστε τα αποτελέσματα να είναι πιο ρεαλιστικά και να είναι δυνατή η πρόβλεψη κάθε χρονικού σταδίου της εργασίας αυτής. Βάσει των αποτελεσμάτων της προσομοίωσης είναι δυνατή η βέλτιστη επιλογή κάποιων παραμέτρων της διαδικασίας, κάτι το οποίο όμως δεν αποτελεί κύριο στόχο της παρούσας διατριβής. Το πρόγραμμα προσομοίωσης έχει αναπτυχθεί με τη χρήση της γλώσσας τεχνικού προγραμματισμού MATLAB. Παρακάτω παρουσιάζεται μία σύντομη μαθηματική περιγραφή της διαδικασίας της χειροσυλλογής των καρπών και κυρίως της συσχέτισης δέντρων με γεμάτα καρπούς τελάρα (για την εντός αγρού ιχνηλασιμότητα και χαρτογράφηση της παραγωγής), η οποία θα χρειαστεί στην ανάπτυξη του λογισμικού, και στη συνέχεια αναλύεται το λογισμικό προσομοίωσης Περιγραφή Λογισμικού Προσομοίωσης Χειροσυλλογής Καρπών Η προσομοίωση της διαδικασίας της χειροσυλλογής των καρπών και της τοποθέτησή τους σε τελάρα (διακριτό μέρος α-pickup) βασίστηκε στην ανάλυση με τη χρήση της γλώσσας UML, όπως παρουσιάζεται στο σχήμα και αντίστοιχα η προσομοίωση της διαδικασίας της συλλογής των γεμάτων τελάρων (διακριτό μέρος β, load-unload) όπως παρουσιάζεται στο σχήμα Επομένως, το διάγραμμα ροής του λογισμικού που προσομοιώνει το διακριτό μέρος α (pickup) της συγκομιδής παρουσιάζεται στο σχήμα Σελ. 97

98 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ move() No tree nexttree() move() selecttarget() No target move() move() Use Ladder moveladder() break() delete fruit from tree climb() pickup() record fruit to bucket putinbucket() descend() New target Bucket is full descend() record fruits to bin putinbin() New target Bin is full newbin() Σχήμα 6.3.1: Διάγραμμα ροής του λογισμικού που προσομοιώνει τη διαδικασία της χειροσυλλογής των καρπών και τοποθέτησή τους σε τελάρα. Σελ. 98

99 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Όπως παρουσιάζεται στο σχήμα 6.3.1, κατά την εκκίνηση της χειροσυλλογής ο εργάτης επιλέγει το δέντρο που θα επισκεφτεί [συνάρτηση nexttree()], κινείται προς αυτό [συνάρτηση move()] και επιλέγει το «στόχο» (σημείο στο δέντρο) που θα συγκομίσει [συνάρτηση selecttarget()]. Αν έχουν συγκομιστεί όλα τα ώριμα φρούτα επιλέγει το επόμενο προς συγκομιδή δέντρο [συνάρτηση nexttree()], διαφορετικά συγκομίζει τα φρούτα [συνάρτηση pickup()], χρησιμοποιώντας ή όχι τη σκάλα [συνάρτηση moveladder() και climb()] και τα τοποθετεί στον κουβά [συνάρτηση putinbucket()]. Όταν ο κουβάς γεμίσει, ο εργάτης τον αδειάζει στο τελάρο [συνάρτηση putinbin()], αφού πρώτα κατεβεί από τη σκάλα [συνάρτηση descend()] εάν βρίσκεται πάνω σε αυτή. Όταν γεμίσει το τελάρο, τότε χρησιμοποιεί ένα άλλο [συνάρτηση newbin()]. Η διαδικασία αυτή επαναλαμβάνεται μέχρι να συγκομιστούν όλα τα φρούτα του «στόχου». Στη συνέχεια επιλέγεται νέος στόχος στο ίδιο δέντρο ή σε επόμενο. Όπως γίνεται αντιληπτό, η προσομοίωση αυτή είναι πολύ λεπτομερής και απαιτεί παραμέτρους στοχαστικές και πολύ δύσκολες στον υπολογισμό τους. Για παράδειγμα οι συναρτήσεις moveladder() και climb() και descent() απαιτούν ένα ρυθμό μεταφοράς της σκάλα και ένα για το ανέβασμα-κατέβασμα, οι οποίοι εκτός του ότι είναι στοχαστικοί επηρεάζονται από πολλές άλλες παραμέτρους (π.χ. εργάτη, είδος σκάλας, κλαδιά δέντρων που εμποδίζουν κτλ). Για το λόγο αυτό, οι συναρτήσεις μπορεί να μη χρησιμοποιηθούν, ανάλογα με την επιλογή του χρήστη, και αντί για αυτές να τροποποιηθεί ο ρυθμός συγκομιδής του εργάτη στην περίπτωση που χρησιμοποιείται σκάλα για τη χειροσυλλογή των καρπών. Η προσομοίωση της διαδικασίας της συλλογής των γεμάτων τελάρων (διακριτό μέρος β, load-unload) βασίστηκε στη μοντελοποίηση με τη γλώσσα UML (σχήμα ) και το διάγραμμα ροής του λογισμικού, που την προσομοιώνει, παρουσιάζεται στο σχήμα Στη διαδικασία αυτή συνήθως συμμετέχει ένα μέρος των εργατών και όχι όλοι. Οι εργάτες αυτοί, σε κάποιο χρονικό σημείο της συγκομιδής (συνήθως λίγο πριν το τέλος της ημερήσιας εργασίας), σταματάνε την προηγούμενη εργασία τους (συνήθως χειροσυλλογή καρπών) και συνεχίζουν στη συλλογή των γεμάτων τελάρων και την τοποθέτησή τους στην πλατφόρμα του ελκυστήρα. Όπως παρουσιάζεται στο σχήμα 6.3.2, οι εργάτες, κατά τη διαδικασία της συλλογής των τελάρων, κινούνται δίπλα στον ελκυστήρα και επιλέγουν γεμάτα τελάρα που βρίσκονται κοντά στον κορμό ενός δέντρου [συνάρτηση nexttree() και move()]. Στη Σελ. 99

100 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ συνέχεια σηκώνουν ένα τελάρο [συνάρτηση collectbin()] και το τοποθετούν στην πλατφόρμα του ελκυστήρα [συνάρτηση loadbin()]. Η διαδικασία αυτή επαναλαμβάνεται μέχρι να τοποθετηθούν όλα τα τελάρα που βρίσκονται κοντά στον κορμό του δέντρου και στη συνέχεια ο εργάτης επιλέγει και κινείται στο επόμενο δέντρο (μαζί με τον ελκυστήρα). Όταν η πλατφόρμα του ελκυστήρα γεμίσει τότε ο εργάτης μετακινείται [συνάρτηση move()] στο σημείο εκφόρτωσης, διαλέγει ένα τελάρο [συνάρτηση pickbin()] και το τοποθετεί [συνάρτηση unloadbin()] σε μεγαλύτερη πλατφόρμα ή σε οποιοδήποτε άλλο σημείο εκφόρτωσης. Μόλις η εκφόρτωση ολοκληρωθεί ο εργάτης επιστρέφει για τη συλλογή των επόμενων τελάρων [συνάρτηση nexttree() και move()] και όταν συλλεχτούν όλα τα γεμάτα τελάρα η διαδικασία ολοκληρώνεται (end). move() No more bins in field nexttree() move() collectbin() loadbin() No more bins near the tree Full Platform Empty Platform unloadbin() pickbin() move() Unloading Point Σχήμα 6.3.2: Διάγραμμα ροής του λογισμικού που προσομοιώνει τη διαδικασία της συλλογής των γεμάτων τελάρων (διακριτό μέρος β, load-unload). Τα δεδομένα εισόδου τα οποία παρέχονται στον προσομοιωτή είναι τα ακόλουθα: Γεωμετρία αγροτεμαχίου: Κωδικός h αγροτεμαχίου και σημεία που ορίζουν την περίμετρό του. Χάρτης δέντρων (Tree Map): Ορίζεται M ο αριθμός των δέντρων σε ένα αγροτεμάχιο (οπωρώνα) h. Σε κάθε δέντρο δίνεται ένας μοναδικός κωδικός (ID) m j (1 j M). Η Σελ. 100

101 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ γεωγραφική θέση (UTM) του κάθε δέντρου ( x, y με κωδικό m j μπορεί εύκολα να ) mj m j υπολογιστεί και επομένως να δημιουργηθεί ένας πίνακας (ή μία βάση δεδομένων) L ο οποίος θα περιέχει τον κωδικό (ID) του κάθε δέντρου και τη γεωγραφική του θέση ( x, y ) = L ( m. ) mj mj j Παραγωγή κάθε δέντρου (Yield Map): δομή δεδομένων που περιλαμβάνει για τη χρονική στιγμή t το σύνολο Cm ( j, t) των καρπών κάθε δέντρου με κωδικούς ϕ i, 1 i C( mj, t) που αντιστοιχούν στο δέντρο m j, τη χωρική κατανομή τους επάνω στο δέντρο ( x ϕ, y ϕ, z ϕ ), το βάρος τους w( ϕ, t) καθώς και κάποια ποιοτικά στοιχεία των καρπών. i i i Δεδομένα εργατών (Worker Data): Περιλαμβάνει τον κωδικό n i κάθε εργάτη, (1 i Δ ), όπου Δ k το σύνολο των εργατών κατά το στάδιο συγκομιδής k, την ταχύτητα μετακίνησής του, το ρυθμό συγκομιδής και τοποθέτησης των καρπών στον κουβά κατά το στάδιο k: i (s/φρούτο), το ρυθμό αδειάσματος του γεμάτου κουβά στα τελάρα a ( 2 n, ) i k (s/φρούτο), το ρυθμό συλλογής τελάρων a (, ) 3 ni k (s/τελάρο), το ρυθμό εκφόρτωσης των τελάρων a ( 4 n, ) i k (s/τελάρο), καθώς και άλλες παραμέτρους που εμπλέκονται στη διαδικασία. Για την καλύτερη ανάλυση του συστήματος χωρίζουμε τους εργάτες σε δύο βασικές κατηγορίες-σύνολα Δ 1k και Δ 2k ( Δ k Δ 1k 2k =Δ k ). Στο Δ 1k ανήκουν αυτοί που συγκομίζουν καθ όλη τη διάρκεια της μέρας, ενώ στο Δ 2k ανήκουν αυτοί που συγκομίζουν μέχρι να συγκεντρωθεί ο απαραίτητος αριθμός τελάρων ή μέχρι κάποια συγκεκριμένη χρονική στιγμή και στη συνέχεια συλλέγουν τα γεμάτα τελάρα και τα τοποθετούν στην πλατφόρμα του ελκυστήρα. a (, ) 1 ni k Δεδομένα Μηχανημάτων (Machine Data): η είσοδος αυτή αφορά τον κωδικό 1 d i της πλατφόρμας μεταφοράς του δενδροκομικού ελκυστήρα, (1 i R ), όπου R το σύνολο των πλατφόρμων μεταφοράς και τη χωρητικότητα της πλατφόρμας (αριθμός κιβωτίων) του δενδροκομικού ελκυστήρα ω. Επίσης, ορίζεται κωδικός 1 ( d ) i ελκυστήρα με μεγάλη πλατφόρμα μεταφοράς d, (1 j E ), όπου E το σύνολο των ελκυστήρων για τη μεταφορά των γεμάτων καρπών κιβωτίων στο συσκευαστήριο. Χωρητικότητα πλατφόρμας (αριθμός κιβωτίων) του μεγάλου ελκυστήρα μεταφοράς ορίζεται ω. 2 ( d j ) 2 j Σελ. 101

102 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Δεδομένα Τελάρων (Bins Data): η είσοδος αυτή αφορά τον κωδικό l q (1 q B) κάθε τελάρου που χρησιμοποιείται στην συγκομιδή. Ορίζεται B ο συνολικός αριθμός των κιβωτίων που θα χρησιμοποιηθούν για τη συγκομιδή του αγροτεμαχίου h. Έτσι, δημιουργείται ένα σύνολο { q :1 } Q = l q B που περιέχει τους κωδικούς των διαθέσιμων κιβωτίων στα οποία οι εργάτες θα τοποθετήσουν τους συγκομιζόμενους καρπούς. Ακόμα, ορίζεται w(l q ) το βάρος (kg) των καρπών που τοποθετούνται στο κάθε κιβώτιο l q. Δεδομένα Βοηθητικών Εργαλείων (Σκάλες, κουβάδες): περιέχει τον κωδικό κάθε σκάλας s i και την αρχική της θέση ( που χρησιμοποιούνται στην συγκομιδή. x, y, z ), καθώς και των άλλων εργαλείων si,0 si,0 si,0 Αρχική κατάσταση του συστήματος: Τα δεδομένα αυτά αφορούν στις αρχικές θέσεις των εργατών ( x, y, z ) και των ελκυστήρων ( x, y, z ). Επίσης, ni,0 ni,0 n i,0 di,0 di,0 d i,0 αρχικές τιμές δίνονται σε όλες τις παραπάνω παραμέτρους του συστήματος, οι περισσότερες από τις οποίες είναι στοχαστικές και για το λόγο αυτό οι τιμές τους μεταβάλλονται στοχαστικά (προσομοίωση monte-carlo) κατά την εκτέλεση του προγράμματος. Το πρόγραμμα προσομοίωσης έχει αναπτυχθεί με τη χρήση της γλώσσας τεχνικού προγραμματισμού MATLAB και χρησιμοποιεί πέντε βασικές συναρτήσεις (Αμπατζίδης και Βουγιούκας, 2009): move, next_tree, pickup, load και unload, οι οποίες περιγράφουν και περιέχουν αντίστοιχα: α) τη μετακίνηση κάθε εργάτη προς οποιοδήποτε σημείο [περιέχει τη συνάρτηση move()], β) την επιλογή του επόμενου δέντρου για κάθε εργάτη [περιέχει τις συναρτήσεις nexttree() και selecttarget()], γ) τη συγκομιδή των καρπών από τα δέντρα και την τοποθέτησή τους σε τελάρα [περιέχει τις συναρτήσεις pickup(), putinbucket(), putinbin() και newbin()], δ) τη συλλογή των γεμάτων τελάρων και τοποθέτησή τους στην πλατφόρμα του ελκυστήρα [περιέχει τις συναρτήσεις collectbin() και loadbin()], και ε) την εκφόρτωση των τελάρων από την πλατφόρμα σε μεγαλύτερη πλατφόρμα ή σε κάποιο σημείο συγκέντρωσης [περιέχει τις συναρτήσεις pickbin() και unloadbin()]. Αν κάποια από τα δεδομένα εισόδου δεν υπάρχουν τότε χρησιμοποιούνται ορισμένες επιπλέον συναρτήσεις για την παραγωγή τους π.χ. τυχαία κατανομή των καρπών πάνω στα δέντρα (συνάρτηση create_fruit), κατανομή δέντρων στον αγρό (συνάρτηση create_treemap) κ.α. Σελ. 102

103 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Ως έξοδος του συστήματος και κατά τη διάρκεια της προσομοίωσης δημιουργούνται πίνακες που συσχετίζουν κάθε εργάτη με τα φρούτα που συγκόμισε (ID φρούτων, ID δέντρων), με τα γεμάτα τελάρα στα οποία τοποθέτησε τους καρπούς και τα τελάρα που σύλλεξε και τοποθέτησε στην πλατφόρμα μεταφοράς. Οι πίνακες αυτοί ενημερώνονται σε κάθε χρονικό βήμα της προσομοίωσης. Επίσης, οι θέσεις των εργατών και η συσχέτιση δέντρων και γεμάτων τελάρων, που περιέχουν τους καρπούς τους, καταγράφεται κάθε χρονική στιγμή. Γενικά, καταγράφεται κάθε χρονική στιγμή της συγκομιδής και συλλογής-εκφόρτωσης των γεμάτων τελάρων. Με βάση τα δεδομένα αυτά προκύπτει το σύστημα κυκλοφορίας των εργατών και των μηχανημάτων. Για παράδειγμα: Για κάθε έναν εργάτη n i ορίζεται μία συνάρτηση η οποία για κάθε δέντρο j Nn (, k), όπου Nn (, k) το σύνολο των δέντρων που συγκόμισε ο εργάτης n i στο i στάδιο k, επιστρέφει τη σειρά με την οποία ο εργάτης επισκέπτεται το j-οστό δέντρο. Η συνάρτηση αυτή είναι ένα προς ένα, επί, και αντιστρεπτή (injective, surjective, bijective): b 1 ( ) :{1,..., N( n, k) } N( n, k) i b( ) : N( n, k) { 1,..., N( n, k) } i i i (ο δείκτης i δείχνει τον αριθμό του κάθε εργάτη). Για παράδειγμα, εάν ο εργάτης n 1 επισκεφτεί πρώτα το 7 ο δέντρο και μετά το 17 ο, τότε b 1 (7)=1 και b 1 (17)=2. Η αντίστροφη συνάρτηση i i i δίνει τη σειρά με την οποία επισκέφτηκε ο εργάτης τα δέντρα. Δηλαδή, b 1 (1) = 7, σημαίνει ότι το πρώτο δέντρο που επισκέφτηκε ο εργάτης είναι το 7 ο δέντρο. Έτσι, η σειρά με την οποία ο εργάτης επισκέπτεται τα δέντρα δίνεται από την απαρίθμηση σ =< b (1), b (2),..., b ( N( n, k) ) >. i αγρού i i i i Αντίστοιχα δημιουργείται και ένα σύνολο διαδρομών (σειρών μεταξύ δέντρων) 1 A d k που πέρασε κάθε ελκυστήρας κατά το στάδιο συγκομιδής k. 1 ( r, ) Tο σύστημα κυκλοφορίας των εργατών και των μηχανημάτων μπορεί να παράγεται ως έξοδος του συστήματος ή μπορεί να δίνεται, από τον χρήστη, ως είσοδος, π.χ. να δοθεί η σειρά των δέντρων που πρέπει να επισκεφτεί κάθε εργάτης. Το παραπάνω λογισμικό αναπτύχθηκε για την προσομοίωση κάθε σταδίου της διαδικασίας της παραδοσιακής συγκομιδής των καρπών με τα χέρια και για τον έλεγχο του ανθρώπινου και μηχανικού δυναμικού. Με τη χρήση του λογισμικού μπορεί ο διαχειριστής να αξιολογήσει το σύστημα εκτέλεσης εργασιών ανάλογα με τον αριθμό των εργατών-μηχανημάτων και του συστήματος κυκλοφορίας. Επιπλέον, Σελ. 103 d r

104 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ μπορεί να εξετάσει νέα συστήματα και να επιλέξει το κατάλληλο. Έτσι, μπορεί να υπολογίσει τον απαιτούμενο χρόνο συγκομιδής και τον αριθμό των φρούτων-τελάρων που συγκόμισε κάθε εργάτης. Επίσης, είναι δυνατή η συσχέτιση κάθε φρούτουδέντρου με τον εργάτη που τα συγκόμισε, γεγονός που δίνει τη δυνατότητα να υπολογιστεί και η «ποιότητα» της εργασίας κάθε εργάτη. Η ανάλυση της ροής πληροφορίας μπορεί να χρησιμοποιηθεί σαν «οδηγός» για την επιλογή της κατάλληλης τεχνολογίας για την αυτοματοποιημένη συλλογή των απαραίτητων δεδομένων σε συστήματα ιχνηλασιμότητας και γεωργίας ακριβείας Καθορισμός και Προσδιορισμός Παραμέτρων-Σταδίων Συγκομιδής Για τη σωστή λειτουργία του λογισμικού προσομοίωσης της διαδικασίας της συγκομιδής απαιτείται ο όσο το δυνατό ακριβής υπολογισμός ορισμένων δεδομένωνπαραμέτρων εισόδου του λογισμικού. Στο κεφάλαιο αυτό παρουσιάζονται τα απαραίτητα χρονικά στάδια της παραδοσιακής χειροσυλλογής των καρπών, τα οποία χρησιμοποιούνται για την εκτίμηση των μέσων όρων τεσσάρων παραμέτρων του εργάτη n i : 1) μέσος ρυθμός αποκοπής και τοποθέτησης του καρπού στον κουβά a ( ) 1 n i (s/φρούτο), 2) μέσος ρυθμός αδειάσματος του γεμάτου με καρπούς κουβά στο/α τελάρο/α a ( ) 2 n i (s/φρούτο) 3) μέσος ρυθμός συλλογής των γεμάτων τελάρων και φόρτωσής τους στην πλατφόρμα του ελκυστήρα a ( ) 3 n i (s/τελάρο) και 4) μέσος ρυθμός εκφόρτωσης των τελάρων σε μεγαλύτερη πλατφόρμα ή σε σημείο εκφόρτωσης a ( ) 4 n i (s/τελάρο). Οι παράγοντες αυτοί είναι απαραίτητοι (ως δεδομένα εισόδου) για την εκτέλεση του λογισμικού που προσομοιώνει τη διαδικασία της χειροσυλλογής. Στο σχήμα παρουσιάστηκε το διάγραμμα καταστάσεων του εργάτη, όπως αναλύθηκε με χρήση της γλώσσας UML, κατά τη διάρκεια της χειροσυλλογής και τοποθέτησης των καρπών στα τελάρα (διακριτό μέρος α, pick up), στο οποίο βασίστηκε η ανάπτυξη του λογισμικού προσομοίωσης της διαδικασίας αυτής. Στο διάγραμμα αυτό, οι δύο βασικές καταστάσεις που μπορεί να βρίσκεται ο εργάτης είναι: i) αποκοπή και τοποθέτηση του καρπού στον κουβά (Picking in basket) και ii) άδειασμα του γεμάτου με καρπούς κουβά στο/α τελάρο/α (Putting fruits in bin). Όπως γίνεται αντιληπτό, οι παραπάνω πρώτοι δύο παράγοντες, που θα υπολογιστούν πειραματικά, περιγράφουν τις δύο καταστάσεις του εργάτη (στο διάγραμμα) Σελ. 104

105 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ αντίστοιχα. Το διάγραμμα αυτό (σχήμα 6.1.1) περιγράφει την απλή περίπτωση, όπου δεν χρησιμοποιείται σκάλα για την συγκομιδή των καρπών. Στις περιπτώσεις όπου απαιτείται σκάλα για τη χειροσυλλογή των καρπών, το λογισμικό προσομοίωσης βασίζεται πάλι στο διάγραμμα αυτό (σχήμα 6.1.1) και η καθυστέρηση που προσθέτει η χρήση της σκάλας ενσωματώνεται στους παραπάνω δύο στοχαστικούς παράγοντες, οι οποίες πρέπει να προσδιοριστούν πειραματικά σε αντίστοιχες καταστάσεις. Αντίστοιχα, στο σχήμα παρουσιάστηκε το διάγραμμα καταστάσεων του εργάτη, όπως αναλύθηκε με χρήση της γλώσσας UML, κατά την διάρκεια της φόρτωσης-εκφόρτωσης των γεμάτων τελάρων στην πλατφόρμα του ελκυστήρα (διακριτό μέρος β, load-unload). Επειδή ο υπολογισμός των παραμέτρων (ρυθμών) κάθε κατάστασης, του εργάτη, χωριστά είναι πολύ δύσκολος, προς το παρόν, ενοποιήθηκαν κάποιες καταστάσεις σε πιο γενικές ώστε να υπολογιστούν πειραματικά οι παράμετροι τους με μεγαλύτερη ακρίβεια (π.χ. η κατάσταση «συλλογής τελάρου» και η κατάσταση «φόρτωση τελάρου στην πλατφόρμα» ενοποιήθηκαν σε μια κατάσταση «συλλογής και φόρτωσης του τελάρου», σχήμα load). Στην ανάλυση αυτή οι δύο βασικές καταστάσεις του εργάτη, παράμετροι των οποίων μπορούν να υπολογιστούν πειραματικά, είναι: i) συλλογή και φόρτωση των γεμάτων τελάρων στην πλατφόρμα του ελκυστήρα [παράμετρος 3- a ( ) 3 n i ], η οποία περιλαμβάνει τις καταστάσεις Collecting full of fruit bin και Load-Stack bin in platform (σχήμα load) και ii) εκφόρτωση των τελάρων σε μεγαλύτερη πλατφόρμα ή σε σημείο εκφόρτωσης [παράμετρος 4- a 4 ( n i )], η οποία περιλαμβάνει τις καταστάσεις Pick bin from platform και Unloading to bigger platform (σχήμα unload). Επομένως, το λογισμικό προσομοίωσης της διαδικασίας της συγκομιδής προσαρμόστηκε ώστε να δέχεται ως δεδομένα εισόδου για κάθε εργάτη τις τέσσερις αυτές παραμέτρους για την λειτουργία του. Για τον υπολογισμό των τεσσάρων παραπάνω παραμέτρων μελετήθηκαν και μετρήθηκαν τα χρονικά στάδια, κατά τη διάρκεια της παραδοσιακής συγκομιδής των καρπών, τα οποία είναι: Στάδιο 1 : Χρόνος χειροσυλλογής και τοποθέτησης του φρούτου στον κουβά. Είναι ο χρόνος, από τη στιγμή που ο εργάτης ψάχνει (π.χ. ανεβαίνει την σκάλα) να Σελ. 105

106 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ συγκομίσει το κατάλληλο (ώριμο) φρούτο, το αποκόπτει και το τοποθετεί στον κουβά. Ρυθμός a ( ) 1 n i (s/φρούτο). Στάδιο 2 : Χρόνος αδειάσματος του κουβά στα τελάρα. Είναι ο χρόνος, από τη στιγμή που ο εργάτης αφού έχει γεμίσει τον κουβά, μεταβαίνει προς τα τελάρα, και τον αδειάζει σε κάποιο. Στον χρόνο αυτόν συμπεριλαμβάνεται επίσης και ο χρόνος που χρειάζεται πιθανώς ο εργάτης για να τακτοποιήσει κάπως τα φρούτα μέσα στα τελάρα, ή ακόμη να τακτοποιήσει και τα ίδια τα τελάρα. Ρυθμός a ( ) 2 n i (s/φρούτο). Στάδιο 3 : Χρόνος συλλογής γεμάτων τελάρων από τον αγρό. Είναι ο χρόνος κατά τον οποίο συλλέγονται τα γεμάτα τελάρα και φορτώνονται στην πλατφόρμα του ελκυστήρα. Ο ελκυστήρας κινείται ανάμεσα από τα δέντρα, προς τις θέσεις όπου βρίσκονται οι στοίβες των τελάρων, και εργάτες τα φορτώνουν στην πλατφόρμα μεταφοράς. Ρυθμός a ( ) 3 n i (s/τελάρο). Στάδιο 4 : Χρόνος εκφόρτωσης των γεμάτων τελάρων σε μεγαλύτερη πλατφόρμα. Είναι ο χρόνος κατά τον οποίο ο εργάτης τοποθετεί τα γεμάτα τελάρα σε κάποιο σημείο εκφόρτωσης. Ρυθμός a ( ) 4 n i (s/τελάρο). Οι Μεταβλητές των σταδίων οι οποίες εξετάστηκαν και πάνω στις οποίες πραγματοποιήθηκαν οι μετρήσεις είναι: Στάδιο 1 1) t 1 : χρόνος χειροσυλλογής και τοποθέτησης του φρούτου στον κουβά. Ο εργάτης επιλέγει το φρούτο κινείται προς αυτό (π.χ. ανεβαίνει τη σκάλα), το αποκόπτει και το τοποθετεί στον κουβά. 2) t 2 : χρόνος πλήρωσης του κουβά (ανά εργάτη). Είναι ο χρόνος από τη στιγμή που ο εργάτης κινείται με άδειο κουβά προς κάποιο δέντρο και αρχίζει να συλλέγει τους καρπούς μέχρι τη στιγμή που θα γεμίσει ο κουβάς. Στάδιο 2 3) t 3 : χρόνος αδειάσματος ενός κουβά σε κάποιο τελάρο. Είναι το χρονικό διάστημα από τη στιγμή που ο κουβάς γεμίσει και ο εργάτης μεταβεί στα τελάρα μέχρι τη στιγμή που θα τον έχει αδειάσει σε κάποιο απ αυτά. Σελ. 106

107 Κεφ. 6: ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΔΙΚΑΣΙΑΣ ΧΕΙΡΟΣΥΛΛΟΓΗΣ ΚΑΡΠΩΝ Στάδιο 4) t 4 : χρόνος πλήρωσης του τελάρου. Είναι ο χρόνος που απαιτείται για 1+2 την πλήρωση ενός τελάρου από έναν εργάτη. Στάδιο 3 5) t 5 : χρόνος συλλογής των τελάρων και τοποθέτησή τους στην πλατφόρμα του ελκυστήρα. Στάδιο 4 6) t 6 : χρόνος εκφόρτωσης των τελάρων και τοποθέτησή τους σε σημείο εκφόρτωσης. Όλα τα παραπάνω χρονικά διαστήματα εξαρτώνται κατά κύριο λόγο από: την εμπειρία του εργάτη, την ηλικία του, την προθυμία του να συγκομίσει, τις καιρικές συνθήκες, το «χέρι» συγκομιδής, το μέγεθος των καρπών σε συνδυασμό με τη χωρητικότητα του κουβά, τη διαμόρφωση των δέντρων, την παραγωγή των δέντρων, τον τρόπο συγκομιδής, τον αριθμό των εργατών κτλ. Ο χρόνος t 4 περιλαμβάνει τα στάδια 1, 2 και μετρήθηκε ως ένας εναλλακτικός τρόπος για τον υπολογισμό των σταδίων αυτών. Το στάδιο 1 μπορεί να υπολογιστεί με δύο τρόπους, από τους χρόνους t 1 και t 2. Με ' t παρουσιάζονται οι μέσοι χρόνοι των t 2, t 3 και t 4 των παραπάνω σταδίων αναγόμενοι ανά φρούτο (ο χρόνος t 1 είναι ήδη αναγόμενος ανά φρούτο). Οι ' t και 5 είναι οι μέσοι χρόνοι αναγόμενοι ανά τελάρο. Όπου t συμβολίζεται ο μέσος όρος των χρόνων. ' t 6 Σελ. 107

108 3 η ΕΝΟΤΗΤΑ ΑΝΑΛΥΣΗ ΜΕΘΟΔΩΝ ΤΕΧΝΟΛΟΓΙΩΝ 7. ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ 8. ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ

109 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ 7. ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Για την εντός αγρού ιχνηλασιμότητα των καρπών των οπορωφόρων δέντρων αλλά και για τη χαρτογράφηση της παραγωγής με μεγάλη ακρίβεια απαιτείται ο εντοπισμός και η καταγραφή της παραγωγής κάθε δέντρου ξεχωριστά (ή μικρής ομάδας δέντρων). Ως εκ τούτου, είναι απαραίτητο να υπολογιστεί η γεωγραφική θέση κάθε δέντρου και η συσχέτιση μεταξύ δέντρου και όλων των κιβωτίων που περιέχουν τα συγκομισμένα φρούτα του. Παρακάτω, αναλύεται η μαθηματική διατύπωση του προβλήματος της ιχνηλασιμότητας προϊόντων εντός αγρού και της χαρτογράφησης της παραγωγής, δηλαδή της συσχέτισης δέντρου-κιβωτίων, τα οποία θα χρησιμοποιηθούν στη μεθοδολογία μας (Ampatzidis et al., 2007). Στη συνέχεια περιγράφεται το πρόβλημα της συσχέτισης των δέντρων με τα τελάρα που περιέχουν τους συγκομισμένους καρπούς τους (πρόβλημα TBAYM) και τέλος παρουσιάζονται οι τεχνολογίες-μέθοδοι για την επίλυση του προβλήματος αυτού. 7.1 Σύντομη Μαθηματική Περιγραφή της Συσχέτισης Δέντρων Τελάρων Η μαθηματική περιγραφή βασίζεται στην ανάλυση και ανάπτυξη του λογισμικού που προσομοιώνει την διαδικασία της συγκομιδής, που αναλύθηκε στο προηγούμενο κεφάλαιο. Έτσι, αν M ο αριθμός των δέντρων σε ένα αγροτεμάχιο (οπωρώνα) h και m j (1 j M) ο κωδικός του δέντρου j τότε δημιουργείται ο πίνακας (ή μία βάση δεδομένων) L ο οποίος θα περιέχει τον κωδικό (ID) του κάθε δέντρου και τη γεωγραφική του θέση ( x, y ) = L ( m ). mj mj j Επίσης, αν l q, (1 q B) ο κωδικός κάθε τελάρου, τότε δημιουργείται ένα σύνολο { q :1 } Q = l q B που περιέχει τους κωδικούς των διαθέσιμων τελάρων και ορίζεται w(l q ) το βάρος (kg) των καρπών που τοποθετούνται στο κάθε τελάρο l q. Κατά τη διαδικασία της συγκομιδής, στο στάδιο συγκομιδής (χέρι) k, κάθε δένδρο με κωδικό m j, συγκομίζεται από έναν εργάτη (ή εργάτες) ο οποίος τοποθετεί τους καρπούς σε έναν αριθμό τελάρων. Έτσι, σε κάθε δέντρο αντιστοιχεί ένας αριθμός τελάρων (γεμάτων με καρπούς). Επομένως, δημιουργείται ένα σύνολο Σελ. 109

110 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ τελάρων V( m, k), που αντιστοιχεί σε κάθε δέντρο, το οποίο περιέχει τους κωδικούς j των τελάρων. Εάν αυτό το σύνολο, δηλαδή η συσχέτιση δέντρου m j -τελάρων, καθοριστεί, η παραγωγή (απόδοση) p(m j,k) για το συγκεκριμένο στάδιο (χέρι) k, μπορεί να υπολογιστεί από τη σχέση: pm ( j, k) = wl ( q) lq V( mj, k) (7.1.1) Η συνολική παραγωγή του κάθε δέντρου μπορεί να γραφεί ως: pm ( ) = pm (,1) + pm (, k) +... pm (, S), όπου S είναι ο συνολικός αριθμός των j j j j σταδίων (χέρια) συγκομιδής (π.χ. S=2 ή 3 χέρια). Τέλος η συνολική παραγωγή P h του αγροτεμαχίου h, δίνεται από τη σχέση: M M S M S P = p( m ) = p( m, k) = w( l q ) h j j j= 1 j= 1 k= 1 j= 1 k= 1 lq V( mj, k) (7.1.2) Επομένως το συνολικό πρόβλημα μπορεί να διατυπωθεί ως εξής: κατά τη διάρκεια κάθε σταδίου συγκομιδής k, ανιχνεύουμε τον κωδικό κάθε δέντρου m j, βρίσκουμε τις γεωγραφικές του συντεταγμένες L(m ), εντοπίζουμε (συσχετίζουμε) j το σύνολο των τελάρων V( m, k) j που περιέχουν τους καρπούς του και ζυγίζουμε το κάθε τελάρο l q V( m, k) j που ανήκει σε αυτό το σύνολο ώστε να υπολογίσουμε την παραγωγή του δέντρου p(m j,k). 7.2 Πρόβλημα Συσχέτισης Δέντρων Τελάρων Το πρόβλημα της συσχέτισης των δέντρων με τα τελάρα που περιέχουν τους καρπούς τους οδηγεί στη δημιουργία του χάρτη παραγωγής του οπωρώνα (yield map) και στη δυνατότητα ιχνηλασιμότητας των καρπών εντός του αγρού (in field traceability). Το πρόβλημα αυτό θα αναφέρεται παρακάτω ως TBAYM, ακρωνύμιο της πρότασης Tree-Bin Association and Yield Mapping (Συσχέτιση Δέντρων- Τελάρων και Χαρτογράφηση της Παραγωγής). Βάσει της μαθηματικής περιγραφής της διαδικασίας της χειροσυλλογής των καρπών ορίζεται το πρόβλημα TBAYM ως εξής: Για κάθε οπωρώνα δημιουργείται ένας πίνακας (ή μία βάση δεδομένων) L ο οποίος θα περιέχει τον κωδικό (ID) του κάθε δέντρου m j (1 j M), όπου Μ ο συνολικός αριθμός των δέντρων του αγροτεμαχίου και τη γεωγραφική του θέση Σελ. 110

111 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ( x, y ) = L m ( m ). Επίσης, δημιουργείται ένα σύνολο { } j mj j Q = lq :1 q B που περιέχει τους κωδικούς των διαθέσιμων κιβωτίων l q, (1 q B), με Β το σύνολο των κιβωτίων κατά τη συγκομιδή, στα οποία οι εργάτες θα τοποθετήσουν τους συγκομιζόμενους καρπούς. Το βάρος (kg) των καρπών που τοποθετούνται στο κάθε κιβώτιο l q ορίζεται w(l q ). Το πρόβλημα TBAYM για μία περίοδο (χέρι) συγκομιδής περιγράφεται από τα στάδια (βήματα): Ανίχνευση Δέντρων ( Tree Detection ): ανιχνεύεται το δέντρο με κωδικό m j. Καταγραφή Τελάρων ( Bin Registration ): καταγράφεται το σύνολο των τελάρων V( m j ) που περιέχουν τους καρπούς του δέντρου m j και Ζύγιση Τελάρων ( Bin Weighing ): μέτρηση του βάρους w(l q ) κάθε τελάρου l q που ανήκει στο σύνολο V ( m j ). Τέλος, εύκολα υπολογίζεται η παραγωγή του δέντρου (kg) με τη σχέση pm ( j) = wl ( lq V( mj) q ). Το πρόβλημα της συσχέτισης των δέντρων με τα τελάρα που περιέχουν τους καρπούς τους (TBAYM), όπως αντιμετωπίστηκε παραπάνω και με την τεχνολογία που θα αναπτυχθεί παρακάτω, λαμβάνει χώρα κατά τη διάρκεια της συλλογής των τελάρων από τον αγρό (διακριτό μέρος β, load-unload, ανάλυση-μοντελοποίηση με χρήση της γλώσσας UML) και μάλιστα μόνο κατά το στάδιο β 1 (load) της συλλογής και τοποθέτησης των τελάρων στην πλατφόρμα του δενδροκομικού ελκυστήρα και όχι κατά το στάδιο β 2 (unload) της εκφόρτωσης των τελάρων σε μεγαλύτερη πλατφόρμα ή σε κάποιο σημείο εκφόρτωσης (σχήμα κόκκινο χρώμα, ανάλυση με τη UML). Λόγω μάλιστα κάποιων περιορισμών των τεχνολογιών που θα χρησιμοποιηθούν και θα αναλυθούν παρακάτω, το πρόβλημα TBAYM επιλύεται για ζεύγη δέντρων και όχι για μεμονωμένα δέντρα. Σελ. 111

112 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ End end() collectbin() move() Start move() moving Collecting full of fruits bin Idle() Unloading Point idle Idle() pickbin() Pick bin from platform unloadbin() pickbin() collectbin() move() move() Unloading to bigger platform Load-Stack bin in platform loadbin() Σχήμα 7.2.1: Το πρόβλημα TBAYM λαμβάνει χώρα κατά τη διάρκεια της συλλογής των τελάρων από τον αγρό και μάλιστα μόνο κατά το στάδιο β 1 -load (ανάλυση UML, κόκκινο χρώμα). 7.3 ΥΛΙΚΑ KAI ΜΕΘΟΔΟΙ ΤΕΧΝΙΚΕΣ Για την επίλυση του προβλήματος TBAYM επιλέχτηκαν τέσσερις μέθοδοι, οι οποίες συνοπτικά είναι: i. Καταγραφή δέντρων και τελάρων με χρήση RFID. ii. Υπολογισμός θέσης με GPS και καταγραφή τελάρων με χρήση RFID. iii. Καταγραφή δέντρων με χρήση RFID και τελάρων με χρήση γραμμωτών κωδικών (barcodes). iv. Υπολογισμός θέσης με GPS και καταγραφή τελάρων με χρήση γραμμωτών κωδικών (barcodes). Λόγω ορισμένων τεχνικών περιορισμών του συστήματος RFID, που θα περιγραφούν αργότερα, οι προτεινόμενες μέθοδοι μπορούν να λύσουν το πρόβλημα TBAYM μόνο για ζεύγη δέντρων, και όχι για μεμονωμένα δέντρα. Η σημαντικότερη Σελ. 112

113 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ υπόθεση των μεθόδων είναι ότι μετά τη συλλογή των καρπών από τα δέντρα και τη τοποθέτησή τους σε τελάρα, απαιτείται η απόθεση των τελάρων κοντά στον κορμό του αντίστοιχου δέντρου και όχι σε μεγαλύτερες αποστάσεις, διαφορετικά ο συσχετισμός μεταξύ των τελάρων και του δέντρου θα είναι ανακριβής. Παρακάτω παρουσιάζονται και αναλύονται τα υλικά που χρησιμοποιήθηκαν για την υλοποίηση των παραπάνω μεθόδων και στη συνέχεια δίνεται μια αναλυτική περιγραφή της κάθε μεθόδου χωριστά Υλικά Σύστημα RFID Ένα ειδικό σύστημα ασύρματης αναγνώρισης αντικειμένων, μέσω ραδιοσυχνοτήτων (RFID-Radio Frequency Identification), χρησιμοποιήθηκε για την ανίχνευση των δέντρων και την καταγραφή των τελάρων στο πρόβλημα TBAYM. Η τεχνολογία RFID στηρίζεται στη χρήση ραδιοκυμάτων και επιτρέπει την από απόσταση αυτόματη αναγνώριση αντικειμένων (προϊόντων) τα οποία φέρουν RFID tags (ετικέτες που ενσωματώνουν μικροεπεξεργαστή και κεραία) και μπορούν να ανιχνευθούν αυτόματα από σταθερούς ή φορητούς αναγνώστες (readers) RFID, χωρίς να είναι απαραίτητη η σάρωση του κάθε μεμονωμένου αντικειμένου. Η κεραία επιτρέπει στο μικροεπεξεργαστή να μεταφέρει τις πληροφορίες αναγνώρισης στον αναγνώστη, ο οποίος με τη σειρά του μετατρέπει τα ραδιοκύματα που "αντανακλώνται" από την ετικέτα RFID σε ψηφιακές πληροφορίες. Πιο αναλυτικά, σε ένα τυπικό σύστημα RFID ραδιοκύματα παράγονται, διαμορφώνονται, ενισχύονται και μεταδίδονται από έναν αναμεταδότη (πομπό) RF δια μέσου μίας κεραίας. Στη συνέχεια τα ραδιοκύματα λαμβάνονται και επεξεργάζονται από μία ετικέτα (tag) RFID (δέκτης), η οποία στέλνει πίσω στον αναγνώστη RFID ένα μοναδικό κωδικό και πιθανώς επιπλέον πληροφορίες δια μέσου ραδιοκυμάτων (σχήμα 7.3.1). Εάν οι ετικέτες RFID διαθέτουν τη δική τους πηγή ενέργειας (συνήθως μια μπαταρία) για τη λειτουργία του κυκλώματος του μικροεπεξεργαστή και την ενίσχυση του σήματος μετάδοσης στον αναγνώστη τότε ονομάζονται ενεργές ετικέτες RFID. Αντίθετα, εάν οι ετικέτες δεν έχουν μπαταρία τότε ονομάζονται παθητικές και τροφοδοτούνται από το αναγνώστη, ο οποίος εκπέμπει ηλεκτρομαγνητικά κύματα Σελ. 113

114 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ που δημιουργούν πεδίο στην κεραία της ετικέτας. Προφανώς, η ακτίνα δράσης των ενεργών ετικετών RFID είναι μεγαλύτερη από των παθητικών (π.χ. 30 m αντί για m των παθητικών). Τα συστήματα RFID χρησιμοποιούν πολλές διαφορετικές συχνότητες, αλλά γενικά οι πλέον συνηθισμένες είναι: η χαμηλή (low) συχνότητα (περίπου 125KHz), η υψηλή (high) συχνότητα (13,56MHz) και η υπερ-υψηλή (ultra-high) ή UHF ( MHz). Σε μερικές εφαρμογές χρησιμοποιείται και η μικροκυματική συχνότητα (2,45GHz). Η διαφορά στη συχνότητα επηρεάζει την εφαρμογή. Έτσι, για παράδειγμα, οι ετικέτες χαμηλής συχνότητας θεωρούνται ιδανικές για αναγνώριση αντικειμένων με υψηλή περιεκτικότητα σε νερό, όπως τα φρούτα, αλλά έχουν ακτίνα ανάγνωσης περίπου 0.3 μέτρα, ενώ οι ετικέτες υψηλής συχνότητας λειτουργούν καλύτερα σε μεταλλικά αντικείμενα, με ακτίνα ανάγνωσης ενός μέτρου. Οι ετικέτες UHF χρησιμοποιούνται κυρίως για αναγνώριση παλετών σε αποθήκες με ακτίνα ανάγνωσης από 3 έως 4 μέτρα. Στις υπερ-υψηλές συχνότητες, η ακτίνα ανάγνωσης μπορεί (με κάποιους περιορισμούς) να ξεπεράσει και τα 30 μέτρα. RFID Antenna Tag s ID 60 o Cone of 60 o RFID Tag Bin radio waves Σχήμα 7.3.1: Ανίχνευση ετικετών RFID από την εταιρία Trolley Scan Company, σε γωνία 60 o. Το ειδικό σύστημα που χρησιμοποιήθηκε στην εργασία αυτή, από την εταιρία Trolley Scan Company, Νότια Αφρική, ανιχνεύει τους κωδικούς παθητικών ετικετών RFID και επίσης προσδιορίζει τη θέση τους. Αποτελείται από τρείς κεραίες υψηλής συχνότητας και παθητικές ετικέτες Ecochiptag (σχήμα 7.3.2). Οι ετικέτες αυτές, διαστάσεων 80 mm x 37 mm, είναι μόνο για ανάγνωση, αδιάβροχες, έχουν ευαισθησία λειτουργίας 200 μw και επικολλούνται στις δύο μεγάλες πλευρές των Σελ. 114

115 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ κιβωτίων (σχήμα 7.3.3). Το σύστημα λειτουργεί στις UHF συχνότητες (869.5 με 869.7Mhz) και είναι σε θέση να ανιχνεύσει τις ταυτότητες των παθητικών αναμεταδοτών (ετικετών) και να υπολογίσει τη θέση τους σε απόσταση μεγαλύτερη των 10 μέτρων (10-13 m) και γωνία 60 μοιρών (σχήμα 7.3.1). Οι συμβατικοί αναγνώστες RFID ανιχνεύουν τις παθητικές ετικέτες σε πολύ μικρότερες αποστάσεις π.χ m και για το λόγο αυτό δεν είναι κατάλληλοι για την παρούσα εφαρμογή. Σχήμα 7.3.2: Σύστημα ασύρματης αναγνώρισης αντικειμένων, μέσω ραδιοσυχνοτήτων RFID και διαφορικό AgGPS 106 (DGPS). Σχήμα 7.3.3: Παθητικές ετικέτες RFID τοποθετημένες σε τελάρο-κλούβα. Ο συγκεκριμένος αναγνώστης-ραντάρ RFID υπολογίζει την απόσταση (θέση) κάθε ετικέτας (RFID tag), η οποία βρίσκεται στο πεδίο δράσης των κεραιών, Σελ. 115

116 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ μετρώντας τον χρόνο και την απόσταση που διανύει το σήμα από την ετικέτα στον αναγνώστη. Η ανίχνευση των ετικετών RFID και ο υπολογισμός της θέσης τους πραγματοποιείται σε μέγιστη γωνία 60 ο από τις κεραίες του αναγνώστη (σχήμα 7.3.1). Επειδή ο αναγνώστης RFID ανιχνεύει όλες τις νέες ετικέτες οι οποίες βρίσκονται στην περιοχή αναγνώρισής του δεν μπορεί να διευκρινιστεί εάν τα τελάρα προέρχονται από το αριστερό ή το δεξιό δέντρο και επομένως η συσχέτιση πραγματοποιείται μεταξύ κιβωτίων και ζευγάρια δέντρων από όπου συγκομίστηκαν. Λόγω του περιορισμού αυτού οι προτεινόμενες μέθοδοι μπορούν να υλοποιήσουν το πρόβλημα TBAYM μόνο για ζεύγη δέντρων, σε γειτονικές γραμμές και όχι για κάθε μεμονωμένο δέντρο. Πιο αναλυτικά, ο ελκυστήρας με την πλατφόρμα μεταφοράς κινείται στον οπωρώνα για τη συλλογή των γεμάτων καρπών τελάρων, σταματάει μπροστά από ένα ζεύγος δέντρων για τη συλλογή των τελάρων από τα δύο δέντρα. Ο αναγνώστης RFID θα ανιχνεύσει τα περισσότερα τελάρα όταν αυτά τοποθετηθούν στην πλατφόρμα μεταφοράς (και όχι όταν αυτά βρίσκονται στο έδαφος, δίπλα από τους κορμούς των δέντρων) και επομένως, δεν μπορεί να ξεχωρίσει από πιο δέντρο (δεξιό ή αριστερό) προέρχονται (σχήμα 7.3.4). Δέντρα RFID Reader 60 o Κιβώτια Σχήμα 7.3.4: Περιοχή αναγνώρισης του ανιχνευτή RFID. Στην εφαρμογή αυτή ο αναγνώστης RFID τοποθετήθηκε στο πίσω μέρος της καρότσας του δενδροκομικού ελκυστήρα, 1.5 m πάνω από το έδαφος (σχήμα 7.3.5, 7.3.6). Προγραμματίστηκε να λειτουργεί με τέτοιο τρόπο ώστε να ανιχνεύει μόνο τις ετικέτες που εισέρχονται στην περιοχή αναγνώρισής του για πρώτη φορά (αναφερόμενες ως νέες ετικέτες- new tags). Κάθε φορά που μία νέα ετικέτα τελάρου ανιχνεύεται, καταγράφεται ο χρόνος ανίχνευσής της και πραγματοποιείται η Σελ. 116

117 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ συσχέτισή του γεμάτου τελάρου με το αντίστοιχο ζεύγος δέντρων, από όπου συγκομίστηκαν οι καρποί. Τα δεδομένα από τον αναγνώστη RFID φιλτράρονται και αποθηκεύονται αυτόματα σε μία βάση δεδομένων, μέσω σειριακής επικοινωνίας (RS232) με φορητό ηλεκτρονικό υπολογιστή. Σχήμα 7.3.5: Τοποθέτηση του αναγνώστης RFID στην πλατφόρμα μεταφοράς του ελκυστήρα. Σχήμα 7.3.6: Κατασκευή που περιέχει αναγνώστη γραμμωτών κωδικών, DGPS, ψηφιακό ζυγό και ειδική θέση για την τοποθέτηση και ζύγιση των τελάρων. Σελ. 117

118 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Διαφορικό GPS Ένα διαφορικό AgGPS 106 (DGPS) με διόρθωση από το σύστημα EGNOS, από την Trimble, χρησιμοποιήθηκε για την καταγραφή της απόλυτης θέσης (UTM-m) των δέντρων του οπωρώνα και τη δημιουργία του πίνακα -βάση δεδομένων- ( x, y ) = L( m ). Επίσης, χρησιμοποιήθηκε για το στάδιο Ανίχνευση Δέντρων mj mj j του προβλήματος TBAYM, για τις μεθόδους ii και iv. Το DGPS τοποθετήθηκε στην πλατφόρμα του ελκυστήρα (σχήματα 7.3.6, 7.3.7), ανάλογα με τη μέθοδο που χρησιμοποιούνταν, για την συσχέτιση της θέσης του ελκυστήρα με τα δέντρα από όπου συλλέγονταν τα γεμάτα τελάρα (η μέθοδος συσχέτισης δέντρων-τελάρων με χρήση GPS αναλύεται παρακάτω). Tree RFID Reader GPS Bins Σχήμα 7.3.7: Ο ελκυστήρας σταματάει μπροστά από ένα ζεύγος δέντρων για τη συλλογή των γεμάτων τελάρων Αναγνώστης Γραμμωτών Κωδικών και Ψηφιακός Ζυγός Κατασκευή PIWU Για το στάδιο Καταγραφή Τελάρων ( Bin Registration ) του προβλήματος TBAYM, στις μεθόδους iii και iv χρησιμοποιήθηκε ένας αναγνώστης γραμμωτών κωδικών, ο οποίος τοποθετήθηκε σε μια ειδική κατασκευή (σχήματα 7.3.6, 7.3.8). Στην ίδια κατασκευή τοποθετήθηκε και ένας ψηφιακός ζυγός (digital scale) για την επίλυση του σταδίου Ζύγιση Τελάρων ( Bin Weighing ) του TBAYM, από όλες τις μεθόδους. Στην κατασκευή αυτή μπορεί να τοποθετηθεί και το DGPS, ανάλογα με την μέθοδο και την εφαρμογή (σχήμα 7.3.8). Το σύστημα αυτό -κατασκευή και Σελ. 118

119 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ αισθητήρες- ονομάστηκε PIWU από το ακρωνύμιο της Portable Identification and Weighing Unit. Σχήμα 7.3.8: Κατασκευή αυτοματοποιημένου συστήματος για τη μέτρηση και την ταυτοποίηση της παραγωγής με χρήση barcode reader, ψηφιακού ζυγού και DGPS. Όταν οι εργάτες συλλέγουν τα κιβώτια, με τους συγκομισμένους καρπούς, τα τοποθετούν σε συγκεκριμένη θέση στην παραπάνω κατασκευή PIWU (σχήμα 7.3.9), όπου ο αναγνώστης barcode ανιχνεύει (διαβάζει) τους γραμμωτούς κωδικούς, ο ψηφιακός ζυγός καταγράφει το βάρος τους και το DGPS τις γεωμετρικές συντεταγμένες της κατασκευής, αυτόματα χωρίς την παρέμβαση κάποιου εργάτη. Το σύστημα προγραμματίζεται ώστε κάθε φορά που ο ζυγός ή ο αναγνώστης καταγράφουν ένα βάρος ή έναν κωδικό αντίστοιχα, να ακούγεται ένα ηχητικό σήμα ώστε να πληροφορούνται οι εργάτες ότι οι μετρήσεις ολοκληρώθηκαν. Σχήμα 7.3.9: Ειδική θέση για την τοποθέτηση κιβωτίου στην κατασκευή. Σελ. 119

120 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Αναγνώστης Γραμμωτών Κωδικών (Barcode Reader) Ο αναγνώστης γραμμωτών κωδικών (barcode reader), μοντέλο TC1100 της εταιρίας Datalogic, είναι ένα γραμμικό σκάνερ που διαβάζει γραμμωτούς κώδικες με μία CCD κάμερα (3648 εικονοστοιχείων), το οποίο εκτελεί 270 σκαναρίσματα/s. Ανιχνεύει τους γραμμωτούς κωδικούς σε απόσταση cm, κάτω από την επίδραση της ηλιακής ακτινοβολίας, ανάλογα με το μέγεθός τους και τη γωνία ανίχνευσης. Λειτουργεί με 5 V dc (+5%), κατανάλωση 1.5 W, με τρεις εναλλακτικούς τρόπους επικοινωνίας με Η/Υ (RS-232, Wedge και Pen Emulation). Το σκάνερ προγραμματίστηκε να λειτουργεί «αυτόματα» ώστε να μπορεί να ανιχνεύει και να καταγράφει κωδικούς συνεχόμενα. Στην περίπτωση που δεν υπάρχει κάποιος κωδικός (barcode) στην ζώνη ανίχνευσης του αναγνώστη, τότε καμία πληροφορία δεν μεταδίδεται από τη σειριακή θύρα. Η θέση του αναγνώστη (ύψος και γωνία ανάγνωσης) στο PIWU μπορούν να ρυθμιστούν ανάλογα με τις διαστάσεις των τελάρων και τη θέση επικόλλησης των γραμμικών κωδικών στα τελάρα. Για την εξάλειψη τυχόν λανθασμένων τοποθετήσεων των τελάρων στην ειδική θέση στο PIWU ένα εξάρτημα-προσαρμογέας προστέθηκε ώστε τα τελάρα να τοποθετούνται σε συγκεκριμένο σημείο πάνω στο ζυγό (σχήμα 7.3.9). Όταν ο εργάτης τοποθετεί το τελάρο στο PIWU, πρέπει να τροποποιείται ώστε να ταιριάζει στον προσαρμογέα. Ο προσαρμογέας κατασκευάστηκε έτσι ώστε τα τελάρα και κατά συνέπεια οι γραμμωτοί κωδικοί (barcodes) να απέχουν cm από τον αναγνώστη barcode και να μπορεί να τους διαβάζει υπό κατάλληλη γωνία ώστε να επιτευχθεί ευκολότερη ανίχνευση (σχήμα 7.3.8). Επίσης, με την κατασκευή αυτή επιτυγχάνεται η αποφυγή τραυματισμών των χεριών των εργατών κατά την τοποθέτηση των τελάρων. Πραγματοποιήθηκαν δοκιμές, οι οποίες παρουσιάζονται παρακάτω, για τον έλεγχο της κατάλληλης τοποθέτησης του αναγνώστη στο PIWU ώστε να ελαχιστοποιηθεί ο χρόνος που απαιτείται για λήψη δεδομένων με ακρίβεια, αλλά και η πιθανότητα λήψης εσφαλμένης πληροφορίας. Δοκιμή αναγνώστη γραμμωτών κωδικών Μελετήθηκε η συμπεριφορά του αναγνώστη γραμμωτών κωδικών (barcode reader) τόσο εντός κλειστού χώρου, αλλά κυρίως σε ανοικτούς χώρους κάτω από την επίδραση της ηλιακής ακτινοβολίας, η οποία επηρεάζει την λειτουργία τέτοιων Σελ. 120

121 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ συστημάτων (αυτό ήταν και κριτήριο για την επιλογή του συγκεκριμένου αναγνώστη barcode). Έτσι, τοποθετήθηκαν κιβώτια στην ειδική θέση πάνω στην κατασκευή (Σχήμα 7.3.9), στα οποία επικολλήθηκαν γραμμωτοί κωδικοί και καταγράφηκαν τα δεδομένα από τον αναγνώστη, ώστε να μελετηθεί η ακρίβεια του συστήματος. Το μέγεθος των γραμμωτών κωδικών ήταν 6cm x 3cm και περιείχαν πέντε αριθμητικά ψηφία (π.χ ). Για τους σκοπούς τις δοκιμής επιλέχθηκαν δέκα κιβώτια μεγέθους 19cm x 53cm και δέκα κιβώτια μεγέθους 24cm x 53cm. Το ύψος και η γωνία ανάγνωσης του barcode reader στην κατασκευή ρυθμίστηκαν ώστε να επιτευχθεί μεγαλύτερη ακρίβεια μετρήσεων. Εντός κλειστού χώρου ο αναγνώστης barcode ανίχνευσε τους γραμμωτούς κωδικούς (barcodes) όλων των κιβωτίων και δεν παρατηρήθηκαν εσφαλμένες μετρήσεις. Η ακρίβεια του συστήματος ήταν 100%. Σε παρόμοιες συνθήκες σχεδόν όλα τα μοντέλα-αναγνώστες barcode λειτουργούν χωρίς προβλήματα. Σε ανοικτό χώρο και κατά τη διάρκεια πλήρους ηλιοφάνειας (μεσημεριανές ώρες), σε περιβάλλον παρόμοιο με τις συνθήκες φόρτωσης των γεμάτων με σταφύλια κιβωτίων στην πλατφόρμα, ελέγχθηκε η αξιοπιστία του συστήματος τοποθετώντας την κατασκευή σε διαφορετικούς προσανατολισμούς (π.χ. Βορράς, Νότος κτλ.). Σε κάθε περίπτωση ο αναγνώστης γραμμωτών ετικετών εντόπισε τις ετικέτες όλων των κιβωτίων και των δύο μεγεθών. Επομένως, το συγκεκριμένο μοντέλο (TC1100 της εταιρίας Datalogic) κρίθηκε ικανοποιητικό για την ανίχνευση των κιβωτίων κατά τη συγκομιδή των επιτραπέζιων σταφυλιών. Τέλος, η απόσταση του αναγνώστη από την ειδική θέση τοποθέτησης των κιβωτίων (η οποία κυμαίνεται από 13 έως 15cm), στην κατασκευή, και άρα από κάθε κιβώτιο επιτρέπει τόσο τη τοποθέτηση του κιβωτίου χωρίς τραυματισμούς στα χέρια των εργατών όσο και την ασφαλή καταγραφή των δεδομένων με υψηλή ακρίβεια Ψηφιακός Ζυγός Ο επιτραπέζιος ψηφιακός ζυγός, HD Shipping Scales, της εταιρίας My Weigh, διαστάσεων 30,5x32 cm, έχει ζυγιστική ικανότητα 60 kg και ακρίβεια ζύγισης 0,020 kg. Χρησιμοποιήθηκε για τη μέτρηση του βάρους των γεμάτων με καρπούς τελάρων. Έχει δυνατότητα επικοινωνίας μέσω σειριακής θύρας RS-232 με ταχύτητα μετάδοσης δεδομένων Ένα βασικό πρόβλημα του ζυγού είναι η καθυστέρηση υπολογισμού της μέτρησης. Η εργοστασιακή καθυστέρηση μετάδοσης της σταθερής- Σελ. 121

122 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ τελικής μέτρησης του βάρους είναι περίπου 7 s. Παρόλα αυτά ο ζυγός μεταδίδει τιμές κάθε δευτερόλεπτο. Για το λόγο αυτό πραγματοποιήθηκαν δοκιμές για τη μείωση της καθυστέρησης αυτής η οποία κρίθηκε υπερβολική. Δοκιμή ψηφιακού ζυγού Ελέγχοντας τον ρυθμό μετάδοσης δεδομένων του ζυγού παρατηρήθηκε ότι ο ελάχιστος χρόνος που απαιτούνταν για λήψη ακριβούς ζύγισης ήταν υψηλός, ~5-10 s. Έτσι, μελετήθηκε η λειτουργία του ζυγού ώστε να μειωθεί αυτός ο χρόνος, ο οποίος κρίθηκε ότι θα επηρέαζε (αύξανε) πάρα πολύ το χρόνο φόρτωσης των κιβωτίων στην καρότσα. Τοποθετήθηκαν κιβώτια με φρούτα, βάρους περίπου 10 kg, στο ζυγό και καταγράφηκαν τα δεδομένα του ανά δευτερόλεπτο. Ο ζυγός είναι προγραμματισμένος να δίνει τις μετρήσεις του βάρους σε κιλά με τα γράμματα kg στο τέλος κάθε μέτρησης (π.χ. 10,00kg) και την τελική-ακριβή μέτρηση με ένα γράμμα S στο τέλος (π.χ. 10,35kgS). Στο Σχήμα παρουσιάζονται οι μετρήσεις του ψηφιακού ζυγού κατά τη ζύγιση ενός κιβωτίου γεμάτου με φρούτα, βάρους 10,34 kg. Η τελικήακριβής καταγραφή δόθηκε μετά από 7 s. Παρατηρείται όμως, ότι από την τρίτη μέτρηση μέχρι την τελική (7η) η τιμή παραμένει σταθερή (=10,34kg). Άρα, θα μπορούσε να χρησιμοποιηθεί η 3 η ή η 4 η μέτρηση για σωστή rd 4 th 7 th Weight (kg) Time (sec) Σχήμα : Μετρήσεις του ψηφιακού ζυγού κατά τη ζύγιση ενός κιβωτίου γεμάτου με φρούτα, βάρους 10,34 kg. Στο σχήμα παρουσιάζονται οι μετρήσεις του ζυγού κατά τη ζύγιση του ίδιου κιβωτίου τρεις φορές. Παρατηρείται ότι στη δεύτερη ζύγιση του κιβωτίου ο χρόνος για την τελική μέτρηση ήταν 5 s και ότι από την 1η έως την τελευταία ζύγιση Σελ. 122

123 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ οι μετρήσεις ήταν ακριβείς. Στην τρίτη ζύγιση του ίδιου κιβωτίου ο χρόνος για την τελική μέτρηση ήταν 6 s και από τη δεύτερη μέτρηση μέχρι την τελευταία τα δεδομένα ήταν ταυτόσημα και ακριβή. Επομένως, επιλέχτηκε η χρήση της μέτρησης, η οποία είναι ίση με την αμέσως προηγούμενη χωρίς να υπολογίζουμε την 1η μέτρηση. Με τον τρόπο αυτό μειώσαμε το χρόνο ζύγισης ενός κιβωτίου σε 3-4 s, από 5-10 s, ο οποίος κρίνεται ικανοποιητικός Βάρος (kg) Χρόνος (sec) Σχήμα : Μετρήσεις του ζυγού κατά τη ζύγιση του ίδιου κιβωτίου τρεις φορές Προτεινόμενες Μέθοδοι Επίλυσης TBAYM Όπως αναφέρθηκε συνοπτικά παραπάνω για την επίλυση του προβλήματος TBAYM επιλέχτηκαν τέσσερις μέθοδοι: i. Καταγραφή δέντρων και τελάρων με χρήση RFID. ii. iii. Υπολογισμός θέσης με GPS και καταγραφή τελάρων με χρήση RFID. Καταγραφή δέντρων με χρήση RFID και τελάρων με χρήση γραμμωτών κωδικών (barcodes). iv. Υπολογισμός θέσης με GPS και καταγραφή τελάρων με χρήση γραμμωτών κωδικών (barcodes). Παρακάτω αναλύονται περιληπτικά οι τέσσερεις μέθοδοι, οι οποίες επιλύουν το πρόβλημα TBAYM για ζεύγη δέντρων, και όχι για μεμονωμένα δέντρα. Το τρίτο στάδιο του προβλήματος TBAYM, Ζύγιση Τελάρων ( Bin Weighing ), επιλύεται με τον ίδιο τρόπο για όλες τις μεθόδους και επομένως θα περιγραφεί τελευταίο. Αντίθετα, τα δύο πρώτα στάδια του προβλήματος αυτού, Ανίχνευση Δέντρων ( Tree Detection ) και Καταγραφή Τελάρων ( Bin Registration ), επιλύονται Σελ. 123

124 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ διαφορετικά για κάθε μέθοδο. Παρόλα αυτά, κάποιες μέθοδοι επιλύουν το 1 ο ή το 2 ο στάδιο του προβλήματος με τον ίδιο τρόπο, ενώ το άλλο στάδιο (2 ο ή 1 ο αντίστοιχα) επιλύεται με διαφορετικό τρόπο. Κατά τη διαδικασία της συγκομιδής οι καρποί συλλέγονται από τα δέντρα σε τελάρα τα οποία πρέπει να τοποθετούνται κοντά στους κορμούς των ίδιων δέντρων. Στο τέλος, ελκυστήρας με πλατφόρμα μεταφοράς μετακινείται σε μία γραμμή, και τα τελάρα συλλέγονται από εργάτες. Τα τελάρα συλλέγονται από δύο δέντρα, αριστερά και δεξιά της πλατφόρμας και για το λόγο αυτό η συσχέτιση πραγματοποιείται μεταξύ γεμάτων με φρούτα τελάρων και δύο δέντρων από όπου συγκομίστηκαν Μέθοδος Ι. Καταγραφή Δέντρων και Τελάρων με Χρήση RFID Στη μέθοδο αυτή χρησιμοποιείται μόνο το σύστημα RFID (ένας αναγνώστηςραντάρ RFID και παθητικές ετικέτες RFID) και είναι κατάλληλη για οπωρώνες με σχετικά μεγάλα δέντρα, με μεγάλη επιφάνεια φυλλώματος (κόμη), όπου τα δεδομένα από το DGPS είναι ασυνεχή και χαμηλής ακρίβειας. Στην παρούσα μεθοδολογία προτείνεται η επικόλληση παθητικών ετικετών RFID, τα οποία περιέχουν μοναδικούς κωδικούς, σε κάθε κιβώτιο (σχήμα 7.3.3), δύο ετικέτες στις δύο μεγάλες πλευρές κάθε κιβωτίου. Επίσης, παθητικές ετικέτες RFID επικολλούνται και στα δέντρα, σε κατάλληλα, ύστερα από δοκιμή, σημεία (π.χ. στα κλαδιά των δέντρων και όχι στους κορμούς), ώστε να επιτευχθεί 100% ανίχνευση των ετικετών των δέντρων κατά τη συλλογή των γεμάτων τελάρων (σχήμα ). Σχήμα : Επικόλληση παθητικής ετικέτας RFID, σε κατάλληλο σημείο, σε δέντρο ακτινιδίων. Σελ. 124

125 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Τυπικά, ο ελκυστήρας σταματά μερικά μέτρα μετά από κάθε ζευγάρι δέντρων, έτσι ώστε τα γεμάτα τελάρα να μπορούν να φορτωθούν στην πλατφόρμα (σχήμα 7.3.4). Τότε ο αναγνώστης RFID καταγράφει τις ετικέτες των δέντρων (m i, m j ), τους κωδικούς των κιβωτίων που βρίσκονται γύρω από τα δύο δέντρα (IDs των κιβωτίων) και το χρόνο. Η καταγραφή του χρόνου συγκομιδής (ημέρα, ώρα) είναι μεγάλης σημασίας, γιατί η ώρα συγκομιδής των προϊόντων επηρεάζει και την ποιότητά τους (Thai and Shewfelt, 1991). Ακόμα κι αν ο αναγνώστης RFID δεν μπορέσει να ανιχνεύσει ένα τελάρο που είναι εκτός από την περιοχή αναγνώρισής των κεραιών του (κώνος 60 ο ) θα το καταγράψει όταν το φορτώσουν οι εργάτες στη πλατφόρμα μεταφοράς, η οποία βρίσκεται μέσα στη ζώνη των 60 ο μοιρών (σχήμα 7.3.4). Τα περισσότερα τελάρα ανιχνεύονται κατά την τοποθέτησή τους στην πλατφόρμα. Με τη μέθοδο αυτή η συσχέτιση μεταξύ ζεύγους δέντρων (m i, m j ) και του αντίστοιχου συνόλου τελάρων V( m ) V( m ) που περιέχουν τους καρπούς τους i j πραγματοποιείται αυτόματα. Τέλος, η θέση (UTM-m) του ζεύγους δέντρων ( x, y ) = L ( m ) και ( x, y ) = L( m ) υπολογίζεται από τους κωδικούς RFID του mi mi i ζεύγους. mj mj j Μέθοδος ΙΙ. Υπολογισμός Θέσης με GPS και Καταγραφή Τελάρων με Χρήση RFID Η μέθοδος αυτή επιλύει το 2 ο στάδιο του προβλήματος TBAYM, Καταγραφή Τελάρων ( Bin Registration ), με τον ίδιο ακριβώς τρόπο όπως η προηγούμενη μέθοδος. Δηλαδή, με την επικόλληση παθητικών ετικετών RFID στις δύο μεγάλες πλευρές κάθε τελάρου και τη χρήση του αναγνώστη-ραντάρ RFID, κατά τη συλλογή των γεμάτων τελάρων, για την ανίχνευσή τους. Αντίθετα για την επίλυση του 1 ου σταδίου του προβλήματος, Ανίχνευση Δέντρων ( Tree Detection ), χρησιμοποιείται το DGPS, αντί της τοποθέτησης ετικετών RFID σε ειδικά σημεία πάνω στα δέντρα. Έτσι, η δυσκολία της δοκιμής και επιλογής των κατάλληλων σημείων, πάνω στα δέντρα, ώστε να επιτευχθεί 100% ανίχνευση των ετικετών, απαλείφεται στη μέθοδο αυτή. Η χρήση του GPS όμως, απαιτεί δέντρα χαμηλά, με μικρή κόμη (μικρή φυλλική επιφάνεια) έτσι ώστε οι μετρήσεις του DGPS να είναι συνεχόμενες και ακριβείς (Ampatzidis et al., 2007). Σελ. 125

126 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Το πρόβλημα της Ανίχνευση Δέντρων με χρήση του DGPS επιλύεται ως εξής: επειδή ο ελκυστήρας σταματάει λίγα μέτρα μπροστά από ένα ζεύγος δέντρων, για τη συλλογή των γεμάτων τελάρων, το πρόβλημα ανάγεται στον υπολογισμό του ζεύγους δέντρων (IDs δέντρων) τα οποία ο ελκυστήρας μόλις προσπέρασε ή στον υπολογισμό του ζεύγους που βρίσκεται πιο κοντά στην κεραία του DGPS (σχήμα ). Επειδή τα δέντρα δεν έχουν ετικέτες RFID το πρόβλημα αυτό λύνεται με τη χρήση του GPS, το οποίο καταγράφει τη θέση της πλατφόρμας ( x GPS, y GPS ). Από τη μέτρηση της θέσης αυτής είναι εύκολος ο υπολογισμός και η ανίχνευση του ζεύγους δέντρων (κωδικοί m i και m j ), τα οποία βρίσκονται πιο κοντά στην κεραία του GPS και μέσα στον κώνο των 60 ο του αναγνώστη RFID. Έτσι βάσει του πίνακα L μπορούν να υπολογιστούν οι κωδικοί του ζεύγους δέντρων από τις συντεταγμένες τους ( x, y ) = L ( m και ( x, y ) = L( m ). Όταν ανιχνευτούν και οι κωδικοί των ) mi mi i mj mj j γεμάτων τελάρων τότε πραγματοποιείται η συσχέτιση ζεύγους δέντρων με γεμάτα τελάρα, σύνολο V( m, k) V( m, k). i j Tree RFID Reader GPS Bin Σχήμα : Ο ελκυστήρας σταματάει μπροστά από ένα ζεύγος δέντρων για τη συλλογή των γεμάτων τελάρων. Τοποθέτηση DGPS πάνω στην πλατφόρμα. Αναλυτικά, η διαδικασία ανίχνευσης των κοντινότερων, στην κεραία GPS, δέντρων είναι η ακόλουθη. Κάθε δευτερόλεπτο το DGPS καταγράφει τη θέση (και το χρόνο) και ο αναγνώστης-ραντάρ RFID διαβάζει τις ταυτότητες και το χρόνο ανίχνευσης των νέων κωδικών που εισέρχονται στη ζώνη ανίχνευσής του. Σε κάποιο σημείο η πλατφόρμα του ελκυστήρα σταματάει κοντά σε ένα ζεύγος δέντρων για τη συλλογή των γεμάτων καρπούς τελάρων. Η κεραία του GPS τοποθετείται περίπου Σελ. 126

127 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ στο μέσο της πλατφόρμας, έτσι ώστε να βρίσκεται όσο πιο κοντά γίνεται στο ζεύγος δέντρων όταν ο ελκυστήρας θα σταματήσει για τη συλλογή των τελάρων (σχήμα ). Ο αναγνώστης RFID θα ανιχνεύσει τις νέες ετικέτες (τελάρα) είτε όταν αυτές βρίσκονται στο έδαφος είτε όταν οι εργάτες τοποθετήσουν τα γεμάτα τελάρα στην πλατφόρμα, η οποία βρίσκεται στη ζώνη ανίχνευσης των 60 ο. Ας οριστεί F ο συνολικός αριθμός των νέων τελάρων (ετικετών) που ανιχνεύτηκαν. Κάθε φορά που ο αναγνώστης ανιχνεύει ένα νέο τελάρο l q, η απόσταση μεταξύ της γνωστής θέσης κάθε δέντρου στο χάρτη ( x, y για το r ο δέντρο) και της τρέχουσας θέσης του GPS ( x GPS q, y GPS q ) υπολογίζεται από τη σχέση (7.3.1): mr mr d, = ( x x ) + ( y y ) (7.3.1) 2 2 rq GPS q mr GPS q mr Στη συνέχεια, η μέση απόσταση < dr > κάθε δέντρου από όλα τα F σημεία του μονοπατιού του ελκυστήρα υπολογίζεται από τη σχέση (7.3.2). Τέλος, επιλέγονται τα δύο δέντρα m i, m j με την μικρότερη μέση απόσταση από όλα τα σημεία F του μονοπατιού του ελκυστήρα, ως το ζεύγος δέντρων όπου ανήκουν τα γεμάτα τελάρα. _ d r = F q= 1 d F rq, (7.3.2) Μέθοδος III. Καταγραφή Δέντρων με Χρήση RFID και Τελάρων με Χρήση Γραμμωτών Κωδικών (barcodes) Η μέθοδος αυτή επιλύει το 1 ο στάδιο του προβλήματος TBAYM, Ανίχνευση Δέντρων ( Tree Detection ), με τον ίδιο ακριβώς τρόπο με την 1 η μέθοδο. Δηλαδή, με την επικόλληση παθητικών ετικετών RFID σε ειδικά σημεία πάνω στα δέντρα και χρήση του αναγνώστη RFID για την ανίχνευση των κωδικών των δέντρων, κατά τη συλλογή των γεμάτων τελάρων (βλέπε μέθοδο 1). Αντίθετα για την επίλυση του 2 ου σταδίου του προβλήματος, Καταγραφή Τελάρων ( Bin Registration ), αντί για την επικόλληση παθητικών ετικετών RFID στα τελάρα, όπως στις δύο προηγούμενες μεθόδους, στη μέθοδο αυτή χρησιμοποιούνται ετικέτες γραμμωτών κωδικών (barcode). Επειδή το κόστος των συγκεκριμένων παθητικών ετικετών Ecochiptag RFID, μεγάλης απόστασης Σελ. 127

128 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ανίχνευσης, είναι προς το παρόν αρκετά υψηλό 2, ειδικά για εμπορικές εφαρμογές μεγάλης κλίμακας, στην συγκεκριμένη μέθοδο επιλέχτηκε η πολύ πιο φτηνή τεχνολογία γραμμωτού κωδικού (barcodes). Πιο αναλυτικά, φτηνές ετικέτες barcode, αντί των ετικετών RFID, επικολλήθηκαν στις δύο μικρές πλευρές των τελάρων (σχήμα ) και χρησιμοποιήθηκε ο αναγνώστης-σκάνερ barcode για την ανίχνευσή τους. Ο αναγνώστης barcode τοποθετήθηκε στην κατασκευή (σασί) PIWU (σχήματα 7.3.6, 7.3.8, 7.3.9), έτσι ώστε οι εργάτες να τοποθετούν τα γεμάτα τελάρα πρώτα στην ειδική θέση στο PIWU και στη συνέχεια να τα στοιβάζουν στην καρότσα με τα υπόλοιπα τελάρα. Σχήμα : Τελάρα με χαμηλού κόστους γραμμωτούς κωδικούς (barcodes). Όταν ο ελκυστήρας σταματήσει για τη συλλογή των γεμάτων τελάρων, ο αναγνώστης RFID θα έχει ανιχνεύσει τους κωδικούς (m i, m j ) του ζεύγους των δέντρων, τα οποία βρίσκονται στην ζώνη ανίχνευσης των 60 ο. Στη συνέχεια και καθώς οι εργάτες τοποθετούν τα τελάρα στην ειδική θέση στο PIWU, ώστε να ανιχνευτεί ο κωδικός τους από τον αναγνώστη barcode, δημιουργείται η συσχέτιση ζεύγους δέντρων και τελάρων, σύνολο V( mi) V( m j ). Κάθε φορά που ο αναγνώστης barcode διαβάζει ένα κωδικό τελάρου (l ) ένας δυνατός ήχος (loud beep) ακούγεται. Εάν ο ήχος αυτός δεν ακουστεί τότε ο εργάτης πρέπει να ξανατοποθετήσει το τελάρο, στην ειδική θέση στο PIWU, μέχρι να ακουστεί ο ήχος. q Σελ. 128

129 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Μέθοδος IV. Υπολογισμός Θέσης με GPS και Καταγραφή Τελάρων με Χρήση Γραμμωτών Κωδικών Η μέθοδος αυτή επιλύει το στάδιο 1 ο στάδιο του προβλήματος TBAYM, Ανίχνευση Δέντρων ( Tree Detection ), με τον ίδιο ακριβώς τρόπο με τη 2 η μέθοδο. Δηλαδή, χρησιμοποιεί τα δεδομένα από το DGPS για τη συσχέτιση της θέσης της καρότσας με το ζεύγος δέντρων από όπου συλλέγονται τα τελάρα (βλέπε μέθοδο ii). Εννοείται ότι για την επιτυχία της μεθόδου, τα δέντρα (κόμη δέντρων) θα πρέπει να επιτρέπουν την σταθερή και ακριβή λειτουργία του GPS. Το 2 ο στάδιο του προβλήματος, Καταγραφή Τελάρων ( Bin Registration ), επιλύεται με τον ίδιο τρόπο όπως η προηγούμενη μέθοδος (μέθοδος iii). Με την επικόλληση δηλαδή, γραμμωτών κωδικών στα τελάρα και τη χρήση του σκάνερ για την ανίχνευση των κωδικών (βλέπε μέθοδο iii). Αυτή η μέθοδος είναι η μόνη (από τις τέσσερεις) που δεν χρησιμοποιεί καθόλου το σύστημα RFID, ούτε για την ανίχνευση των δέντρων, ούτε και για την ανίχνευση των τελάρων. Η επιτυχία της εξαρτάται κυρίως από την καλή λειτουργία του DGPS. Το σύστημα barcode είναι πολύ αξιόπιστο, εάν και επηρεάζει αρκετά τόσο τη διαδικασία συλλογής των τελάρων (πρέπει οι εργάτες να τοποθετούν τα γεμάτα τελάρα πρώτα στην ειδική θέση στο PIWU και μετά στην καρότσα), όσο και το χρόνο συλλογής των τελάρων, ο οποίος αυξάνεται αισθητά Χρήση Ψηφιακού Ζυγού (όλες οι μέθοδοι) Ο ψηφιακός ζυγός τοποθετήθηκε στο PIWU (σχήματα 7.3.6, 7.3.8, 7.3.9) για τον υπολογισμό του βάρους των γεμάτων τελάρων καθώς αυτά συλλέγονται στον αγρό. Σε όλες τις παραπάνω μεθόδους ακολουθείται η ίδια διαδικασία ζυγίσματος. Η παραγωγή (yield) ym (, m κάθε ζεύγους δέντρων (, ) υπολογίζεται ως εξής. Οι i j) mi mj εργάτες πρέπει να τοποθετούν κάθε τελάρο με κωδικό l q πρώτα πάνω στο ζυγό, στην ειδική θέση στο PIWU και στη συνέχεια, αφού πρώτα ακουστεί ο ήχος για την καταγραφή της μέτρησης (βάρος τελάρου wl ( q )), να το στοιβάξουν στην πλατφόρμα μεταφοράς. Λόγω της διαδικασίας αυτής και κυρίως λόγω της καθυστέρησης που εισάγει η μέτρηση του βάρους, αυξάνεται κατά πολύ ο χρόνος συλλογής των τελάρων. Όταν όλα τα τελάρα που αντιστοιχούν στο ζεύγος δέντρων ζυγιστούν τότε αυτόματα υπολογίζεται η παραγωγή του ζεύγους ως: Σελ. 129

130 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ pm (, m) = wl ( ) i j q lq V( mi) V( mj) Τα δεδομένα από όλους τους αισθητήρες, ανάλογα με τη μέθοδο που ακολουθείται, φιλτράρονται και αποθηκεύονται, μέσω σειριακής επικοινωνίας (RS- 232), σε μια βάση δεδομένων σε ένα Η/Υ Χαρακτηριστικές Τιμές Απόδοσης Μεθόδων Η απόδοση των παραπάνω μεθόδων μπορεί να μετρηθεί (χαρακτηριστεί) με χρήση δύο τιμών. Η πρώτη είναι η ακρίβεια ανίχνευσης a, η οποία ορίζεται ως ο (%) αριθμός των τελάρων που ανιχνεύτηκαν επιτυχώς σε σχέση με τον συνολικό αριθμό των τελάρων που περιέχουν τους συγκομισμένους καρπούς. Η δεύτερη είναι η αποδοτικότητα συλλογής (φόρτωσης) l, η οποία ορίζεται ως ο λόγος του συνολικού χρόνου συλλογής (φορτώματος) όλων των γεμάτων τελάρων, όταν ακολουθείται η παραδοσιακή (στάνταρ) μέθοδος συλλογής-φόρτωσης των τελάρων από τον αγρό, διά του συνολικού χρόνου συλλογής όλων των γεμάτων τελάρων όταν ακολουθείται, από τους εργάτες, μία από τις τέσσερεις παραπάνω μεθόδους. Παρακάτω περιγράφεται ο τρόπος υπολογισμού της αποδοτικότητα συλλογής l, βάσει της ανάλυσης των σταδίων (χρόνων) συλλογής των τελάρων για κάθε μέθοδο. Ο χρόνος συλλογής ενός τελάρου στην τυπική (παραδοσιακή) διαδικασία T Ls ορίζεται ως το χρονικό διάστημα T s από τη στιγμή που ένας εργάτης σηκώσει το γεμάτο τελάρο από το έδαφος μέχρι να το τοποθετήσει (στοιβάξει) μαζί με τα άλλα στην πλατφόρμα του ελκυστήρα (σχήμα a) συν το χρονικό διάστημα T m, το οποίο αντιπροσωπεύει το συνολικό χρόνο που ο ελκυστήρας κινήθηκε στον οπωρώνα διά τον αριθμό των γεμάτων τελάρων που συλλέχτηκαν. Επομένως, ισχύει TLs = Ts + Tm. Ο χρόνος συλλογής όταν χρησιμοποιείται (ακολουθείται) η 1 η ή η 2 η T L1 μέθοδος («Καταγραφή δέντρων και τελάρων με χρήση RFID» ή «Υπολογισμός θέσης με GPS και καταγραφή τελάρων με χρήση RFID»), χωρίς τη χρήση του ζυγού, είναι ίσος με τον χρόνο συλλογής στην παραδοσιακή διαδικασία (σχήμα a), γιατί η χρήση της τεχνολογίας RFID δεν εισάγει κάποια καθυστέρηση κατά την ανίχνευση των παθητικών ετικετών RFID των τελάρων (και των δέντρων). Δηλαδή, T = 0 id. Σελ. 130

131 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Ο χρόνος συλλογής T L2 όταν η 3 η ή η 4 η μέθοδος («Καταγραφή δέντρων με χρήση RFID και τελάρων με χρήση γραμμωτών κωδικών» ή «Υπολογισμός θέσης με GPS και καταγραφή τελάρων με χρήση γραμμωτών κωδικών»), χωρίς τη χρήση του ζυγού, ακολουθείται περιέχει μία επιπλέον καθυστέρηση λόγω της διαδικασίας ανίχνευσης των γραμμωτών κωδικών (σχήμα b). Επιπλέον, σε αυτή τη διαδικασία (και γενικά όταν το PIWU χρησιμοποιείται) ο χρόνος συλλογής των γεμάτων τελάρων αυξάνεται επειδή οι εργάτες πρέπει πρώτα να τοποθετούν τα τελάρα στην ειδική θέση στο PIWU (T c1 ) και στη συνέχεια να τα στοιβάζουν στην πλατφόρμα (T c2 ). Δηλαδή, TL2 = T c + Tid + Tm, Tc = Tc1+T c 2. Όταν ο ψηφιακός ζυγός χρησιμοποιείται, σε όλες της μεθόδους, ο συνολικός χρόνος περιέχει μία επιπλέον καθυστέρηση T id, λόγω της καθυστέρησης μέτρησης του βάρους (σχήματα c, d). Πρέπει να αναφερθεί ότι στις μεθόδους iii και iv, όταν χρησιμοποιείται ο ζυγός, η καθυστέρηση του ζυγού (μέτρηση βάρους) επικαλύπτει την καθυστέρηση του αναγνώστη barcode (η οποία είναι ελάχιστη). Επομένως, όταν χρησιμοποιείται ο ζυγός, σε οποιαδήποτε μέθοδο, ο χρόνος συλλογής των τελάρων είναι ίδιος ίσος με T = T = T + T T m. T w L1 L2 c w + Τέλος, υπάρχει μία ακόμα κρυμμένη καθυστέρηση, λόγω της μειωμένης χωρητικότητας της πλατφόρμας μεταφοράς όταν χρησιμοποιείται το PIWU. Αυτή η μείωση της χωρητικότητας οδηγεί στη συμπλήρωση (γέμισμα) της πλατφόρμας νωρίτερα και επομένως ο ελκυστήρας πρέπει να επιστρέψει ώστε να αδειάσει η πλατφόρμα ή να χρησιμοποιήσει νέα. Εάν αυτή η καθυστέρηση ανά τελάρο οριστεί ως T RC τότε αποδοτικότητα συλλογής (φόρτωσης) l ανά τελάρο, για όλε τις μεθόδους μπορεί να οριστεί ως: TLs l = 100%. Η αποδοτικότητα συλλογής T + T + T + T + T c id w RC m μίας μεθόδου έναντι μίας άλλης μπορεί να συγκριθεί διαιρώντας της αντίστοιχες αποδοτικότητες. Σελ. 131

132 Κεφ. 7: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ T S a. Time Bin pick up Bin stacked T c1 T id T c2 b. Bin pick up Bin placed in fixture Registration completed +bin lift Bin stacked T w T c1 T id T c2 c. Bin pick up Bin placed in fixture Registration completed Weighing completed +bin lift Bin stacked T c1 T w T c2 d. Bin pick up Bin placed in fixture Weighing completed +bin lift Bin stacked Σχήμα : Χρόνος συλλογής τελάρων, a) τυπική (παραδοσιακή) διαδικασία, 1 η και 2 η μέθοδο χωρίς τον ζυγό, b) 3 η και 4 η μέθοδος χωρίς τον ζυγό, c) 3 η και 4 η μέθοδος με τη χρήση του ζυγού, d) 1 η και 2 η μέθοδο με χρήση του ζυγού. Σελ. 132

133 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ 8. ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Η συσχέτιση των εργατών με τα δέντρα τα οποία επισκέφτηκαν και η παρακολούθηση της κίνησης των εργατών, κατά τη διαδικασία της χειροσυλλογής των καρπών, καθώς και η ανίχνευση της «κατάστασης» (π.χ. κινείται, συγκομίζει καρπούς από ένα δέντρο κτλ.) στην οποία βρίσκονται κάθε χρονική στιγμή είναι καθοριστική γιατί μπορεί να παρέχει τη δυνατότητα της εκτίμησης της απόδοσης τόσο της «ποσοτικής» όσο και της «ποιοτικής» εργασίας τους. Με την έννοια «ποσοτική» εργασία ορίζεται η ποσότητα των καρπών που συγκόμισε ο κάθε εργάτης, στο χρονικό διάστημα της συγκομιδής, η οποία πρακτικά μπορεί να μετρηθεί από τον αριθμό των τελάρων στα οποία τοποθέτησε τους καρπούς των δέντρων τα οποία επισκέφτηκε. Επίσης, «ποσοτική» εργασία είναι και ο αριθμός των γεμάτων τελάρων που σύλλεξε κατά τη διαδικασία της συλλογής των τελάρων από τον αγρό (διακριτό μέρος β-ανάλυση με χρήση της UML). Από την άλλη πλευρά, ως «ποιοτική» εργασία ορίζεται η ικανότητα του εργάτη να συγκομίζει τους «κατάλληλους» καρπούς (π.χ. μόνο τους ώριμους, με το κατάλληλο μέγεθος και σχήμα, να μην τραυματίζει τους καρπούς), να μην τραυματίζει τα δέντρα (π.χ. σπάσιμο κλαδιών, καρποφόρων οργάνων, τραυματισμό κορμού κτλ), ή τα φυτά (εάν πρόκειται για λαχανικά, λουλούδια κτλ.), τα οποία συγκομίζει και γενικώς η εμπειρία του εργάτη για την εκτέλεση μιας συγκεκριμένης εργασίας. Τόσο η ποσοτική όσο και η ποιοτική εκτίμηση της εργασίας επιτρέπει την τροποποίηση του ημερομισθίου του κάθε ατόμου ανάλογα με την προσφορά του αλλά και την επιλογή των κατάλληλων εργατών για την εκτέλεση μίας εργασίας, στην οποία είναι αρκετά «έμπειροι» να ολοκληρώσουν, καθώς και την εκπαίδευση των εργατών που δεν ανταποκρίνονται «σωστά» στην εκτέλεση κάποιων εργασιών. Επίσης, η δυνατότητα της καταγραφής της πορείας του κάθε εργάτη και της ανίχνευσης της «κατάστασης» στην οποία βρίσκεται κάθε χρονική στιγμή, δίνει τη δυνατότητα της βελτίωσης, εκ τον υστέρων, του τρόπου διαχείρισης του ανθρώπινου και μηχανικού δυναμικού κατά την εκτέλεση μίας καθορισμένης εργασίας. Παρακάτω παρουσιάζεται το πρόβλημα της ανίχνευσης της κίνησης του εργάτη, κάθε χρονική στιγμή, κατά τη διαδικασία της χειροσυλλογής και στη Σελ. 133

134 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ συνέχεια προτείνετε και περιγράφετε μία μέθοδος, με χρήση νέων τεχνολογιών, για την επίλυση του προβλήματος. 8.1 Μαθηματική Περιγραφή της Συσχέτισης Εργάτη Δέντρου Η μαθηματική περιγραφή βασίζεται στην ανάλυση και ανάπτυξη του λογισμικού που προσομοιώνει την διαδικασία της συγκομιδής, που αναλύθηκε στο προηγούμενο κεφάλαιο. Έτσι, αν M ο αριθμός των δέντρων σε ένα αγροτεμάχιο (οπωρώνα) h και m j (1 j M) ο κωδικός του δέντρου j τότε δημιουργείται ο πίνακας ( x, y ) = L ( m ). mj mj j Κατά τη διαδικασία της συγκομιδής, στο στάδιο συγκομιδής (χέρι) k, ο εργάτης με κωδικό n i (1 i Δ ) επισκέπτεται ένα σύνολο δέντρων Nn (, k). Έτσι, k i δημιουργείται η συνάρτηση b( ) : N( n, k) {1,..., N( n, k) } (ο δείκτης i δείχνει i i i τον αριθμό του κάθε εργάτη), η οποία για κάθε δέντρο j Nn (, k σειρά με την οποία ο εργάτης επισκέπτεται το j-οστό δέντρο. i ), επιστρέφει την Επομένως το συνολικό πρόβλημα μπορεί να διατυπωθεί ως εξής: κατά τη διάρκεια κάθε σταδίου συγκομιδής k, για κάθε εργάτη n i ανιχνεύεται ο κωδικός κάθε δέντρου m j που επισκέφτηκε και έτσι παράγεται η συνάρτηση b( ) : N( n, k) {1,..., N( n, k) } i i i που συσχετίζει τον εργάτη n i με το σύνολο των δέντρων Nn (, k) που επισκέφτηκε. Η αντίστροφη συνάρτηση i b 1 ( ) :{1,..., N( n, k) } N( n, k) i i i δίνει τη σειρά με την οποία επισκέφτηκε ο εργάτης τα δέντρα. Έτσι, η σειρά με την οποία ο εργάτης επισκέπτεται τα δέντρα δίνονται από την απαρίθμηση σ =< b (1), b (2),..., b ( N( n, k) ) >. i i i i i Επίσης, l q, (1 q B) ο κωδικός κάθε τελάρου και w(l q ) το βάρος (kg) των καρπών που τοποθετούνται στο κάθε τελάρο l q. Αν καθοριστεί η συσχέτιση των γεμάτων καρπών τελάρων l q με τον εργάτη που τα συγκόμισε [σύνολο Dn ( i, k) το στάδιο k, τότε η παραγωγή που συσχέτισε ο εργάτης υπολογίζεται από τη σχέση: ], για pn ( i, k) = wl ( q) lq D( ni, k) (8.1.1) Σελ. 134

135 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Η συνολική παραγωγή του εργάτη δίνεται από τη σχέση pn ( ) = pn (,1) + pn (, k) +... pn (, S), όπου S είναι ο συνολικός αριθμός των σταδίων i i i i (χέρια) συγκομιδής (π.χ. S=2 ή 3 χέρια). Τέλος η συνολική παραγωγή P h του αγροτεμαχίου h, δίνεται από τη σχέση: Δ Δ S Δ P = p( n ) = p( n, k) = w( l ) h i i i= 1 i= 1 k= 1 i= 1 k= 1 lq D( ni, k) S q (8.1.2) 8.2 Διαδικασία Καταγραφής Κίνησης του Εργάτη Για τον καθορισμό των «καταστάσεων» στις οποίες μπορεί να βρίσκεται κάθε εργάτης κατά την παραδοσιακή συγκομιδή των καρπών χρησιμοποιήθηκε η θεωρητική ανάλυση της συγκομιδής με τη χρήση της γλώσσας UML. Η εργασία η οποία έχει μεγαλύτερο ενδιαφέρον να μελετηθεί είναι η χειροσυλλογή των καρπών και η τοποθέτησή τους σε τελάρα (διακριτό μέρος α-σχήμα , ανάλυση με UML) και όχι τόσο η διαδικασία συλλογής των γεμάτων τελάρων και τοποθέτησης τους στην πλατφόρμα του ελκυστήρα (διακριτό μέρος β), η οποία διαρκεί πολύ λίγο σε σχέση με το διακριτό μέρος α (βλέπε ανάλυση UML, διακριτό μέρος β). Παρακάτω θα αναλυθούν οι τεχνολογίες και οι μέθοδοι που προτείνονται για την παρακολούθηση της πορείας των εργατών και ως μελλοντική εργασία, την ανίχνευση της κατάστασης στην οποία βρίσκονται κάθε χρονική στιγμή. Επίσης, παρουσιάζονται οι περιορισμοί-όρια των τεχνολογιών που θα χρησιμοποιηθούν και οι δυνατότητές τους στην λεπτομερή ανίχνευση των καταστάσεων των εργατών. 8.3 Υλικά Τεχνολογίες Για την παρακολούθηση της πορείας των εργατών κάθε χρονική στιγμή, κατά τη χειροσυλλογή των καρπών και τοποθέτησή τους στα τελάρα (διακριτό μέρος α pick up), χρησιμοποιήθηκαν οι τεχνολογίες: i. Dead Reckoning Module (DRM ) 4000 ii. Αναγνώστης γραμμωτών κωδικών (Barcode Reader) iii. GPS (Διαφορικό ή απλό GPS) Ο αναγνώστης γραμμωτών κωδικών (Barcode Reader) που χρησιμοποιήθηκε για την ανίχνευση της κατάστασης των εργατών παρουσιάστηκε και αναλύθηκε στο Σελ. 135

136 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ προηγούμενο κεφάλαιο, όπως και το διαφορικό GPS. Παρακάτω θα εξεταστεί το DRM και στη συνέχεια θα παρουσιαστεί η μέθοδος που χρησιμοποιήθηκε για την επίλυση του προβλήματος Dead Reckoning Module (DRM ) 4000 Το DRM 4000 είναι μία μικρή ηλεκτρονική συσκευή η οποία μπορεί να ανιχνεύσει την κίνηση ενός ανθρώπου (βηματισμό) καθώς και τον προσανατολισμό του και επομένως μπορεί να υπολογίσει τη σχετική του θέση από ένα σημεία αναφοράς (σημείο εκκίνησης). Μπορεί επίσης, να συνδεθεί με ένα GPS και να δεχθεί δεδομένα NMEA για να βελτιώσει την πρόβλεψη της θέσης. Τα δεδομένα από το GPS δεν είναι απαραίτητα για τη λειτουργία του DRM. Όταν όμως υπάρχουν δεδομένα από ένα GPS, τα οποία είναι καλής ποιότητας, τότε ένα εσωτερικό φίλτρο Kalman «τρέχει» για να βελτιώσει την εκτίμηση της θέσης. Το DRM βασίζει την πρόβλεψη της θέσης στο βηματισμό του χρήστη, στο μαγνητικό Βορρά και στο βαρομετρικό ύψος. Στο σχήμα παρουσιάζεται η πλακέτα του DRM 4000 (διαστάσεις 2 επί 2 επί 0.6, βάρος 2g). Η σύνδεση J1 (10-pin interface) είναι για την επικοινωνία με το GPS, το Η/Υ και για την τροφοδοσία του (2.8 με 5.5 Volts). Η σύνδεση με Η/Υ είναι απαραίτητη για την αποθήκευση των δεδομένων του DRM. Σχήμα 8.3.1: Dead Reckoning Module DRM Σελ. 136

137 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Το DRM 4000 μετρά τη μετατόπιση του χρήστη από ένα σημείο έναρξης ή από την αφετηρία με τη υπολογισμό της κατεύθυνσης και την μέτρηση της απόστασης που διανύει με κάθε βήμα του. Η κατεύθυνση της πορείας υπολογίζεται με τη χρήση μιας εσωτερικής ηλεκτρονικής πυξίδας και από γυροσκόπια. Η απόσταση που διανύει ο χρήστης υπολογίζεται με τον βηματισμό του χρησιμοποιώντας τα δεδομένα από επιταχυνσιόμετρα. Εάν το σημείο εκκίνησης είναι γνωστό, η απόσταση και η κατεύθυνση κάθε βήματος μπορεί να υπολογιστεί και επομένως να εκτιμηθεί η θέση του χρήστη οποιαδήποτε χρονική στιγμή. Όταν υπάρχουν δεδομένα από ένα GPS (δεν είναι ενσωματωμένο με την πλακέτα) διορθώνεται ο υπολογισμός της θέσης και του προσανατολισμού, αφού «τρέξει» το φίλτρο Kalman και βάσει της ποιότητας των δεδομένων του GPS (αριθμός δορυφόρων, HDOP). Στο σχήμα παρουσιάζεται η αρχιτεκτονική της ηλεκτρονικής πλακέτας του DRM 4000 με τα βασικά στοιχεία του. Το DRM χρησιμοποιεί τους παρακάτω ηλεκτρονικούς αισθητήρες για τον υπολογισμό της κίνησης του χρήστη στις τρεις διαστάσεις (x, y, z): 1) τρία μαγνητόμετρα πυριτίου για να μετρήσουν το γήινο μαγνητικό πεδίο, 2) τρία επιταχυνσιόμετρα πυριτίου παρέχουν δυναμικά και στατικά δεδομένα που επιτρέπουν την ανίχνευση των βημάτων του χρήστη, 3) τρία γυροσκόπια (MEMS) για τη σταθεροποίηση της πυξίδας, 4) ένας μετατροπέας βαρομετρικής πίεσης μετράει την ατμοσφαιρική πίεση και επιτρέπει τον υπολογισμό του βαρομετρικού ύψους και 5) ένας αισθητήρας θερμοκρασίας μετράει το περιβάλλον όλων των άλλων αισθητήρων για να παρέχει τη δυνατότητα αντιστάθμισης των δεδομένων των αισθητήρων με τις αλλαγές στη θερμοκρασία. Σελ. 137

138 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Σχήμα 8.3.2: Αρχιτεκτονική συστήματος DRM Οι προδιαγραφές και τα χαρακτηριστικά του DRM 4000 παρουσιάζονται στο σχήμα Σύμφωνα με το σχήμα αυτό το σφάλμα στον υπολογισμό της θέσης του χρήστη είναι 2%, χωρίς τη βελτίωση της θέσης από το GPS. Το σφάλμα αυτό συσσωρεύεται κατά τη διάρκεια της κίνησης του χρήστη με αποτέλεσμα μετά από κάποιο χρονικό διάστημα ο υπολογισμός της θέσης του χρήστη να μην είναι ακριβής. Επιπλέον, πρέπει να συνυπολογιστεί και το σφάλμα της πυξίδας του DRM ή οποιαδήποτε παρεμβολή (π.χ. μεταλλική) που μπορεί να αυξήσει το σφάλμα στους υπολογισμούς της θέσης. Αυτό οδηγεί στο συμπέρασμα ότι η διόρθωση στις μετρήσεις του DRM (π.χ. με αξιόπιστα δεδομένα από το GPS) είναι απαραίτητη. Σελ. 138

139 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Σχήμα 8.3.3: Προδιαγραφές του DRM Στο σχήμα παρουσιάζεται η τοποθέτηση του DRM 4000 σε ένα κουτί στο οποίο υπάρχουν τρεις θύρες, μία για την αμφίδρομη σειριακή επικοινωνία (RS232) με τον Υ/Η, μία για τη μονόδρομη σειριακή επικοινωνία (RS232) με το GPS και μία για την τροφοδοσία του DRM. Στο σχήμα τοποθετήθηκε και ένα κέρμα του ενός ευρώ για να γίνει πιο εύκολα αντιληπτό το μέγεθος τόσο της πλακέτας DRM 4000 όσο και του κουτιού. Στα σχήματα και αναπαριστάται η σύνδεση (επικοινωνία) του DRM4000 με τον Η/Υ και το GPS. Το κουτί και κατά συνέπεια η πλακέτα DRM 4000 προτείνεται να τοποθετηθεί στην πλάτη του χρήστη και μακριά από μεταλλικά αντικείμενα. Σελ. 139

140 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Σχήμα 8.3.4: Τοποθέτηση της πλακέτας DRM 4000 σε κουτί με τρεις θύρες: 1) για τροφοδοσία, 2) επικοινωνία με Η/Υ και 3) επικοινωνία με GPS. Power Supply DRM 4000 BOX send GPS receive send PC Σχήμα 8.3.5: Επικοινωνία του DRM 4000 με τον Η/Υ και το GPS. Σελ. 140

141 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Σχήμα 8.3.6: Σχηματική αναπαράσταση της σύνδεσης του DRM 4000 με τον Η/Υ και το GPS. 8.4 Προτεινόμενη Μέθοδος: Σύστημα DRM Barcode Όπως παρατηρείται στο σχήμα 8.3.3, το σφάλμα στον υπολογισμό της θέσης του χρήστη, από το DRM, είναι περίπου 2% (κατασκευαστικά στοιχεία), στο οποίο πρέπει να συνυπολογιστούν και τυχόν παρεμβολές από μεταλλικά αντικείμενα. Το σφάλμα αυτό κρίνεται πολύ μεγάλο για την παρακολούθηση της κίνησης των εργατών, κατά τη διαδικασία της χειροσυλλογής των καρπών. Στις εφαρμογές αυτές πρέπει να είναι γνωστό σε ποιο δέντρο βρίσκεται (ποιο δέντρο συγκομίζει) ο εργάτης και ένα σφάλμα του μεγέθους αυτού μπορεί να οδηγήσει, ύστερα από κάποιο χρονικό διάστημα, σε μη ορθή συσχέτιση της θέσης του εργάτη με το δέντρο το οποίο επισκέφτηκε. Επομένως, η διόρθωση του υπολογισμού της θέσης, από το DRM, του χρήστη κατά τακτά χρονικά διαστήματα κρίνεται αναγκαία. Η χρήση ενός διαφορικού DGPS, με σφάλμα στις μετρήσεις περίπου 20 cm, το οποίο θα συνδέονταν με το DRM (σχήματα 8.3.4, και 8.3.6), θα βοηθούσε στη διόρθωση της θέσης. Αντίθετα, ένα απλό GPS, με σφάλμα στις μετρήσεις περίπου 2 m, θα δημιουργούσε περισσότερα σφάλματα στον υπολογισμό της θέσης του χρήστη. Επειδή ένα διαφορικό DGPS δεν είναι εύκολα φορητό σε έναν εργάτη, λόγω του όγκου και του Σελ. 141

142 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ βάρους του, αλλά και επειδή τα δεδομένα από το DGPS είναι ασυνεχή και χαμηλής ακρίβειας σε οπωρώνες με σχετικά μεγάλα δέντρα, με μεγάλη επιφάνεια φυλλώματος (κόμη), επιλέχτηκε μία διαφορετική προσέγγιση για τη βελτίωση του υπολογισμού της θέσης από το DRM. Η μεθοδολογία που ακολουθήθηκε (σύστημα DRM-barcode) για την παρακολούθηση της κίνησης του εργάτη κατά την διάρκεια της χειροσυλλογής των καρπών είναι (Ampatzidis and Vougioukas, 2010): i. Ετικέτες γραμμωτών κωδικών (barcodes) επικολλήθηκαν σε κάθε δέντρο. Έτσι, δημιουργήθηκε ένας πίνακας (ή μία βάση δεδομένων) L ο οποίος περιέχει τον κωδικό (barcode-id) του κάθε δέντρου m j και τη γεωγραφική του θέση ( x, y ) = L ( m ). mj mj j ii. Το DRM τοποθετήθηκε στην πλάτη του εργάτη, για τον υπολογισμό της θέσης του και συνδέθηκε με τον Η/Υ (αμφίδρομη επικοινωνία, σχήμα 8.4.1). iii. Ένας αναγνώστης barcode, ο οποίος τοποθετήθηκε στο χέρι του εργάτη (χρήστη), συνδέθηκε με τον Η/Υ, ο οποίος συνδέθηκε με το DRM στη θύρα του GPS (RS-232, σχήμα 8.3.7). iv. Αναπτύχθηκε λογισμικό (σε γλώσσα C++) έτσι ώστε κάθε φορά που ο αναγνώστης barcode διαβάζει έναν γραμμωτό κωδικό (m j ), από ένα δέντρο, να ανιχνεύει τις συντεταγμένες του x, y (πίνακας L), να κατασκευάζει μία γραμματοσειρά NMEA (πρωτόκολλο GPS) με τις συντεταγμένες αυτές (με ποιότητα σήματος «άριστη») και να τη στέλνει (σειριακά) στο DRM (σχήμα 8.4.1). v. Ο εργάτης θα πρέπει κάθε φορά που επισκέπτεται ένα δέντρο να ανιχνεύει, με τον αναγνώστη barcode, τον κωδικό του δέντρου, έτσι ώστε το λογισμικό να προσομοιώνει και να στέλνει στο DRM ένα σήμα GPS, με τις συντεταγμένες του δέντρου, ώστε να βελτιώνεται ο υπολογισμός της θέσης του χρήστη. mj mj Σελ. 142

143 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Send GPS data (NMEA) Σχήμα 8.4.1: Σύνδεση του αναγνώστη barcode με τον Η/Υ, όπου μετατρέπεται το ID του δέντρου σε γραμματοσειρά NMEA και στέλνεται στο DRM μέσω της θύρα του GPS. Με την μεθοδολογία αυτή προσομοιώνονται, ουσιαστικά, τα δεδομένα του GPS με τη χρήση του αναγνώστη barcode και του λογισμικού που αναπτύχθηκε. Η θέση κάθε δέντρου στον αγρό μπορεί να υπολογιστεί, μία φορά, με τη χρήση ενός DGPS και να κατασκευαστεί ο χάρτης των δέντρων. Το λογισμικό διαβάζει, μέσω του αναγνώστη barcode, τον κωδικό του δέντρου m j (γραμμωτό κωδικό), ανατρέχει στον πίνακα L και βρίσκει τις συντεταγμένες του x, y, κατασκευάζει μία γραμματοσειρά, βάσει του πρωτοκόλλου NMEA, με τις συντεταγμένες αυτές και με ποιότητα σήματος «άριστη» (quality=2 DGPS signal, HDOP=0.2, Number of satellites=12) και τέλος στέλνει τη γραμματοσειρά αυτή στο DRM. Στη συνέχεια το DRM «τρέχει» το εσωτερικό φίλτρο Kalman και διορθώνει τη θέση του χρήστη. Επειδή, κάθε φορά που ανιχνεύεται ένας κωδικός barcode στέλνεται και ένα σήμα άριστης ακρίβειας, αφού η θέση κάθε δέντρου έχει μετρηθεί με μεγάλη ακρίβεια, στο DRM, αυτό βασίζεται μόνο στα δεδομένα αυτά (προσομοιωμένα δεδομένα GPS) και διορθώνει τον προσδιορισμό της θέσης. Με τον τρόπο αυτό βελτιώνεται κατά πολύ η ακρίβεια του DRM και κατά επέκταση ο προσδιορισμός της θέσης του χρήστη. Τα δεδομένα από το DRM αλλά και από τον αναγνώστη γραμμωτών κωδικών mj mj Σελ. 143

144 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ αποθηκεύονται στον Η /Υ, ο οποίος είναι συνδεδεμένος σειριακά (RS-232, σχήματα και 8.4.1) με το DRM. Αναπτύχθηκε ένα λογισμικό σε C++ και σε Matlab το οποίο αναλύει τα δεδομένα του DRM (θέση του εργάτη κάθε χρονική στιγμή) και του αναγνώστη γραμμωτών κωδικών ώστε να καταγράφεται η κίνηση του χρήστη (εργάτη) μέσα στον οπωρώνα και καταγράφεται η σειρά επίσκεψης του εργάτη στα δέντρα (συσχέτιση εργάτη-δέντρων) βάσει του χάρτη των δέντρων. Επίσης, δίνεται η δυνατότητα για την ολοκλήρωση μίας μελλοντικής εργασίας, της ανίχνευσης της «κατάστασης» που βρίσκεται ο εργάτης κάθε χρονική στιγμή. Οι «καταστάσεις» που πρέπει να ανιχνευτούν, κατά την διάρκεια της χειροσυλλογής των καρπών και τοποθέτησή τους σε τελάρα, σύμφωνα με τη μοντελοποίηση με τη γλώσσα UML (κύκλοι, σχήμα 8.4.2), είναι: α) ανενεργός (idle), β) κινείται (moving), γ) κινεί τη σκάλα (Moving Ladder), δ) ανεβαίνει τη σκάλα (climbing), ε) συλλέγει φρούτα και τα τοποθετεί σε κουβάδες (Picking in basket), ζ) κατεβαίνει από τη σκάλα (descending) και η) άδειασμα των γεμάτων κουβάδων στα τελάρα (Putting fruits in bin). Κάποιες από τις καταστάσεις αυτές θα μπορούσαν να ανιχνευτούν με την παρούσα μεθοδολογία, όμως θα έπρεπε να τροποποιηθεί η διαδικασία της χειροσυλλογής, κάτι το οποίο δεν είναι επιθυμητό. Για παράδειγμα η ανίχνευση της κατάστασης «Moving Ladder» μπορεί να επιτευχθεί με την τοποθέτηση γραμμωτών κωδικών στη σκάλα και κάθε φορά που ο εργάτης την κινεί να διαβάζεται πρώτα ο κωδικός της, από τον αναγνώστη barcode. Επίσης, η ανίχνευση της κατάστασης «Putting fruits in bin» μπορεί να επιτευχθεί εάν διαβάζεται ο γραμμωτός κωδικός κάθε τελάρου κατά το άδειασμα των φρούτων του κουβά στο τελάρο. Αυτές οι τροποποιήσεις της διαδικασίας της χειροσυλλογής θα επηρέαζαν τον χρόνο διεκπεραίωσης της εργασίας αυτής αλλά και θα βασίζονταν στη βούληση των εργατών. Οι «καταστάσεις» που μπορούν να ανιχνευτούν, με το σύστημα αυτό, είναι (κόκκινο χρώμα - σχήμα 8.4.2): i) ανεβαίνει τη σκάλα (climbing), ii) συλλέγει φρούτα και τα τοποθετεί σε κουβάδες (Picking in basket) πάνω στη σκάλα, iii) κατεβαίνει από τη σκάλα (descending). Σελ. 144

145 Κεφ. 8: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ ΜΕ ΧΡΗΣΗ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ Σχήμα 8.4.2: Διάγραμμα καταστάσεων του κάθε εργάτη κατά τη χειροσυλλογή και τοποθέτηση των καρπών σε τελάρα. Με κόκκινο χρώμα οι «καταστάσεις» που μπορούν να ανιχνευτούν με το σύστημα DRM-barcode. Ακόμα και εάν κάποιος εργάτης ξεχάσει να διαβάσει τον κωδικό κάποιου δέντρου το σύστημα DRM-barcode μπορεί να ανιχνεύσει, μέσω της κίνησης του εργάτη, τη συσχέτιση δέντρου-εργάτη. Έτσι, μπορεί να ανιχνευτεί και η «ποιότητα» της εργασίας κάθε εργάτη, ώστε να είναι εφικτό το ημερομίσθιο να συνδεθεί τόσο με την «ποσοτική» όσο και με την «ποιοτική» εργασία του κάθε ατόμου. Με τον τρόπο αυτό θα δοθεί κίνητρο στους εργάτες ώστε να προσέχουν την ποιότητα της εργασίας τους. Βέβαια, η «ποιοτική» εργασία μπορεί να ανιχνευτεί εκ των υστέρων και όχι με το παρόν σύστημα (π.χ. να ελεγχθεί η ποιότητα των συγκομισμένων καρπών στο συσκευαστήριο/διαλογητήριο, ο τραυματισμός των δέντρων κτλ.). Σε επόμενο κεφάλαιο θα παρουσιαστούν κάποια αρχικά πειράματα για την αξιολόγηση του συστήματος DRM-barcode και τη δυνατότητα συσχέτιση εργάτη με τα δέντρα που επισκέφτηκε και την ανίχνευση της κατάστασης που βρίσκεται ο εργάτης κάθε χρονική στιγμή. Σελ. 145

146 4 η ΕΝΟΤΗΤΑ ΠΕΙΡΑΜΑΤΑ ΑΠΟΤΕΛΕΣΜΑΤΑ 9. ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ ΑΞΙΟΛΟΓΗΣΗ 10. ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ ΑΞΙΟΛΟΓΗΣΗ

147 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ 9. ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ ΑΞΙΟΛΟΓΗΣΗ Στο κεφάλαιο αυτό παρουσιάζεται η πειραματική αξιολόγηση των μεθόδωντεχνολογιών επίλυσης του προβλήματος TBAYM, δηλαδή του προβλήματος συσχέτισης των δέντρων με τα τελάρα που περιέχουν τους καρπούς τους. Αναλύεται ο σχεδιασμός των πειραμάτων, παρουσιάζονται αποτελέσματα προκαταρτικών πειραμάτων και στη συνέχεια αναλύονται τα κύρια πειράματα για την αξιολόγηση των τεσσάρων μεθόδων. 9.1 Σχεδιασμός Πειραμάτων Οι τέσσερις μέθοδοι επίλυσης του προβλήματος TBAYM αξιολογήθηκαν και συγκρίθηκαν κατά τη διάρκεια της συγκομιδής οπωροφόρων δέντρων. Πρώτα όμως και επειδή σε τρεις από τις τέσσερις μεθόδους (τρεις πρώτες) χρησιμοποιείται η τεχνολογία RFID, πραγματοποιήθηκαν δοκιμαστικά πειράματα, ώστε να εξεταστεί η ακρίβεια ανίχνευσης a και γενικά η αξιοπιστία του συστήματος RFID. Τα δοκιμαστικά πειράματα ήταν τριών ειδών: εξετάστηκε α) η ακρίβεια ανίχνευσης των παθητικών κωδικών RFID στα δέντρα, β) η ακρίβεια ανίχνευσης των παθητικών κωδικών στα κιβώτια και γ) η ακρίβεια ανίχνευσης του συστήματος RFID (1 η μέθοδος επίλυσης του προβλήματος TBAYM) κατά τη συλλογή των γεμάτων τελάρων στον αγρό και η σωστή τοποθέτηση των γεμάτων τελάρων κοντά στους κορμούς των δέντρων από όπου συγκομίστηκαν οι καρποί. Τα δοκιμαστικά πειράματα (α) και (β) πραγματοποιήθηκαν στο αγρόκτημα της Γεωπονικής Σχολής του Α.Π.Θ., ενώ το πείραμα (γ) διεξήχθη σε ένα αγροτεμάχιο στη Επισκοπή Ναούσης, στο νομό Ημαθίας. Στη συνέχεια οι παραπάνω μέθοδοι αξιολογήθηκαν κατά τη διάρκεια της διαδικασίας συλλογής των γεμάτων τελάρων με δύο πειράματα, σε δύο διαφορετικούς οπωρώνες, με διαφορετικά είδη δέντρων (ροδάκινα και ακτινίδια). Οι δύο οπωρώνες βρίσκονται στην Επισκοπή Ναούσης, στο νομό Ημαθίας. Το πρώτο πείραμα (πείραμα μικρού σκέλους) διεξήχθη σε ένα αγροτεμάχιο (οπωρώνας) με 120 δέντρα ροδακινιάς, τα οποία ήταν τοποθετημένα σε 12 σειρές, με 10 δέντρα ανά σειρά. Τα διαστήματα φύτευσης ήταν 5 m μεταξύ των σειρών και 5 m πάνω στη σειρά. Τα δέντρα ηλικίας 9 ετών είχαν ύψος m. Το πείραμα Σελ. 147

148 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ πραγματοποιήθηκε σε 10 ζεύγη δέντρων και επαναλήφθηκε οκτώ φορές για κάθε μέθοδο ( 4 χωρίς το ζυγό και 4 με το ζυγό), ώστε να συγκριθεί η αξιοπιστία των τεσσάρων μεθόδων (με ζυγό και χωρίς) και να υπολογιστούν οι τιμές απόδοσης των μεθόδων: ακρίβεια ανίχνευσης a και αποδοτικότητα συλλογής (φόρτωσης) l. Το δεύτερο πείραμα (πείραμα μεγάλου σκέλους) διεξήχθη σε έναν οπωρώνα με 72 δέντρα ακτινιδίων, τα οποία ήταν τοποθετημένα σε 6 σειρές, με 12 δέντρα ανά σειρά. Τα διαστήματα φύτευσης ήταν 4 m μεταξύ των σειρών και 4 m πάνω στη σειρά. Τα δέντρα ηλικίας 9 ετών είχαν ύψος m και ήταν έτσι διαμορφωμένα ώστε να καλύπτουν εξολοκλήρου το έδαφος. Αυτό είχε ως αποτέλεσμα τα δεδομένα από το GPS να είναι τελείως ανακριβή, με αποτέλεσμα να μην μπορούν να χρησιμοποιηθούν οι μέθοδοι ii και iv, οι οποίες βασίζονται στα δεδομένα του DGPS για την επίλυση του σταδίου Ανίχνευση Δέντρων. Σκοπός του πειράματος αυτού ήταν η αξιολόγηση της ακρίβεια ανίχνευσης a των μεθόδων i και iii, καθώς και ο υπολογισμός της παραγωγής των ζευγών δέντρων. Επίσης, μελετήθηκε και υπολογίστηκε η καθυστέρηση που παράγεται από τη μειωμένη χωρητικότητα της πλατφόρμας λόγω της τοποθέτησης του PIWU πάνω σε αυτή. Το πείραμα πραγματοποιήθηκε σε όλο τον οπωρώνα - πείραμα μεγάλου σκέλους. 9.2 Δοκιμαστικά Πειράματα Πειραματική Αξιολόγηση της Ακρίβειας Ανίχνευσης των Ετικετών RFID στα Δέντρα Η αποτελεσματική ανίχνευση των παθητικών κωδικών RFID, από τον αναγνώστη RFID (για ένα δεδομένο ύψος των κεραιών του αναγνώστη) εξαρτάται από τη θέση και τον προσανατολισμό των ετικετών στα δέντρα. Έτσι, για την εύρεση της καλύτερης θέσης και προσανατολισμού, 20 παθητικές ετικέτες RFID τοποθετήθηκαν σε 20 κορμούς δέντρων, κατά μήκος δύο σειρών δέντρων (10 ζεύγη δέντρων), σχεδόν 0.5 m από το έδαφος. Η κεραία RFID τοποθετήθηκε σε πλατφόρμα μεταφοράς, σχεδόν 1.5 m από το έδαφος, μαζί με ένα DGPS (σχήμα 9.2.1). Οι ετικέτες ήταν προσανατολισμένες προς την πορεία της κεραία RFID, δηλαδή, η κύρια επιφάνειά τους ήταν ευθυγραμμισμένη με τον άξονα των γραμμών και γενικά ήταν τοποθετημένες στην πλευρά του δέντρου όπου θα ήταν ορατές (στο πεδίο ανίχνευσης) καθώς θα κινούνταν η κεραία RFID (ελκυστήρας - πλατφόρμα). Σελ. 148

149 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.2.1: Τοποθέτηση της κεραίας RFID στην πλατφόρμα του ελκυστήρα, 1.5 m από το έδαφος και ενός DGPS. Όταν ο ελκυστήρας με την πλατφόρμα μεταφοράς κινήθηκε δια μέσου των γραμμών δέντρων μόνο 2 από τις 20 ετικέτες RFID ανιχνεύτηκαν (α=10%). Το πείραμα αυτό επαναλήφτηκε μία ακόμη φορά με τις ετικέτες RFID τοποθετημένες σε μεγάλα κλαδιά δέντρων (και όχι στους κορμούς), σχεδόν m από το έδαφος, με τον ίδιο προσανατολισμό (σχήμα 9.2.2). Στην περίπτωση αυτή ο αναγνώστης RFID ανίχνευσε 18 από τις 20 ετικέτες (α=90%). Όταν δοκιμάστηκε η τοποθέτηση των ετικετών με διαφορετικό προσανατολισμό, στο ίδιο ύψος ( m), τότε η ακρίβεια ανίχνευσης ήταν πάντα μικρότερη από 90%. Βάσει του δοκιμαστικού πειράματος αυτού, κρίθηκε ότι η τοποθέτηση των ετικετών RFID στα δέντρα είναι καθοριστικής σημασίας. Είναι προτιμότερο να τοποθετούνται οι ετικέτες σε κλαδιά δέντρων (και όχι στους κορμούς), σχεδόν 1.2 m από το έδαφος, με προσανατολισμό προς τον άξονα της σειράς των δέντρων και προς την κεραία RFID. Δοκιμές πρέπει να πραγματοποιούνται για την καλύτερη τοποθέτηση των ετικετών στα δέντρα, ώστε να επιτυγχάνεται 100% ανίχνευσή τους από τον αναγνώστη RFID. Σε όλα τα πειράματα που θα εξεταστούν παρακάτω οι ετικέτες RFID τοποθετήθηκαν σε κατάλληλα κλαδιά των δέντρων, ύστερα από δοκιμές. Σελ. 149

150 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.2.2: Τοποθέτηση παθητικής ετικέτας RFID σε κλαδί δέντρου (και όχι στον κορμό), m από το έδαφος Πειραματική Αξιολόγηση της Ακρίβειας Ανίχνευσης των Ετικετών RFID στα Τελάρα Σε αυτό το δοκιμαστικό πείραμα επικολλήθηκαν 160 παθητικές ετικέτες RFID σε 80 άδεια τελάρα (μία ετικέτες σε κάθε μεγάλη πλευρά των τελάρων-σχήμα 9.2.3), τα οποία τοποθετήθηκαν σε τυχαίες θέσης δίπλα από τους κορμούς δύο σειρών δέντρων (σχήμα 9.2.4). Η κεραία RFID τοποθετήθηκε σε πλατφόρμα μεταφοράς, σχεδόν 1.5 m από το έδαφος (σχήμα 9.2.1). Σχήμα 9.2.3: Επικόλληση των παθητικών RFID σε τελάρα. Σελ. 150

151 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.2.4: Τοποθέτηση των τελάρων, στα οποία επικολλήθηκαν ετικέτες RFID, σε τυχαίες θέσεις δίπλα από τους κορμούς των δέντρων. Ο ελκυστήρας, με την πλατφόρμα μεταφοράς, κινήθηκε μεταξύ των δύο σειρών δέντρων και σταμάτησε λίγα μέτρα μπροστά από κάθε ζεύγος δέντρων ώστε να ανιχνευθούν οι ετικέτες RFID (κωδικοί των τελάρων). Τα τελάρα παρέμειναν στο έδαφος και δεν τοποθετήθηκαν στην καρότσα. Μόνο 30 από τα 80 τελάρα (α=37.5%) ανιχνεύτηκαν. Το πείραμα επαναλήφτηκε με τη διαφορά ότι τα τελάρα φορτώνονταν στην καρότσα. Στην περίπτωση αυτή όλα τα τελάρα (80 τελάρα, α=100%) ανιχνεύτηκαν, τα περισσότερα κατά την τοποθέτησή τους στην πλατφόρμα και όχι όταν βρίσκονταν στο έδαφος. Το παραπάνω πείραμα επαναλήφτηκε με γεμάτα καρπούς τελάρα (σχήμα 9.2.5). Όταν τα τελάρα παρέμειναν στο έδαφος και δεν τοποθετήθηκαν στην καρότσα τότε η ακρίβεια ανίχνευσης ήταν α=35%. Αντίθετα, όταν το πείραμα πραγματοποιήθηκε με συλλογή των τελάρων και τοποθέτησή τους στην καρότσα, τότε όλα ανιχνεύτηκαν (α=100%), κυρίως κατά την τοποθέτησή τους στην καρότσα και όχι όταν βρίσκονταν στο έδαφος. Σελ. 151

152 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.2.5: Επικόλληση παθητικών ετικετών σε γεμάτα ροδάκινα τελάρα. Με βάσει τα παραπάνω πειράματα βρέθηκε ότι περίπου το ένα τρίτο των κωδικών των τελάρων ανιχνεύονταν στο έδαφος και τα υπόλοιπα κατά τη συλλογή και τοποθέτησή τους στην πλατφόρμα μεταφοράς. Το ποσοστό ανίχνευσης των κωδικών των τελάρων στο έδαφος μπορεί να αυξηθεί εάν η κεραία RFID τοποθετηθεί σε μεγαλύτερο ύψος, το οποίο βέβαια δεν είναι δυνατό σε έναν οπωρώνα λόγω των κλαδιών των δέντρων (σχήμα 9.2.1) Πειραματική Αξιολόγηση της Ακρίβειας Ανίχνευσης του Συστήματος RFID Εισαγωγή Σχεδιασμός Πειράματος Στον πίνακα παρουσιάζονται τα στοιχεία του πειράματος. Ο οπωρώνας περιείχε δέντρα ροδακινιάς, από τα οποία επιλέχτηκαν 20 δέντρα (δέκα ζεύγη δέντρων) για τη διεξαγωγή του πειράματος, τα οποία βρίσκονταν σε δύο γειτονικές σειρές δέντρων. Σε κάθε ζεύγος δέντρων επικολλήθηκε μια ετικέτα RFID, πάνω σε κλαδιά και όχι στον κύριο κορμό ώστε να είναι πιο εύκολη η ανίχνευσή του από τον αναγνώστη RFID. Για την συσχέτιση των ζευγών δέντρων με τα γεμάτων τελάρα χρησιμοποιήθηκε μόνο ο αναγνώστης RFID (μέθοδος i). Σελ. 152

153 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Πίνακας 9.2.1: Στοιχεία δοκιμαστικού πειράματος αξιολόγησης του συστήματος RFID. Ημερομηνία Διεξαγωγής 30/06/2007 Τοποθεσία Επισκοπή Νάουσας Ποικιλία FairBright (Νεκταρίνια) Ύψος Δέντρων: 3-3,5 m Ηλικία 9 ετών Αποστάσεις Φύτευσης 5 χ 4,5 m 20 Δέντρα Αριθμός Δέντρων (10 κωδικοί/ζεύγος Πειράματος δέντρων) Αριθμός Τελάρων 40 Ο αριθμός των τελάρων του πειράματος, τα οποία τοποθετήθηκαν δίπλα στους κορμούς των 20 δέντρων, ήταν 40. Η κεραία RFID τοποθετήθηκε σε πλατφόρμα μεταφοράς, σχεδόν 1.5 m από το έδαφος και ο ελκυστήρας κινήθηκε ανάμεσα στις δύο σειρές δέντρων για τη συλλογή των τελάρων (σχήμα 9.2.6). Πραγματοποιήθηκαν δύο επαναλήψεις του πειράματος (πίνακας 9.2.2) με τον ίδιο αριθμό τελάρων ανά ζεύγος δέντρων (πίνακας 9.2.3), χωρίς όμως τα ίδια τελάρα (κωδικοί τελάρων) να βρίσκονται κάτω από τα ίδια δέντρα και στις δύο επαναλήψεις. Παρακάτω παρουσιάζονται τα αποτελέσματα κάθε επανάληψης ξεχωριστά (υπολογισμός ακρίβειας ανίχνευσης α) και στη συνέχεια παρατίθενται τα συνολικά συμπεράσματα του πειράματος, Πίνακας 9.2.2: Επαναλήψεις πειράματος και μέθοδος επίλυσης του προβλήματος TBAYM που χρησιμοποιείται σε κάθε επανάληψη. Μέθοδος Καταγραφή δέντρων και τελάρων με χρήση RFID Επαναλήψεις (μέθοδος i) Επανάληψη 1 + Επανάληψη 2 + Σελ. 153

154 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Πίνακας 9.2.3: Κατανομή των γεμάτων τελάρων ανά ζεύγος δέντρων και στις 2 επαναλήψεις του πειράματος. Ζεύγη δέντρων Κωδικοί ζευγών δέντρων Αριθμός τελάρων/ ζεύγος δέντρων (Ground Truth) 1 ο ο ο ο ο ο ο ο ο ο Σχήμα 9.2.6: Συλλογή των γεμάτων τελάρων και τοποθέτησή τους σε πλατφόρμα μεταφοράς. Κεραία RFID τοποθετημένη στην πλατφόρμα. Σελ. 154

155 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Επανάληψη 1 η Σε αυτή την επανάληψη ανιχνεύτηκαν όλοι οι κωδικοί (παθητικές ετικέτες RFID), τελάρων και δέντρων. Οπότε, η ακρίβεια ανίχνευσης τόσο για τα ζεύγη δέντρων όσο και για τα τελάρα ήταν α=100%. Λόγω όμως της λάθους τοποθέτησης ενός γεμάτου τελάρου, με κωδικό ID=8820, που αντιστοιχούσε στο 4 ο ζεύγος δέντρων και το οποίο τοποθετήθηκε πιο κοντά στους κορμούς του 3 ου ζεύγους δέντρων, η συσχέτιση μεταξύ ζευγών δέντρων και τελάρων παρουσίασε το εξής σφάλμα: αντί να αντιστοιχηθούν 4 τελάρα στο 3 ο ζεύγος δέντρων καταγράφηκαν 5 και κατά συνέπεια καταχωρήθηκε ένα λιγότερο τελάρο στο 4 ο ζεύγος δέντρων (2 αντί για 3 τελάρα, σχήμα 9.2.7). Πιο αναλυτικά, κατά τη φόρτωση των τελάρων του 3 ου ζεύγους δέντρων στη πλατφόρμα, ο αναγνώστης RFID ανίχνευσε το τελάρο με κωδικό 8820, που αντιστοιχεί στο επόμενο ζεύγος δέντρων (4 ο ζεύγος), όταν αυτό βρισκόταν στο έδαφος. Έτσι το λογισμικό ομαδοποίησε το τελάρο αυτό (που περιείχε του καρπούς του 4 ου ζεύγους δέντρων) στο 3 ο ζεύγος δέντρων. Σχήμα 9.2.7: Συσχέτιση της πραγματικής κατανομής των τελάρων και των δεδομένων με τη χρήση του συστήματος RFID. Στον πίνακα παρουσιάζεται ενδεικτικά η συσχέτιση ζευγών δέντρων με τα γεμάτα τελάρα, η οποία πραγματοποιήθηκε από το λογισμικό αυτόματα και παρατίθεται ο χρόνος ανίχνευσης των ετικετών RFID (δέντρων και κιβωτίων). Σελ. 155

156 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Πίνακας 9.2.4: Συσχέτιση ζευγών δέντρων (Ενδεικτικά για τα πρώτα 5) με γεμάτα τελάρα και χρόνος ανίχνευσης των ετικετών RFID. Με κόκκινο χρώμα παρουσιάζονται οι κωδικοί των ζευγών δέντρων. Ζεύγη Κωδικοί Χρόνος Αριθμός δέντρων RFID ανίχνευσης (s) τελάρων ο 2 ο 3 ο ο ο Στο σχήμα παρουσιάζονται οι χρόνοι ανίχνευσης των κωδικών RFID, τόσο των τελάρων όσο και των δέντρων κατά την εκτέλεση της 1 ης επανάληψης του πειράματος. Σελ. 156

157 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.2.8: Χρόνοι ανίχνευσης κωδικών δέντρων και τελάρων (1 η επανάληψη) Επανάληψη 2 η Σε αυτή την επανάληψη του πειράματος ανιχνεύτηκαν όλοι οι κωδικοί, τελάρων και δέντρων (α=100%). Επίσης, δεν παρατηρήθηκε λάθος αντιστοίχηση ζεύγους δέντρων και γεμάτων τελάρων, γιατί όλα τα τελάρα τοποθετήθηκαν σχετικά κοντά στους κορμούς των δέντρων, από όπου συγκομίστηκαν οι καρποί τους. Στο σχήμα παρουσιάζεται η συσχέτιση ζευγών δέντρων με τα γεμάτα τελάρα, καθώς και ο χρόνος ανίχνευσης των ετικετών RFID (δέντρων και τελάρων). Σχήμα 9.2.9: Χρόνοι ανίχνευσης κωδικών δέντρων και τελάρων (2 η επανάληψη). Σελ. 157

158 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Συμπεράσματα Πειράματος Στις δύο επαναλήψεις του πειράματος ανιχνεύτηκαν όλοι οι κωδικοί RFID (παθητικές ετικέτες) τόσο στα δέντρα όσο και στα τελάρα. Επομένως, η ακρίβεια ανίχνευσης ήταν α=100%. Επίσης, στην 1η επανάληψη μελετήθηκε η επίδραση της τοποθέτηση ενός γεμάτου καρπούς τελάρου σε λάθος θέση, σε απόσταση από τον κορμό του δέντρου από όπου συγκομίστηκαν οι καρποί του. Αυτό είχε ως αποτέλεσμα τη λανθασμένη συσχέτιση του τελάρου με το ζεύγος δέντρων στο οποίο αντιστοιχεί. Επομένως, η τοποθέτηση των τελάρων κοντά στον κορμό των δέντρων, από όπου συγκομίστηκαν οι καρποί, είναι απαραίτητη. Στη 2η επανάληψη τα τελάρα τοποθετήθηκαν σε θέσεις κοντά στους κορμούς των δέντρων, από όπου συγκομίστηκαν οι καρποί τους και έτσι δεν παρουσιάστηκε κανένα λάθος στη συσχέτιση ζευγών δέντρων και τελάρων Πειράματα Αξιολόγησης των Μεθόδων Επίλυσης του Προβλήματος TBAYM Πείραμα Μικρού Σκέλους Εισαγωγή Σχεδιασμός Πειράματος Τα δέντρα, ηλικίας 9 ετών, κλαδεύονταν μία φορά το χρόνο, κάθε φθινόπωρο, με τεχνική παρόμοια του ψαροκόκαλου, έτσι ώστε να αφήνονται 3 με 4 βραχίονες σε κάθε δέντρο (ύψος δέντρων m). Για την παραγωγή του χάρτη των δέντρων (tree map) ένα DGPS τοποθετήθηκε σε στην κορυφή ενός σωλήνα 3 μέτρων και μετρήθηκε η απόλυτη θέση (UTM m) κάποιων δέντρων ενδεικτικά, κυρίως στις γωνίες του οπωρώνα. Στη συνέχεια βάσει των σταθερών αποστάσεων φύτευσης των δέντρων υπολογίστηκε η θέση τους στο αγροτεμάχιο (σχήμα 9.3.1). Με τον τρόπο αυτών δημιουργήθηκε ο πίνακας ( x, y ) = L( m ) με τον κωδικό κάθε δέντρου m i mi mi i και τις αντίστοιχες απόλυτες συντεταγμένες του (UTM). Τα δέντρα του οπωρώνα αριθμήθηκαν ως εξής: η πρώτη σειρά δέντρων περιέχει τα δέντρα από 1 έως 10, η δεύτερη τα δέντρα από 11 έως 20 κ.ο.κ. (σχήμα 9.3.1). Επομένως, στο 1 ο ζεύγος δέντρων αντιστοιχούν τα δέντρα 1 και 11, στο 2 ο τα δέντρα 2 και 12 κτλ. Σελ. 158

159 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.3.1: Διάταξη δέντρων στον οπωρώνα με δέντρα ροδακινιάς. Στο συγκεκριμένο πείραμα (πείραμα μικρού σκέλους) επιλέχτηκαν 10 ζεύγη δέντρων, λόγω του περιορισμένου αριθμού των ετικετών RFID (98 κομμάτια 20 για τα δέντρα και 78 για τα τελάρα, δύο σε κάθε τελάρο). Επειδή ο αριθμός των τελάρων που χρησιμοποιήθηκαν στο πείραμα αυτό (39 τελάρα) ήταν μικρότερος από τη χωρητικότητα της πλατφόρμας (περίπου 70 τελάρα), η καθυστέρηση, λόγω της μειωμένης χωρητικότητας της πλατφόρμας μεταφοράς όταν χρησιμοποιείται το PIWU, είναι μηδενική ( T RC = 0 ). Ο πίνακας παρουσιάζει συνοπτικά στοιχεία του πειράματος και του οπωρώνα. Το πείραμα επαναλήφθηκε οκτώ φορές για κάθε μέθοδο επίλυσης του προβλήματος TBAYM (4 χωρίς το ζυγό και 4 με το ζυγό), ώστε να συγκριθεί η αξιοπιστία των τεσσάρων μεθόδων (με ζυγό και χωρίς) και να υπολογιστούν οι τιμές απόδοσης των μεθόδων: ακρίβεια ανίχνευσης a και αποδοτικότητα συλλογής (φόρτωσης) l. T RC Σελ. 159

160 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Πίνακας 9.3.1: Στοιχεία πειράματος. Ημερομηνία Διεξαγωγής 20/07/2007 Τοποθεσία Επισκοπή Νάουσας Ποικιλία Super Furtuna (συμπύρηνα) Ύψος Δέντρων: 3-3,5 m Ηλικία 9 ετών Αποστάσεις 5 χ 5 m Αριθμός Δέντρων 20 Δέντρα (10 κωδικοί/ανά Πειράματος ζεύγος δέντρων) Αριθμός Τελάρων 39 Πιο αναλυτικά σκοπός του συγκεκριμένου πειράματος ήταν α) o έλεγχος της αξιοπιστίας των τεσσάρων διαφορετικών μεθόδων επίλυσης του TBAYM, δηλαδή η επιτυχία της συσχέτισης των ζευγών δέντρων με τα τελάρα που περιέχουν τους καρπούς τους και ο υπολογισμός της ακρίβεια ανίχνευσης a, β) η επίδραση των μεθόδων στον παραδοσιακό τρόπο συλλογής των τελάρων και κυρίως η επίδραση (αύξηση) στον χρόνο συλλογής των τελάρων από τον οπωρώνα και ο υπολογισμός της αποδοτικότητας συλλογής (φόρτωσης) l για κάθε μέθοδο (με χρήση ζυγού και χωρίς). Το πείραμα χωρίζεται σε δύο ομάδες (set), στις οποίες χρησιμοποιήθηκαν και οι τέσσερεις μέθοδοι. Οι ετικέτες RFID στα δέντρα τοποθετήθηκαν σε εμφανή σημεία, σε χοντρά κλαδιά, έτσι ώστε να ανιχνεύονται 100% από τον αναγνώστη RFID. Για την αποφυγή λάθους στη συσχέτιση τελάρων με ζεύγη δέντρων, τα γεμάτα καρπούς τελάρα τοποθετήθηκαν κοντά στους κορμούς των δέντρων από όπου συγκομίστηκαν (σχήμα 9.3.2). Στη συνέχεια ο ελκυστήρας με την πλατφόρμα μεταφοράς κινήθηκε διαμέσου των ζευγών δέντρων και εργάτες τοποθετούσαν τα γεμάτα τελάρα στην πλατφόρμα (σχήμα 9.3.3). Όταν όλα τα τελάρα από τα 20 δέντρα συλλέγονταν τότε τοποθετούνταν ξανά κάτω από τα δέντρα, έτσι ώστε το πείραμα να επαναληφθεί. Αυτό είχε ως αποτέλεσμα, σε κάθε επανάληψη, κάθε δέντρο να περιέχει διαφορετικό σύνολο τελάρων (κωδικών), αλλά ο ίδιος αριθμός τελάρων να υπάρχει πάντα δίπλα από κάθε δέντρο (πίνακας 9.3.2). Σελ. 160

161 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.3.2: Τοποθέτηση γεμάτων καρπούς τελάρων δίπλα στους κορμούς των δέντρων. Σχήμα 9.3.3: Τοποθέτηση των γεμάτων τελάρων στην πλατφόρμα μεταφοράς. Σελ. 161

162 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Πίνακας 9.3.2: Κατανομή των γεμάτων τελάρων ανά ζεύγος δέντρων σε όλες τις επαναλήψεις του πειράματος. Ζεύγη δέντρων Κωδικοί ζευγών Αριθμός τελάρων/ ζεύγος δέντρων δέντρων (Ground Truth) 1o BCBBB o BCBBB o BCBBB o BCBBB o BCBBB o BCBBB o BCBBB o BCBBB o BCBBB o BCBBB Ο χρόνος συλλογής των τελάρων στις μεθόδους i και ii, χωρίς τη χρήση του ζυγού, είναι ίσος με το χρόνο συλλογής στην παραδοσιακή διαδικασία (αναλύθηκε παραπάνω), δηλαδή: T = T = T + T, επειδή η ανίχνευση των ετικετών RFID είναι L1 Ls c m σχεδόν ακαριαία ( T id = 0 ). Αντίθετα, ο χρόνος συλλογής των τελάρων στις μεθόδους iii και iv, χωρίς τη χρήση του ζυγού, ορίζεται ως T = T + T + T. L2 c id Στην 1 η ομάδα η διαδικασία συλλογής των τελάρων επαναλήφθηκε 4 φορές με χρήση των τεσσάρων μεθόδων χωρίς το ζυγό, έτσι ώστε να απαλειφθεί ο χρόνος ζυγίσματος ( = 0 ). Οι επαναλήψεις είναι απαραίτητες γιατί πολλές τυχαίες παράμετροι επηρεάζουν τη διαδικασία συλλογής και οπότε πρέπει να υπολογιστούν μέσοι όροι των χαρακτηριστικών μεγεθών. Οι επαναλήψεις εκτελέστηκαν ως εξής: οι 4 επαναλήψεις των μεθόδων i και ii (χωρίς το ζυγό) πραγματοποιήθηκαν ταυτόχρονα. Δηλαδή, παθητικές ετικέτες RFID επικολλήθηκαν σε δέντρα και σε τελάρα και ο αναγνώστης RFID και το DGPS τοποθετήθηκαν στην πλατφόρμα μεταφοράς. Κάθε μέθοδος, σε κάθε επανάληψη, χρησιμοποιούσε τα δεδομένα από τους κατάλληλους αισθητήρες για τη συσχέτιση ζευγών δέντρων και γεμάτων τελάρων. Οι μέθοδοι αυτοί χρησιμοποιήθηκαν ταυτόχρονα γιατί έχουν ακριβώς τον ίδιο χρόνο συλλογής των τελάρων ( T w T L1 ). Επίσης, οι 4 επαναλήψεις των μεθόδων iii και iv (χωρίς το ζυγό) Σελ. 162 m

163 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ πραγματοποιήθηκαν ταυτόχρονα, γιατί και αυτές έχουν ακριβώς των ίδιο χρόνο συλλογής των τελάρων (πίνακας 9.3.3). T L2 Πίνακας 9.3.3: 1 η ομάδα επαναλήψεων της διαδικασίας συλλογής των τελάρων και χρήση των μεθόδων επίλυσης του TBAYM. Επαναλήψεις Μέθοδοι i και ii Μέθοδοι iii και iv (χωρίς ζυγό) (χωρίς ζυγό) 1 η η η η + + Στην 2 η ομάδα η διαδικασία συλλογής των τελάρων επαναλήφθηκε 4 φορές με χρήση των τεσσάρων μεθόδων μαζί με τον ζυγό, έτσι ώστε να υπολογιστεί η ακρίβεια ανίχνευσης a, η αποδοτικότητα συλλογής l (με τη χρήση του ζυγού) και η παραγωγή κάθε ζεύγους δέντρων στον αγρό. Στο σημείο αυτό πρέπει να αναφερθεί ότι ο αναγνώστης γραμμωτών κωδικών ανίχνευσε επιτυχώς όλους τους κωδικούς, κατά την τοποθέτηση των τελάρων στην ειδική θέση στο PIWU, χωρίς να χρειαστεί ούτε μία φορά να ξανατοποθετηθεί ένα τελάρο για ανίχνευση του κωδικού του. Επομένως, όταν τα τελάρα τοποθετούνταν στο PIWU για τη ζύγιση του βάρους τους, η καθυστέρηση της ζύγισης κάλυπτε την καθυστέρηση ανάγνωσης των γραμμωτών κωδικών. Ο αναγνώστης barcode ανιχνεύει τους γραμμωτούς κωδικούς μέσα σε 1 s από τη στιγμή που ένα τελάρο τοποθετείται στο PIWU, ενώ ο ψηφιακός ζυγός μεταδίδει τις μετρήσεις του μετά από 3-4 s. Άρα, όλες οι μέθοδοι (τέσσερεις) μπορούν να χρησιμοποιηθούν ταυτόχρονα, επικολλώντας κωδικούς RFID και barcode στα τελάρα, εφόσον οι εργάτες πρέπει να τοποθετούν τα γεμάτα τελάρα πρώτα στο ζυγό και μετά στην πλατφόρμα (σχήμα 9.3.4). Έτσι, σε αυτή την ομάδα μόνο τέσσερεις επαναλήψεις πραγματοποιήθηκαν και τα δεδομένα από όλες τις μεθόδους καταγράφηκαν ταυτόχρονα (πίνακας 9.3.4). Ο χρόνος συλλογής των γεμάτων τελάρων, σε αυτή την ομάδα επαναλήψεων, είναι ίσος για όλες τις μεθόδους, δηλαδή: T = T = T + T + T L1 L2 c w m. pm (, m) i j Σελ. 163

164 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.3.4: Τοποθέτηση των γεμάτων τελάρων πρώτα στην ειδική θέση στο PIWU και μετά στην πλατφόρμα μεταφοράς. Πίνακας 9.3.4: 2 η ομάδα επαναλήψεων της διαδικασίας συλλογής των τελάρων και χρήση των μεθόδων επίλυσης του TBAYM. Μέθοδοι i έως Επαναλήψεις iv με χρήση του ζυγού 1 η + 2 η + 3 η + 4 η Αποτελέσματα Πειράματος Μικρού Σκέλους Το πείραμα χωρίζεται σε δύο ομάδες και επομένως, τα αποτελέσματα κάθε ομάδας θα αναλυθούν ξεχωριστά. Σελ. 164

165 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Ομάδα Επαναλήψεων 1 η Το πείραμα επαναλήφτηκε 4 φορές για τις τέσσερις μεθόδους χωρίς τη χρήση του ζυγού (πίνακας 9.3.3). Παρακάτω, εξετάζεται η αξιοπιστία κάθε μεθόδου και υπολογίζεται η ακρίβεια ανίχνευσης a για κάθε μέθοδο και στη συνέχεια η αποδοτικότητα συλλογής l. 1 η Μέθοδος: Καταγραφή δέντρων και τελάρων με χρήση RFID. Όταν ο ελκυστήρας σταματούσε λίγα μέτρα μπροστά από ένα ζεύγος δέντρων, για τη συλλογή των γεμάτων τελάρων, ο αναγνώστης RFID ανίχνευε επιτυχώς μόνο τους κωδικούς των νέων ετικετών (δέντρων και τελάρων). Πρώτα ανίχνευε τους κωδικούς των δέντρων και στη συνέχεια, κυρίως κατά την τοποθέτηση των τελάρων στην πλατφόρμα, τους κωδικούς των τελάρων. Η συσχέτιση μεταξύ ζευγών δέντρων και γεμάτων τελάρων πραγματοποιήθηκε αυτόματα, χρησιμοποιώντας τη διαδικασία που αναπτύχθηκε παραπάνω και δε παρατηρήθηκε καμία εσφαλμένη μέτρηση. Δεν ανιχνεύτηκε μόνο ένα τελάρο στην τρίτη επανάληψη, το οποίο τοποθετήθηκε τελευταίο στην πλατφόρμα μεταφοράς. Επομένως, η ακρίβεια ανίχνευσης των τελάρων στη μέθοδο αυτή, για όλες τις επαναλήψεις, ήταν a =99.36% (1 απώλεια ανίχνευσης ενός τελάρου διά 39 τελάρα επί 4 επαναλήψεις). Αντίθετα, οι ετικέτες των δέντρων ανιχνεύτηκαν όλες επιτυχώς, χωρίς καμία απώλεια. Στο σχήμα παρουσιάζεται ο χρόνος ανίχνευσης των ετικετών (ζευγών δέντρων και τελάρων) από τον αναγνώστη RFID κατά την τρίτη επανάληψη. Ο πίνακας παρουσιάζει τον συνολικό χρόνο συλλογής των τελάρων και τον χρόνο συλλογής ανά τελάρο για κάθε επανάληψη. Η μέθοδος αυτή, χωρίς το ζυγό, δεν επηρεάζει τον παραδοσιακό (συνήθη) χρόνο συλλογής των γεμάτων τελάρων, δηλαδή η αποδοτικότητα συλλογής για την μέθοδο i είναι l=100%. Ο χρόνος συλλογής ανά τελάρο υπολογίστηκε διαιρώντας το συνολικό χρόνο συλλογής με τον αριθμό των τελάρων (39) και φυσικά ισχύει T 1 = T = 7.93 s. L Ls Σελ. 165

166 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα 9.3.5: Χρόνοι ανίχνευσης κωδικών RFID, ζευγών δέντρων και τελάρων κατά την 3 η επανάληψη, μέθοδος i. Πίνακας 9.3.5: Χρόνος συλλογής των τελάρων (s) για την 1 η ομάδα επαναλήψεων με τις μεθόδους i και ii (χωρίς τη χρήση του ζυγού). Συνολικός Ομάδα (set) χρόνος Επανάληψη r επαναλήψεων συλλογής τελάρων Χρόνος συλλογής ανά τελάρο T L1 Μέθοδοι επίλυσης του TBAYM i και ii (χωρίς ζυγό) 1 η 1 η η η η Μέσος όρος Τυπική απόκλιση Σελ. 166

167 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ 2 η Μέθοδος: Υπολογισμός θέσης με GPS και καταγραφή τελάρων με χρήση RFID. Από το σύνολο των τεσσάρων επαναλήψεων μόνο σε δύο πραγματοποιήθηκε επιτυχώς η συσχέτιση μεταξύ ζευγών δέντρων και τελάρων που περιέχουν τους καρπούς τους με τη μέθοδο αυτή. Αυτό οφείλεται στο ότι τα δεδομένα από το GPS ήταν είτε εσφαλμένα (με πολύ θόρυβο ), είτε ασυνεχή λόγω της επίδρασης της κόμης των δέντρων. Έτσι, ενώ η ακρίβεια ανίχνευσης των τελάρων στη μέθοδο αυτή ήταν, όπως και στην προηγούμενη μέθοδο, a =99.36%, αφού πραγματοποιήθηκαν ταυτόχρονο (βλέπε σχεδιασμό πειράματος-πίνακα 9.3.3), η συσχέτιση επιτεύχτηκε μόνο στο 50% των επαναλήψεων του πειράματος (3 η και 4 η ). Στο σχήμα παρουσιάζεται η πορεία της πλατφόρμας κατά τη συλλογή των τελάρων και η θέση της κάθε φορά που ανιχνεύονταν ένας κωδικός τελάρου από τον αναγνώστη RFID, σε μία επιτυχή επανάληψη του πειράματος. Σχήμα 9.3.6: Καταγραφή της πορείας της πλατφόρμας μεταφοράς κατά τη συλλογή των τελάρων και της θέσης της κάθε φορά που ανιχνεύονταν ένα τελάρο από τον αναγνώστη RFID (3 η επανάληψη). Η συσχέτιση μεταξύ ζευγών δέντρων και γεμάτων τελάρων πραγματοποιήθηκε αυτόματα, χρησιμοποιώντας τη διαδικασία που αναπτύχθηκε παραπάνω και δε παρατηρήθηκε καμία εσφαλμένη μέτρηση. Δεν ανιχνεύτηκε μόνο ένα τελάρο στην τρίτη επανάληψη και επομένως, η ακρίβεια ανίχνευσης των τελάρων στη μέθοδο αυτή ήταν α=99.36% (βλέπε μέθοδο i). Στον πίνακα παρουσιάζεται ενδεικτικά η συσχέτιση μεταξύ ζευγών δέντρων και γεμάτων τελάρων, σε μια επιτυχή επανάληψη. Η 5 η στήλη περιέχει τους κωδικούς των δέντρων, τα οποία βρίσκονται κοντινότερα στην κεραία του DGPS, κατά τη χρονική στιγμή που ο αναγνώστης RFID ανιχνεύει Σελ. 167

168 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ ένα νέο τελάρο. Η 6 η στήλη περιέχει τους κωδικούς των ζευγών των δέντρων στα οποία αντιστοιχούν τα γεμάτα τελάρα. Η στήλη 2 περιέχει το χρόνο ανίχνευσης των γεμάτων τελάρων σε δευτερόλεπτα (s) μετρούμενα από τη στιγμή 00:00:00 (ή 24:00:00) της ίδιας μέρας, π.χ. 10:55:07=39,307 s. Πίνακας 9.3.6: Συσχέτιση μεταξύ ζευγών δέντρων και γεμάτων τελάρων με τη μέθοδο ii. Χρόνος Κωδικοί Tree s Northing Tree s Easting Κωδικός Ζεύγη ανίχνευσης τελάρων (UTM-m) (UTM-m) δέντρων δέντρων (s) Οι επαναλήψεις των μεθόδων i και ii, χωρίς το ζυγό, πραγματοποιήθηκαν ταυτόχρονα επειδή δεν επηρεάζουν το χρόνο συλλογής των τελάρων, όπως ήδη αναλύθηκε. Επομένως, ισχύει και για αυτή τη μέθοδο T 1 = T = 7.93 s και η αποδοτικότητα συλλογής είναι l=100%, όπως και παραπάνω (πίνακας 9). L Ls 3 η Μέθοδος: Καταγραφή δέντρων με χρήση RFID και τελάρων με χρήση γραμμωτών κωδικών (barcodes). Ο αναγνώστης RFID ανίχνευσε επιτυχώς τους κωδικούς των ζευγών δέντρων και ο αναγνώστης barcode κατέγραψε τους κωδικούς των τελάρων, χωρίς σφάλμα, σε Σελ. 168

169 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ όλες τις επαναλήψεις του πειράματος. Η ακρίβεια ανίχνευσης των τελάρων στη μέθοδο αυτή, για τις τέσσερεις επαναλήψεις της ομάδας 1, ήταν a =100%. Στο σχήμα παρουσιάζεται ο χρόνος ανίχνευσης των ετικετών των ζευγών δέντρων, από τον αναγνώστη RFID και τελάρων από τον αναγνώστη barcode, κατά την τέταρτη επανάληψη. Από το σχήμα παρατηρείται ότι η ανίχνευση των τελάρων, από τον αναγνώστη barcode, γίνεται σε σταθερά περίπου χρονικά διαστήματα, κατά την τοποθέτησή τους στην ειδική θέση στο PIWU, αντίθετα με την ανίχνευση των κωδικών RFID των τελάρων στη μέθοδο i (σχήμα 9.3.5), η οποία πραγματοποιείται σε τυχαία διαστήματα. Σχήμα 9.3.7: Χρόνοι ανίχνευσης κωδικών RFID ζευγών δέντρων και κωδικών barcode τελάρων κατά την 4 η επανάληψη, μέθοδος iii. Ο χρόνος συλλογής των τελάρων αυξήθηκε, λόγω της διαδικασίας συλλογής με τη μέθοδο αυτή (βλέπε ανάλυση μεθόδου iii). Στον πίνακα παρουσιάζεται ο συνολικός χρόνος συλλογής των τελάρων και ο χρόνος συλλογής ανά τελάρο για κάθε επανάληψη. Ένα t-test πραγματοποιήθηκε στον συνολικό χρόνο συλλογής των τελάρων μεταξύ των δύο πρώτων μεθόδων και των δύο τελευταίων (πίνακες και 9.3.7), χρησιμοποιώντας την συνάρτηση TTEST() του Excel. Αυτή η συνάρτηση χρησιμοποιεί τη μέθοδο Welch για να αποδείξει ότι οι μέσοι όροι των δεδομένων των Σελ. 169

170 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ δύο συνόλων είναι στατιστικώς διαφορετικοί. Υποθέτοντας ότι η κατανομή των παραπάνω χρόνων είναι κανονική, ένα δίπλευρο τεστ πραγματοποιήθηκε, με 5% επίπεδο σημαντικότητας και έδωσε μια τιμή p=4.243e-004, η οποία αποδεικνύει τη στατιστική διαφορά των δύο μέσων όρων. Πίνακας 9.3.7: Χρόνος συλλογής των τελάρων (s) για την 1 η ομάδα επαναλήψεων με τις μεθόδους iii και iv (χωρίς τη χρήση του ζυγού). Συνολικός Ομάδα (set) χρόνος Επανάληψη r επαναλήψεων συλλογής τελάρων Χρόνος συλλογής ανά τελάρο T L2 Μέθοδοι επίλυσης του TBAYM iii και iv (χωρίς ζυγό) 1 η 1 η η η η Μέσος όρος Τυπική απόκλιση Ο υπολογιζόμενος χρόνος συλλογής ανά τελάρο ( T L2 = 9.07 s), για τη μέθοδο αυτή, αυξήθηκε κατά 14% σε σχέση με το χρόνο συλλογής στην τυπική (παραδοσιακή) διαδικασία συλλογής των τελάρων ( T Ls = 7.93 s). Επομένως, η αποδοτικότητα συλλογής για τη μέθοδο αυτή, χωρίς το ζυγό, είναι TLs l2 = 100 = 87.4%. T L2 4 η Μέθοδος: Υπολογισμός θέσης με GPS και καταγραφή τελάρων με χρήση γραμμωτών κωδικών (barcodes). Η μέθοδος αυτή είναι η μόνη που δεν χρησιμοποιεί την τεχνολογία RFID. Στο σημείο αυτό πρέπει να αναφερθεί ότι οι 4 επαναλήψεις της μεθόδου αυτής πραγματοποιήθηκαν ταυτόχρονα με τη μέθοδο iii, επειδή και οι δύο έχουν ακριβώς Σελ. 170

171 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ τον ίδιο χρόνο συλλογής των τελάρων (πίνακας 9.3.7) και επομένως την ίδια TLs αποδοτικότητα συλλογής l2 = 100 = 87.4%. T L2 Από το σύνολο των τεσσάρων επαναλήψεων μόνο σε δύο (2ο και 4ο) πραγματοποιήθηκε επιτυχώς η συσχέτιση μεταξύ ζευγών δέντρων και τελάρων που περιέχουν τους καρπούς τους με τη μέθοδο αυτή. Αυτό οφείλεται πάλι στο ότι τα δεδομένα από το GPS ήταν είτε εσφαλμένα (με πολύ θόρυβο ), είτε ασυνεχή λόγω της επίδρασης της κόμης των δέντρων. Έτσι, ενώ η ακρίβεια ανίχνευσης των τελάρων, από τον αναγνώστη barcode, στη μέθοδο αυτή ήταν, όπως και στην προηγούμενη μέθοδο, a =100%, αφού πραγματοποιήθηκαν ταυτόχρονα (βλέπε σχεδιασμό πειράματος-πίνακα 9.3.3), η συσχέτιση πραγματοποιήθηκε μόνο στο 50% των επαναλήψεων του πειράματος. Στο σχήμα παρουσιάζεται η πορεία της πλατφόρμας κατά την συλλογή των τελάρων και η θέση της κάθε φορά που ανιχνεύονταν ένας κωδικός τελάρου από τον αναγνώστη barcode, σε μία επιτυχή επανάληψη του πειράματος (2η). Σχήμα 9.3.8: Καταγραφή της πορείας της πλατφόρμας μεταφοράς κατά τη συλλογή των τελάρων και της θέσης της κάθε φορά που ανιχνεύονταν ένα τελάρο από τον αναγνώστη barcode (2 η επανάληψη-1 η ομάδα) Ομάδα Επαναλήψεων 2 η Το πείραμα επαναλήφτηκε 4 φορές, ταυτόχρονα και για τις τέσσερεις μεθόδους με χρήση του ζυγού (πίνακας 9.3.4). Αυτό γιατί, όπως εξηγήθηκε παραπάνω, ο χρόνος συλλογής των γεμάτων τελάρων, με τη χρήση του ζυγού, είναι ίσος για όλες τις μεθόδους, δηλαδή: TL1 = TL2 = Tc + Tw + T m. Έτσι, όλοι οι αισθητήρες (DGPS, Σελ. 171

172 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ αναγνώστης RFID, PIWU-αναγνώστης barcode και ψηφιακός ζυγός-) τοποθετήθηκαν στην πλατφόρμα του ελκυστήρα και η συλλογή των τελάρων επαναλήφθηκε 4 φορές. Κάθε μέθοδος χρησιμοποιούσε τα δεδομένα από συγκεκριμένους αισθητήρες για τη συσχέτιση ζευγών δέντρων και τελάρων. Παρακάτω, υπολογίζεται η ακρίβεια ανίχνευσης a για κάθε μέθοδο και η αποδοτικότητα συλλογής l για όλες τις μεθόδους μαζί (με χρήση του ζυγού). Κανένα σφάλμα στην καταγραφή των δεδομένων, από τον αναγνώστη RFID και τον αναγνώστη γραμμωτών κωδικών, δεν παρουσιάστηκε. Η μέση ακρίβεια ανίχνευσης των ετικετών των τελάρων (είτε RFID είτε barcode), για κάθε μέθοδο και για τις τέσσερις επαναλήψεις ήταν a1 = a2 = a3 = a4 = 100%. Η καταγραφή των παθητικών ετικετών RFID των δέντρων, στις μεθόδους i και iii, πραγματοποιήθηκε επιτυχώς, χωρίς εσφαλμένες μετρήσεις. Έτσι, η συσχέτιση μεταξύ ζευγών δέντρων και γεμάτων τελάρων που περιέχουν τους καρπούς τους, στις μεθόδους i και iii, πραγματοποιήθηκε αυτόματα, χωρίς λάθη και στις 4 επαναλήψεις του πειράματος (100%). Αντίθετα, τα δεδομένα από το DGPS, τα οποία χρησιμοποιούνται από τις μεθόδους ii και iv για την ανίχνευση των κοντινότερων στην πλατφόρμα δέντρων, ήταν ακριβή και συνεχή μόνο σε δύο από τις τέσσερις επαναλήψεις (σχήμα 9.3.9). Για το λόγο αυτό, η συσχέτιση μεταξύ ζευγών δέντρων και γεμάτων τελάρων, στις μεθόδους ii και iv, πραγματοποιήθηκε αυτόματα μόνο στο 50% των επαναλήψεων του πειράματος (2 η και 3 η επανάληψη της διαδικασίας της συλλογής των τελάρων). Σχήμα 9.3.9: Καταγραφή της πορείας της πλατφόρμας μεταφοράς κατά τη συλλογή των τελάρων και της θέσης της κάθε φορά που ανιχνεύονταν ένα τελάρο από τον αναγνώστη RFID (3 η επανάληψη-2 η ομάδα). Σελ. 172

173 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Ο χρόνος συλλογής των τελάρων αυξήθηκε, λόγω της διαδικασίας συλλογής με τον ταυτόχρονο υπολογισμό του βάρους κάθε τελάρου στον αγρό (βλέπε ανάλυση της χρήσης του ζυγού για όλες τις μεθόδους). Στον πίνακα παρουσιάζεται ο συνολικός χρόνος συλλογής των τελάρων και ο χρόνος συλλογής ανά τελάρο για κάθε επανάληψη (2 η ομάδα επαναλήψεων). Πίνακας 9.3.8: Χρόνος συλλογής των τελάρων (s) για την 2 η ομάδα επαναλήψεων με τη χρήση του ζυγού (όλες οι μέθοδοι). Συνολικός Χρόνος Ομάδα (set) χρόνος συλλογής Επανάληψη r επαναλήψεων συλλογής ανά τελάρων τ ελάρο TL Όλες οι μέθοδοι επίλυσης του TBAYM (με χρήση ζυγού) 2 η 1 η η η η Μέσ ος όρος Τυπική απόκλιση Δύο δίπλευρα t-test πραγματοποιήθηκαν στο συνολικό χρόνο συλλογής των τελάρων μεταξύ των δύο πρώτων μεθόδων χωρίς το ζυγό (1η ομάδα επαναλήψεων, πίνακας 9.3.5) και με το ζυγό (2η ομάδα, πίνακας 9.3.8) και επίσης, μεταξύ των δύο τελευταίων μεθόδων χωρίς το ζυγό (1η ομάδα, πίνακας 9.3.7) και με το ζυγό (2η ομάδα, πίνακας 9.3.8), χρησιμοποιώντας τη συνάρτηση TTEST() του Excel. Τα δύο δίπλευρα τεστ (two-tailed tests), με 5% επίπεδο σημαντικότητας, έδωσαν για το p τιμές 1.392e-003 και 1.177e-002 αντίστοιχα, οι οποίες αποδεικνύουν τη στατιστική διαφορά των παραπάνω μέσων όρων. Ο υπολογιζόμενος χρόνος συλλο γής ανά τελάρο ( T L = T L1 = T L2 = s), για όλες τις μεθόδους με χρήση του ζυγού, αυξήθηκε κατά 33% σε σχέση με το χρόνο συλλογής στην τυπική (παραδοσιακή) διαδικασία συλλογής των τελάρων ( = 7.93 s) και 17% σε σχέση με τις μεθόδους iii και iv, όπου χρησιμοποιείται ο αν αγνώστης barcode για την καταγραφή των γραμμωτών κωδικών των τελάρων, χωρίς το ζυγό. Σελ. 173 T Ls

174 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Αυτή η αύξηση του χρόνου συλλογής των τελάρων οφείλεται στην καθυστέρηση που εισάγει η διαδικασία ζύγισης των τελάρων και η καθυστέρηση του υπολογισμού του βάρους από το ψηφιακό ζυγό. Ο αναγνώστης γραμμωτών κωδικών επηρεάζει το χρόνο συλλογής πολύ λίγο γιατί καταγράφει τους κωδικούς των τελάρων σχεδόν ακαριαία κατά την τοποθέτηση των τελάρων στην ειδική θέση στο PIWU. Η αποδοτικότητα συλλογής για όλες τις μεθόδους με χρήση του ψηφιακού ζυγού (2η T Ls l2 = 100 = 74.9% ομάδα), είναι T L. Στον πίνακα παρουσιάζεται η διακύμανση της μέτρησης του βάρους, από τον ψηφιακό ζυγό, για κάθε τελάρο και επανάληψη (2η ομάδα). Η πρώτη στήλη περιέχει τους γραμμωτούς κωδικούς κάθε τελάρου και οι επόμενες 4 στήλες περιέχουν τον υπολογισμό του βάρους των καρπών για κάθε επανάληψη. Στην 6η στήλη παρουσιάζεται ο μέσος όρος του υπολογισμού του βάρους των καρπών για κάθε επανάληψη και στην 7η παρατίθεται η τυπική απόκλιση. Πίνακας 9.3.9: Υπολογισμός του βάρους των γεμάτων καρπών τελάρων (kg) για κάθε επανάληψη της 2 ης ομάδας (αφαιρέθηκε το βάρος του άδειου τελάρου kg-). Γραμμωτοί κώδικες τελάρων 1 επανάληψη η η η η 2 επανάληψη Σελ επανάληψη 4 επανάληψη Μέσος όρος Τυπική απόκλιση

175 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σύνολο Τυπική α πόκλιση Από την στήλη 7 του πίνακα παρατηρείται ότι κάποιες τυπικές αποκλίσεις είναι αρκετά υψηλές π.χ kg για το τελάρο με κωδικό Αυτό οφείλεται στο γεγονός ότι κάποιες φορές οι εργάτες δεν τοποθετούσαν καλά τα γεμάτα τελάρα στην Σελ. 175

176 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ ειδική θέση στο PIWU με αποτέλεσμα να καταγράφεται λανθασμένη μέτρηση από το ζυγό π.χ. στην 4 η επανάληψη το βάρος των καρπών του τελάρου καταγράφηκε kg αντί για περίπου 23 kg. Ο μέσος όρος του βάρους των καρπών που περιέχουν τα τελάρα, για όλες τις επαναλήψεις της 2 ης ομάδας, υπολογίστηκε kg Πείραμα Μεγάλου Σκέλους Εισαγωγή Σχεδιασμός Πειράματος Στο σχήμα παρουσιάζεται η διαμόρφωση των δέντρων (ύψος m) τα οποία καλύπτουν εξ ολοκλήρου το έδαφος. Στο πείραμα αυτό εξετάστηκαν μόνο οι μέθοδοι: i- "καταγραφή δέντρων και τελάρων με χρήση RFID και iii- καταγραφή δέντρων με χρήση RFID και τελάρων με χρήση γραμμωτών κωδικών, γιατί τα δεδομένα από το GPS ήταν ανακριβή. Στο σχήμα παρουσιάζεται ο χάρτης των δέντρων (tree map) του οπωρώνα. Ο ελκυστήρας με την πλατφόρμα μεταφοράς κινήθηκε στις γραμμές/μονοπάτια u 1, u 3 και u 5 (σχήμα ) για τη συλλογή των γεμάτων καρπών τελάρων. Σχήμα : Χάρτης των δέντρων του οπωρώνα (πείραμα μεγάλου σκέλους). Ο ελκυστήρας κινήθηκε στα μονοπάτια u 1, u 3 και u 5 για τη συλλογή των τελάρων. Σελ. 176

177 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Στις πρώτες 4 γραμμές δέντρων (μονοπάτια u 1, u 3 ) χρησιμοποιήθηκαν οι δύο μέθοδοι (i και iii), μαζί με το ζυγό, ταυτόχρονα και στις δύο τελευταίες γραμμές δέντρων (μονοπάτι u 5 ) χρησιμοποιήθηκε μόνο η πρώτη μέθοδος (i) χωρίς το ζυγό, έτσι ώστε να υπολογιστεί η καθυστέρηση ( T RC ) που παράγεται από τη μειωμένη χωρητικότητα της πλατφόρμας λόγω της τοποθέτησης του PIWU πάνω σε αυτή. Για την παραγωγή του χάρτη των δέντρων (tree map) ένα DGPS τοποθετήθηκε στην κορυφή ενός σωλήνα 3 μέτρων και μετρήθηκε η απόλυτη θέση (UTM m) κάποιων δέντρων ενδεικτικά, κυρίως στις γωνίες του οπωρώνα. Στη συνέχεια βάσει των σταθερών αποστάσεων φύτευσης των δέντρων υπολογίστηκε η θέση τους στο αγροτεμάχιο (σχήμα ). Με τον τρόπο αυτόν δημιουργήθηκε ο πίνακας ( x, y ) = L( m ) με τον κωδικό κάθε δέντρου m i και τις αντίστοιχες απόλυτες mi mi i συντεταγμένες του (UTM). Τα δέντρα του οπωρώνα αριθμήθηκαν ως εξής: η πρώτη σειρά δέντρων περιέχει τα δέντρα από 1 έως 12, η δεύτερη τα δέντρα από 13 έως 25 κ.ο.κ. Επομένως, στο 1 ο ζεύγος δέντρων αντιστοιχούν τα δέντρα 1 και 13, στο 2 ο τα δέντρ α 2 και 14 κτλ. Σχήμα : Τοποθέτηση των ετικετών RFID σε εμφανή σημεία στα δέντρα ακτινιδίων. Οι ετικέτες RFID στα δέντρα τοποθετήθηκαν σε εμφανή σημεία (σχήμα ) έτσι ώστε να ανιχνεύονται 100% από τον αναγνώστη RFID. Για την αποφυγή λάθους στη συσχέτιση τελάρων με ζεύγη δέντρων, τα γεμάτα καρπούς τελάρα Σελ. 177

178 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ τοποθετήθηκαν κοντά στους κορμούς των δέντρων από όπου συγκομίστηκαν (σχήμα ). Σχήμα : Τοποθέτηση των γεμάτων τελάρων δίπλα στα δέντρα από όπου συγκομίστηκαν οι καρποί τους, στον οπωρώνα με ακτινίδια Αποτελέσματα Πειράματος Μεγάλου Σκέλους Οι δύο πρώτες γραμμές δέντρων του οπωρώνα περιέχουν μικρά, όχι πολύ υγιή δέντρα με μικρή παραγωγικότητα (μόνο 42 τελάρα), ενώ οι επόμενες 4 γραμμές περιέχουν δέντρα με κανονική παραγωγικότητα (74 τελάρα για την 3 η και 4 η, και 76 για τις δύο τελευταίες γραμμές δέντρων). Στον οπωρώνα αυτό υπήρχαν διάφορες μεταλλικές κατασκευές (σύρματα για στήριγμα των δέντρων κ.α.), οι οποίες όμως δεν επηρέασαν την ακρίβεια ανίχνευσης του αναγνώστη RFID, η οποία ήταν 100%. Παρακάτω αναλύονται τα αποτελέσματα των δύο μεθόδων (i και iii) επίλυσης του TBAYM ξεχωριστά. 1 η Μέθοδος: Καταγραφή δέντρων και τελάρων με χρήση RFID, χωρίς το ζυγό. Η μέθοδος αυτή χρησιμοποιήθηκε κατά τη συλλογή των γεμάτων τελάρων σε όλα τα μονοπάτια (u 1, u 3 και u 5, σχήμα ), έτσι ώστε να επιλυθούν τα στάδια ανίχνευσης των δέντρων και καταγραφής των τελάρων του προβλήματος TBAYM. Η ανίχνευση των παθητικών κωδικών πραγματοποιήθηκε επιτυχώς, χωρίς καμία απώλεια ( a = 100% RFID των τελάρων ). Η συσχέτιση μεταξύ Σελ. 178

179 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ ζευγών δέντρων και γεμάτων τελάρων πραγματοποιήθηκε αυτόματα, χρησιμοποιώντας τη διαδικασία που αναπτύχθηκε παραπάνω και δε παρατηρήθηκε καμία εσφαλμένη συσχέτιση για όλες τις γραμμές δέντρων. Στο σχήμα παρουσιάζεται ο χρόνος ανίχνευσης των ετικετών (ζευγών δέντρων και τελάρων), από τον αναγνώστη RFID, κατά την συλλογή των τελάρων στο μονοπάτι u 1. Σχήμα : Χρόνοι ανίχνευσης κωδικών RFID, δέντρων και γεμάτων τελάρων, κατά τη συλλογή των τελάρων του μονοπατιού u 1. Οι 3 η και 4 η γραμμές δέντρων (μονοπάτι u 3 ) και οι 5 η και 6 η γραμμές δέντρων (μονοπάτι u 5 ) περιέχουν περίπου τον ίδιο αριθμό γεμάτων τελάρων (74 και 76 αντίστοιχα). Παρόλα αυτά, τα τελάρα από το μονοπάτι u 3 συλλέχτηκαν σε δύο περάσματα του ελκυστήρα (σχήμα ), λόγω της μειωμένης χωρητικότητας της πλατφόρμας μεταφοράς με τη χρήση του PIWU. Αντίθετα, τα τελάρα από το μονοπάτι u 5 συλλέχτηκαν με ένα πέρασμα του δενδροκομικού ελκυστήρα, επειδή το PIWU δεν χρησιμοποιήθηκε (σχήμα ). Σελ. 179

180 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Χρόνοι ανίχνευσης κωδικών RFID, δέντρων και γεμάτων τελάρων, κατά τη συλλογή των τελάρων του μονοπατιού u 3. Η συλλογή των γεμάτων τελάρων πραγματοποιήθηκε με δύο περάσματα του ελκυστήρα. Σχήμα : Χρόνοι ανίχνευσης κωδικών RFID, δέντρων και γεμάτων τελάρων, κατά τη συλλογή των τελάρων του μονοπατιού u 5. Η συλλογή των γεμάτων τελάρων πραγματοποιήθηκε με ένα πέρασμα του ελκυστήρα. Σελ. 180

181 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Με τον τρόπο αυτό μπορεί να υπολογιστεί η καθυστέρησ η που οφείλεται στη μειωμένη χωρητικότητα της πλατφόρμας μεταφοράς, ανά τελάρο, κατά τη συλλογή των τελάρων του μονοπατιού u 3, ως το χρονικό διάστημα από τη στιγμή που η πλατφόρμα γεμίζει μέχρι να γυρίσει πίσω για την συλλογή των εναπομεινάντων τελάρων, αφού πρώτα ξεφόρτωσε τα τελάρα σε μεγαλύτερο ελκυστήρα. Αυτός ο συνολικός χρόνος (1631 s) διαιρούμενος με 74 τελάρα παράγει μία εκτίμηση της καθυστέρησης λόγω μειωμένης χωρητικότητας της πλατφόρμας T RC = s. Αυτό βέβαια είναι μια γενική εκτίμηση, επειδή περιέχει το χρόνο ξεφορτώματος των γεμάτων τελάρων σε μεγαλύτερη πλατφόρμα για τη μεταφορά τους στο συσκευαστήριο. Δυο μέθοδοι (i και iii) με ζυγό Οι δύο μέθοδοι με τη χρήση του ζυγού χρησιμοποιήθηκαν κατά τη συλλογή των γεμάτων τελάρων στα μονοπάτια u 1, u 3. Η ακρίβεια ανίχνευσης και των δύο μεθόδων ήταν 100%. Η συσχέτιση μεταξύ ζευγών δέντρων και γεμάτων τελάρων πραγματοποιήθηκε αυτόματα, χωρίς εσφαλμένες μετρήσεις. Ο πίνακας παρουσιάζει την παραγωγή κάθε ζεύγους δέντρων για τις γραμμές δέντρων 1-4 (μονοπάτια u 1, u 3 ) και τη συσχέτιση ζευγών και γεμάτων τελάρων. Το μέσο βάρος των καρπών στα τελάρα ήταν kg με τυπική απόκλιση 1.01 kg. Η συνολική παραγωγή των γραμμών 1 έως 4 ήταν kg. Επειδή ο ψηφιακός ζυγός δεν χρησιμοποιήθηκε κατά τη συλλογή των γεμάτων τελάρων στις γραμμές δέντρων 5 και 6 (μονοπάτι u 5 ), τα τελάρα των γραμμών αυτών ζυγίστηκαν στο συσκευαστήριο. Ο πίνακας παρουσιάζει την παραγωγή κάθε ζεύγους δέντρων για τις γραμμές δέντρων 1-4 (μονοπάτια u 1, u 3 ) και τη συσχέτιση ζευγών και γεμάτων τελάρων. Το μέσο βάρος των καρπών στα τελάρα ήταν kg με τυπική απόκλιση 1.12 kg. Η συνολική παραγωγή των γραμμών 5 και 6 ήταν kg. Επομένως, η συνολική παραγωγή του οπωρώνα ήταν kg. Σελ. 181

182 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Πίνακας : Παραγωγή ζευγών δέντρων (kg) στις γραμμές1-4 (μονοπάτια u 1, u 3 ). Γραμμές Ζεύγη Αριθμός Βάρος Μέσος Τυπική Σύνολο δέντρων δέντρων τελάρων τελάρων όρος Απόκλιση 1 ο ο ο ο ο η 6 ο ο ο ο ο ο ο ο ο ο ο ο η 18 ο ο ο ο ο ο ο Σελ. 182

183 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Πίνακας : Παραγωγή ζευγών δέντρων (kg) στις γραμμές 5 και 6 (μονοπάτια u 5 ). Γραμμές δέντρων 3 η Ζεύγη δέντρων Αριθμός τελάρων Βάρος τελάρων 25 ο ο ο ο ο ο ο ο ο ο ο ο Σύνολο Μέσος όρος Τυπική Απόκλιση Ο χάρτης παραγωγής (yield map) παρουσιάζεται στο σχήμα Ο χάρτης αυτός προήλθε με χρήση της μεθόδου kriging και του λογισμικού ArcGIS. Σελ. 183

184 Κεφ. 9: ΣΥΣΧΕΤΙΣΗ ΔΕΝΤΡΩΝ-ΤΕΛΑΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Χάρτης παραγωγής (yield map) του οπωρώνα. Σελ. 184

185 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ 10. ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ ΑΞΙΟΛΟΓΗΣΗ Για τη συσχέτιση του εργάτη με τα δέντρα τα οποία επισκέφτηκε και συγκόμισε, καθώς και για την παρακολούθηση της κίνησης του εργάτη κατά τη διάρκεια της χειροσυλλογής των καρπών χρησιμοποιήθηκε το σύστημα DRMbarcode (μετρητής βηματισμού και αναγνώστης γραμμωτών κωδικών). Η μεθοδολογία που ακολουθήθηκε αναλύθηκε σε προηγούμενο κεφάλαιο (σύστημα DRM-barcode) Σχεδιασμός Πειραμάτων Δοκιμαστικά πειράματα πραγματοποιήθηκαν για την αξιολόγηση της ακρίβειας καταγραφής της θέσης του εργάτη μόνο με τη χρήση του DRM (χωρίς τον αναγνώστη barcode) και με την ταυτόχρονη χρήση του DRM και ενός GPS σε ανοικτό περιβάλλον (χωρίς εμπόδια, π.χ. κλαδιά δέντρων, κτήρια). Στη συνέχεια χρησιμοποιήθηκε το σύστημα DRM-barcode και ακολουθήθηκε η παραπάνω μεθοδολογία για την ανίχνευση της πορείας του εργάτη και της συσχέτισης εργάτηδέντρων τα οποία επισκέφτηκε Δοκιμαστικά Πειράματα Για την αξιολόγηση της ακρίβειας του DRM χαράχτηκε ένα τετράγωνο, εντός αγρού, διαστάσεων 20 x 20 m, πάνω στο οποίο κινήθηκε ο χρήστης για τρεις γύρους. Το τετράγωνο χαράχτηκε με τη χρήση μεζούρας και ενός διαφορικού GPS (π.χ. σχήμα 1, κόκκινο χρώμα). Στον χρήστη τοποθετήθηκε: i) πρώτα μόνο ένα απλό GPS, ii) στη συνέχεια ο συνδυασμός DRM-GPS και τέλος iii) το DRM μόνο του. Για την εκτίμηση του σφάλματος καταγραφής της πορείας του χρήστη υπολογίστηκε η απόκλιση των μετρήσεων των αισθητήρων ξεχωριστά για κάθε πλευρά του χαραγμένου τετραγώνου. Υπολογίστηκε δηλαδή, η ελάχιστη απόσταση κάθε σημείου της πορείας του χρήστη από τα σημεία κάθε πλευράς του τετραγώνου. Με τον τρόπο αυτό υπολογίζεται χονδρικά ένα ελάχιστο σφάλμα στις μετρήσεις των αισθητήρων. Σελ. 185

186 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Δοκιμή GPS Στο σχήμα παρουσιάζεται η κίνηση του εργάτη, τρεις γύροι στο τετράγωνο διαστάσεων 20 x 20 m (σχήμα , κόκκινο χρώμα), όπως αυτή καταγράφηκε από το GPS. Επειδή η ακρίβεια του απλού GPS κυμαίνεται μεταξύ 2-10 m, η απόκλιση της πορείας του χρήστη, ο οποίος κινείται πάντα πάνω στο χαραγμένο τετράγωνο, είναι αρκετά μεγάλη (η απόκλιση πλησιάζει σε μερικές περιπτώσεις τα 5-6 m). Επομένως, για την καταγραφή της πορείας του εργάτη, κατά την χειροσυλλογή των καρπών, η χρήση μόνο του GPS κρίνεται ανεπαρκής, αφού οι αποστάσεις φύτευσης των δέντρων κυμαίνονται από 4 με 6 m. Αν συνυπολογιστεί επίσης, ότι το σφάλμα του GPS αυξάνεται, ή το σήμα χάνεται τελείως, μέσα σε έναν οπωρώνα τότε η χρήση του GPS από μόνη της είναι εσφαλμένη για τέτοιες εφαρμογές. Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα) με χρήση του GPS. Στο σχήμα παρουσιάζεται η κίνηση του εργάτη, πάνω στο χαραγμένο τετράγωνο (κόκκινο χρώμα), κατά τον 1 ο γύρο (μπλε χρώμα), όπως αυτή καταγράφηκε από το GPS. Η μέγιστη απόκλιση, για τον 1 ο γύρο, είναι 2.92 m, με μέση απόκλιση 1.80 m και τυπική απόκλιση 0.70 m. Στο σχήμα παρουσιάζεται η κίνηση του εργάτη, πάνω στο χαραγμένο τετράγωνο (κόκκινο χρώμα), κατά το 2 ο γύρο (μπλε χρώμα), όπως αυτή καταγράφηκε από το GPS και στο σχήμα για τον 3 ο γύρο. Η μέγιστη απόκλιση, για το 2 ο Σελ. 186

187 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ γύρο, είναι 5.08 m, με μέση απόκλιση 2.48 m και τυπική απόκλιση 1.00 m. Η μέγιστη απόκλιση, για τον 3 ο γύρο, είναι 5.48 m, με μέση απόκλιση 3.80 m και τυπική απόκλιση 1.30 m. Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του GPS, κατά τον 1 ο γύρο. Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του GPS, κατά το 2 ο γύρο. Σελ. 187

188 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του GPS, κατά τον 3 ο γύρο Δοκιμή DRM-GPS Για την αξιολόγηση του συνδυασμού DRM-GPS τοποθετήθηκαν οι δύο παραπάνω αισθητήρες στο χρήστη, ο οποίος κινήθηκε πάνω στο χαραγμένο τετράγωνο (σχήμα 5, κόκκινο χρώμα) πάλι για τρεις γύρους (σχήμα ). Από το σχήμα παρατηρείται ότι ο συνδυασμός του GPS με το DRM έδωσε χειρότερα αποτελέσματα, γεγονός που οφείλεται στο σφάλμα του απλού GPS, το οποίο μεταβάλει τη θέση του χρήστη απότομα (3-4 m ανά s). Η κίνηση του εργάτη κατά τον 1 ο γύρο όπως αυτή καταγράφηκε από το DRM- GPS, παρουσιάζεται στο σχήμα (μπλε χρώμα). Η μέγιστη απόκλιση, για τον 1 ο γύρο, είναι 5.80 m (στον 1 ο γύρο=80 m, δηλαδή 7.25%), με μέση απόκλιση 3.50 m και τυπική απόκλιση 1.60 m. Σελ. 188

189 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα) με χρήση του συνδυασμού DRM-GPS. Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM-GPS, κατά τον 1 ο γύρο. Στο σχήμα παρουσιάζεται η κίνηση του εργάτη, πάνω στο χαραγμένο τετράγωνο (κόκκινο χρώμα), κατά το 2 ο γύρο (μπλε χρώμα), όπως αυτή καταγράφηκε Σελ. 189

190 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ από το DRM-GPS. Η μέγιστη απόκλιση, για το 2 ο γύρο, είναι 8.50 m (στον 1 ο + 2 ο γύρο=160 m, δηλαδή 5.31%), με μέση απόκλιση 4.20 m και τυπική απόκλιση 2.00 m. Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM-GPS, κατά τον 2 ο γύρο. Τέλος, η κίνηση του εργάτη κατά τον 3 ο γύρο όπως αυτή καταγράφηκε από το DRM-GPS, παρουσιάζεται στο σχήμα (μπλε χρώμα). Η μέγιστη απόκλιση, για τον 3 ο γύρο, είναι m (στον 1 ο + 2 ο + 3 ο γύρο=240 m, δηλαδή 5.00%), με μέση απόκλιση 5.80 m και τυπική απόκλιση 3.22 m. Η απόκλιση αυτή υπολογίστηκε για κάθε πλευρά του τετραγώνου ξεχωριστά, βάσει της ελάχιστης απόστασης κάθε σημείου της καταγεγραμμένης πορείας του εργάτη-χρήστη από κάθε σημείο του χαραγμένου τετραγώνου. Με τον τρόπο αυτό υπολογίζεται η ελάχιστη απόκλιση. Η πραγματική είναι ακόμα μεγαλύτερη και είναι δύσκολο να υπολογιστεί. Παρόλα αυτά η παραπάνω υπολογισθείσα απόκλιση είναι ήδη απαγορευτική για εφαρμογές καταγραφής της κίνησης του εργάτη σε οπωρώνα. Επομένως, λόγω της αναξιοπιστίας του GPS ο συνδυασμός του DRM με το GPS κρίνεται αναποτελεσματικός για την καταγραφή της πορείας του εργάτη κατά την χειροσυλλογή των καρπών. Σελ. 190

191 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM-GPS, κατά τον 3 ο γύρο Δοκιμή DRM Στο σχήμα παρουσιάζεται η πορεία του χρήστη, όταν χρησιμοποιήθηκε μόνο το DRM για την καταγραφή της θέσης. Η κίνηση του χρήστη παρουσιάζεται πιο ομαλή και η απόκλιση μεταξύ των τριών τετραγώνων (τρεις γύροι) είναι πολύ μικρότερη (3 με 5 m) σε σχέση με τις παραπάνω. Παρόλα αυτά ούτε η χρήση του DRM είναι ικανοποιητική για την καταγραφή της πορείας του εργάτη κατά τη χειροσυλλογή των καρπών, γιατί ένα αυξανόμενο σφάλμα της τάξης του 2-3% δεν είναι αποδεκτό εντός οπωρώνα. Από το σχήμα παρατηρείται ότι τα τρία τετράγωνα είναι πιο ομαλά και με τις σωστές διαστάσεις, αλλά αποκλίνουν σημαντικά από το χαραγμένο τετράγωνο (σχήμα , κόκκινο χρώμα). Στο σχήμα παρουσιάζεται η κίνηση του εργάτη, πάνω στο χαραγμένο τετράγωνο (κόκκινο χρώμα), κατά τον 1 ο γύρο (μπλε χρώμα), όπως αυτή καταγράφηκε από το DRM4000. Όπως φαίνεται από το σχήμα αυτό η καταγραφή της κίνησης του χρήστη-εργάτη από το DRM4000 είναι αρκετά ακριβής. Όπως ήδη αναφέρθηκε, για τον υπολογισμό του σφάλματος στις μετρήσεις του DRM4000 εξετάστηκε η απόκλιση των μετρήσεων του DRM4000 ξεχωριστά για κάθε πλευρά του χαραγμένου τετραγώνου. Εκτιμήθηκε δηλαδή, η ελάχιστη απόσταση κάθε σημείου των μετρήσεων του DRM4000 από τα σημεία της πλευράς του τετραγώνου. Σελ. 191

192 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Η μέγιστη απόκλιση, για τον 1 ο γύρο, είναι 1.89 m (στον 1 γύρο=80 m, δηλαδή 2.36%), με μέση απόκλιση 0.63 m και τυπική απόκλιση 0.41 m. Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα) με χρήση του DRM. Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM, κατά τον 1 ο γύρο. Σελ. 192

193 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Η κίνηση του εργάτη κατά το 2 ο γύρο (σχήμα , μπλε χρώμα), όπως αυτή καταγράφηκε από το DRM4000, αποκλίνει αρκετά από την πραγματική (χαραγμένο τετράγωνο). Η μέγιστη απόκλιση, για το 2 ο γύρο, είναι 2.50 m (στον 1 ο + 2 ο γύρο=160 m, δηλαδή 1.56%), με μέση απόκλιση 1.31 m και τυπική απόκλιση 0.64 m. Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM, κατά το 2 ο γύρο. Η κίνηση του εργάτη κατά τον 3 ο γύρο όπως αυτή καταγράφηκε από το DRM4000, παρουσιάζεται στο σχήμα (μπλε χρώμα). Η μέγιστη απόκλιση, για τον 3 ο γύρο, είναι 4.40 m (στον 1 ο + 2 ο + 3 ο γύρο=240 m, δηλαδή 1.83%), με μέση απόκλιση 2.20 m και τυπική απόκλιση 0.95 m. Ένα σφάλμα της τάξης του 3-5 m είναι πολύ μεγάλο για την καταγραφή της πορείας του εργάτη σε έναν οπωρώνα (με αποστάσεις φύτευσης 5-5 m ή 6-6 m). Επομένως, η χρήση του DRM ή/και ο συνδυασμός DRM-GPS κρίθηκαν ανεπαρκή για την επίλυση του προβλήματος και την καταγραφή της πορείας του εργάτη κατά τη χειροσυλλογή των καρπών. Σελ. 193

194 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Καταγραφή κίνησης εργάτη (μπλε χρώμα) στο τετράγωνο (20 x 20 m, κόκκινο χρώμα), με χρήση του DRM, κατά τον 3 ο γύρο Πειράματα Αξιολόγησης DRM Barcode Το σύστημα DRM-Barcode αξιολογήθηκε σε πιλοτικά πειράματα (οπωρώνες), στα οποία προσομοιώθηκε η διαδικασίας της χειροσυλλογής των καρπών. Δηλαδή, τοποθετήθηκαν το DRM4000 και ο αναγνώστης barcode σε έναν χρήστη, ο οποίος κινήθηκε σε οπωρώνα προσομοιώνοντας την διαδικασία της χειροσυλλογής, χωρίς όμως να συλλέγει καρπούς. Τα πειράματα αυτά χωρίζονται σε δύο κατηγορίες, σε αυτά όπου, για την καταγραφή της πορείας του χρήστη, χρησιμοποιείται: i) μόνο το DRM4000 και ii) το σύστημα-μεθοδολογία DRM-barcode. Από την πρώτη κατηγορία, όπου χρησιμοποιείται μόνο το DRM, παρατηρείται ότι η συσσώρευση του σφάλματος στις μετρήσεις του DRM οδηγεί σε εσφαλμένη συσχέτιση χρήστη (εργάτη) και δέντρων τα οποία επισκέφτηκε. Αντίθετα, στη 2 η κατηγορία πειραμάτων, όπου το σύστημα DRM-Barcode χρησιμοποιήθηκε, παρουσιάζεται η βελτίωση της καταγραφής της πορείας του χρήστη και της συσχέτισης χρήστηδέντρων. Παρακάτω αναλύονται τα αποτελέσματα των πειραμάτων της 1 ης κατηγορίας και στη συνέχεια αυτά της 2 ης Πειράματα με Χρήση του DRM4000 Στα πειράματα αυτά τοποθετήθηκε η πλακέτα του DRM4000 στην πλάτη του χρήστη (εργάτη), ο οποίος κινήθηκε σε έναν οπωρώνα (σχήμα , αποστάσεις Σελ. 194

195 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ δέντρων 6 x 6 m) προσομοιώνοντας την διαδικασία της χειροσυλλογής των καρπών. Στο πείραμα αυτό δεν χρησιμοποιήθηκε σκάλα για την προσομοίωση της χειροσυλλογής των καρπών. Στο σχήμα παρουσιάζεται η καταγραφή της κίνησης του, από το DRM4000, κατά την προσομοίωση της συγκομιδής. Ο εργάτηςχρήστης επισκέφτηκε πρώτα το πάνω δεξιά δέντρο (σχήμα Start) και στη συνέχεια, αφού επισκέφτηκε τα δέντρα της πάνω σειράς (σχήμα st row), συνέχισε στα υπόλοιπα. Στο σχήμα παρουσιάζεται μια προσέγγιση της κίνησης (μαύρη συνεχόμενη γραμμή) του εργάτη-χρήστη στον οπωρώνα. Σχήμα : Οπωρώνας με αποστάσεις φύτευσης 6 x 6 m. Σχήμα : Καταγραφή της κίνησης του εργάτη στον οπωρώνα από το DRM4000. Σελ. 195

196 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Προσέγγιση της κίνησης του εργάτη-χρήστη στον οπωρώνα. Στα σχήματα παρουσιάζεται, σε μεγέθυνση, με μαύρη συνεχόμενη γραμμή η κίνηση του εργάτη (σε προσέγγιση) στον οπωρώνα και με μπλε γραμμή η καταγραφή της κίνησης από το DRM4000, αντίστοιχα για κάθε σειρά δέντρων. Όπως παρατηρείται από το σχήμα , η καταγραφή της κίνησης του εργάτη στην 1 η σειρά δέντρων δίνει ικανοποιητικά αποτελέσματα (συμπίπτουν μπλε και μαύρη γραμμή) και η συσχέτιση εργάτη-δέντρων είναι εμφανής. Στη 2 η (σχήμα ) και 3 η (σχήμα ) σειρά δέντρων η καταγραφή της κίνησης του εργάτη (μπλε γραμμή), από το DRM4000, αποκλίνει αρκετά από την πραγματική (μαύρη συνεχόμενη γραμμή) και επομένως, η συσχέτιση εργάτη-δέντρων είναι δύσκολη. Στην 4 η σειρά, όπως φαίνεται στο σχήμα , η πραγματική πορεία του εργάτη (μαύρη συνεχόμενη γραμμή) δεν συμπίπτει καθόλου με την καταγραφή της κίνησης από το DRM4000 (μπλε γραμμή). Επομένως, το σφάλμα του DRM4000, στον προσδιορισμό του προσανατολισμού κυρίως, οδηγεί σε λανθασμένη συσχέτιση εργάτη με τα δέντρα τα οποία επισκέφτηκε. Σελ. 196

197 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Κίνηση του εργάτη στην 1 η σειρά δέντρων (μαύρη συνεχόμενη γραμμή) και καταγραφή της κίνησης του εργάτη από το DRM4000 (μπλε γραμμή). Σχήμα : Κίνηση του εργάτη στη 2 η σειρά δέντρων (μαύρη συνεχόμενη γραμμή) και καταγραφή της κίνησης του εργάτη από το DRM4000 (μπλε γραμμή). Σελ. 197

198 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Κίνηση του εργάτη στην 3 η σειρά δέντρων (μαύρη συνεχόμενη γραμμή) και καταγραφή της κίνησης του εργάτη από το DRM4000 (μπλε γραμμή). Σχήμα : Κίνηση του εργάτη στην 4 η σειρά δέντρων (μαύρη συνεχόμενη γραμμή) και καταγραφή της κίνησης του εργάτη από το DRM4000 (μπλε γραμμή). Από το πείραμα αυτό κρίνεται αναγκαία η βελτίωση της καταγραφής της πορείας του χρήστη-εργάτη από το DRM4000 και η χρησιμοποίηση επιπλέον αισθητήρων για την διόρθωση των σφαλμάτων. Η χρησιμοποίηση ενός διαφορικού DGPS με ακρίβεια 20 cm, το οποίο πρέπει να είναι ελαφρό και φορητό σε έναν χρήστη, θα βελτίωνε την καταγραφή της πορείας, σε περιπτώσεις όπου το σήμα από Σελ. 198

199 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ το DGPS δεν θα επηρεάζονταν σημαντικά από τη διαμόρφωση των κλαδιών των δέντρων. Επειδή όμως, τα διαφορικά DGPS δεν είναι εύκολα φορητά σε εργάτες και επιπλέον το σήμα τους κάτω από μεγάλα δέντρα είτε είναι σπασμωδικό είτε περιέχει σημαντικό θόρυβο (σφάλμα της τάξης των 2-5 m), η χρησιμοποίησή τους κρίνεται μη ικανοποιητική. Έτσι, για την καταγραφή της πορείας του χρήστη, κατά τη χειροσυλλογή των καρπών οπωροφόρων δέντρων, επιλέχτηκε η μεθοδολογίασύστημα DRM-Barcode, η οποία αναλύθηκε σε προηγούμενο κεφάλαιο Πειράματα με Χρήση του Συστήματος DRM-Barcode Το σύστημα DRM-Barcode τοποθετήθηκε σε έναν εργάτη-χρήστη για την καταγραφή της πορείας του, κατά την προσομοίωση της διαδικασίας της χειροσυλλογής των καρπών σε δύο γειτονικούς οπωρώνες. Οι οπωρώνες αυτοί βρίσκονται στο αγρόκτημα της γεωπονικής σχολής του Α.Π.Θ. Για τη χαρτογράφηση της θέσης των δέντρων στους δύο οπωρώνες (σχήμα ) χρησιμοποιήθηκε ένα διαφορικό DGPS και ένα laser μέτρησης της απόστασης, με ακρίβεια χιλιοστών. Οι αποστάσεις φύτευσης των δέντρων ήταν περίπου x 5-6 m. Σχήμα : Δυο γειτονικοί οπωρώνες με αποστάσεις φύτευσης περίπου x 5-6m. Σελ. 199

200 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Ετικέτες γραμμωτών κωδικών (barcodes) τοποθετήθηκαν σε όλα τα δέντρα και δημιουργήθηκε ένας πίνακας (ή μία βάση δεδομένων) L ο οποίος περιέχει τον κωδικό ( xm, y ) ( ) j m = L m j j (barcode-id) του κάθε δέντρου mj και τη γεωγραφική του θέση. Κάθε φορά που ο εργάτης επισκέπτονταν ένα δέντρο έπρεπε να ανιχνεύει τον κωδικό του δέντρου, με χρήση του αναγνώστη barcode, έτσι ώστε με το λογισμικό που αναπτύχθηκε (βλέπε προηγούμενο κεφάλαιο) να ανιχνεύονται οι συντεταγμένες του δέντρου και να αποστέλλεται στο DRM4000 μία γραμματοσειρά NMEA (προσομοίωση του GPS) με μεγάλης ακρίβεια σήμα-θέση. Για την προσομοίωση της συγκομιδής χρησιμοποιήθηκε και σκάλα σε ορισμένα δέντρα, έτσι ώστε να εξεταστεί η δυνατότητα ανίχνευσης της κατάστασης του εργάτη: «συγκομιδή πάνω σε σκάλα» (θεωρητική ανάλυση UML), από το σύστημα DRM-Barcode. Στο σχήμα παρουσιάζεται η καταγραφή της πορείας του εργάτη, από το σύστημα DRM-Barcode, κατά την προσομοίωση της συγκομιδής. Με μπλε χρώμα παρουσιάζεται η κίνηση του εργάτη στον 1ο οπωρώνα και με μαύρο στο 2ο (σχήμα ). Στο σχήμα παρουσιάζεται η προσέγγιση της πραγματικής κίνησης (μαύρη συνεχόμενη γραμμή) του εργάτη στους δύο οπωρώνες. Σχήμα : Καταγραφή της κίνησης του εργάτη στον 1 ο (μπλε χρώμα) και στο 2 ο (μαύρο χρώμα) οπωρώνα από το σύστημα DRM-Barcode. Σελ. 200

201 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ Σχήμα : Προσέγγιση της πραγματικής κίνησης του εργάτη (μαύρο συνεχόμενο χρώμα) στους δύο οπωρώνες. Με τη μεθοδολογία που ακολουθήθηκε, αλλά και με το σύστημα DRM- Barcode, βελτιώθηκε κατά πολύ η καταγραφή της πορείας του εργάτη, καθώς και η συσχέτιση εργάτη-δέντρων. Ο εργάτης δεν είναι απαραίτητο να διαβάσει τους κωδικούς από όλα τα δέντρα. Εάν ένας κωδικός δέντρου δεν ανιχνευτεί, η καταγραφή της θέσης (πορείας) του εργάτη από το DRM4000 καθορίζει την συσχέτιση εργάτηδέντρου. Είναι όμως επιθυμητό να ανιχνεύονται οι κωδικοί των δέντρων σε τακτά χρονικά διαστήματα, κυρίως όταν ο εργάτης αλλάζει γραμμή δέντρων, έτσι ώστε να διορθώνονται οι μετρήσεις του DRM4000. Από το σχήμα παρατηρείται επίσης ότι ο εργάτης απομακρύνθηκε από τον 1 ο οπωρώνα μια φορά και μία από το 2 ο. Επιπλέον, κάθε φορά που ο εργάτης ανέβαινε και κατέβαινε στη σκάλα, για τη συγκομιδή των καρπών, το DRM4000 κατέγραφε την υψομετρική διαφορά, έτσι ώστε να μπορεί να ανιχνευτεί η κίνηση αυτή, όταν είναι γνωστός και ο υψομετρικός χάρτης του οπωρώνα. Επομένως, με τη μεθοδολογία που ακολουθήθηκε και με το σύστημα DRM- Barcode βελτιώθηκε κατά πολύ η καταγραφή της πορείας του εργάτη-χρήστη και ανιχνεύτηκε με επιτυχία η συσχέτιση εργάτη-δέντρων. Στο σημείο αυτό πρέπει να Σελ. 201

202 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ τονιστεί ότι το σύστημα δοκιμάστηκε πιλοτικά και ότι τα δεδομένα καταγράφονταν σε ένα φορητό ηλεκτρονικό υπολογιστή, που κρατούσε ο χρήστης σε όλη του την πορεία. Τέλος, με το σύστημα αυτό μπορούν να ανιχνευτούν ορισμένες από τις καταστάσεις στις οποίες βρίσκεται ο εργάτης, κατά τη διαδικασία της χειροσυλλογής των καρπών, όπως αυτές αναλύθηκαν με τη χρήση της γλώσσας UML. Στο σχήμα παρουσιάζεται το διάγραμμα καταστάσεων του εργάτη κατά τη χειροσυλλογή των καρπών και με κόκκινο χρώμα οι «καταστάσεις» που μπορούν να ανιχνευτούν με το σύστημα-μεθοδολογία DRM-barcode. Βέβαια η κατάσταση «κινείται» (moving) με την κατάσταση «τοποθέτηση καρπών στον κουβά» (Picking in basket) δεν είναι δυνατόν να διαχωριστούν με μεγάλη ακρίβεια, σε ένα πείραμα προσομοίωσης της συγκομιδής στον αγρό όπως το παραπάνω. Αντίθετα μπορούν να καθοριστούν, με μεγάλη ακρίβεια, οι καταστάσεις: «ανέβασμα σε σκάλα» (climbing), «κατέβασμα από σκάλα» (descending) και επομένως η κατάσταση «συγκομιδή καρπών σε κουβά» (Picking in basket) όταν ο εργάτης βρίσκεται πάνω στην σκάλα. Σχήμα : Διάγραμμα καταστάσεων του κάθε εργάτη κατά τη χειροσυλλογή και τοποθέτηση των καρπών σε τελάρα. Με κόκκινο χρώμα οι «καταστάσεις» που μπορούν να ανιχνευτούν με το σύστημα DRM-barcode. Σελ. 202

203 Κεφ. 10: ΣΥΣΧΕΤΙΣΗ ΕΡΓΑΤΗ-ΔΕΝΤΡΩΝ. ΠΕΙΡΑΜΑΤΑ-ΑΞΙΟΛΟΓΗΣΗ 10.4 Συμπεράσματα Η μεμονωμένη χρήση της συσκευής καταγραφής της κίνησης του χρήστη (βηματισμό) καθώς και του προσανατολισμού του, DRM4000, για την ανίχνευση της πορείας του εργάτη, κατά τη χειροσυλλογή των καρπών σε οπωρώνες, δίνει μη ικανοποιητικά αποτελέσματα. Αυτό οφείλεται στο συσσωρευμένο σφάλμα στις μετρήσεις του DRM4000 και κυρίως στον προσδιορισμό του προσανατολισμού, το οποίο οδηγεί σε εσφαλμένη συσχέτιση εργάτη-δέντρων τα οποία επισκέφτηκε. Επιπλέον, κατά τη διαδικασία της συγκομιδής μικρές κινήσεις του χρήστη για την αποκοπή των καρπών, οι οποίες δεν είναι βηματισμοί, καταγράφονται από το DRM4000 ως βήματα (μετακίνηση) με αποτέλεσμα να αυξάνεται το σφάλμα στον προσδιορισμό της σχετικής θέσης του χρήστη. Η διόρθωση του προσδιορισμού της θέσης και του σφάλματος του DRM4000 θα μπορούσε να επιτευχθεί με τη χρήση ενός διαφορικού DGPS, ακρίβειας 20 cm. Το DGPS μπορεί να συνδεθεί κατευθείαν στο DRM4000 και η διόρθωση της θέσης (απόλυτη θέση πλέον) επιτυγχάνεται με την «εκτέλεση» ενός φίλτρου Kalman, το οποίο εκτελείται εσωτερικά στο DRM4000 και βελτιώνει τον προσδιορισμό της θέσης ανάλογα με την «ποιότητα» (HDOP, αριθμός δορυφόρων) του σήματος του DGPS. Επειδή όμως τα διαφορικά DGPS δεν είναι εύκολα φορητά σε εργάτη, λόγω του βάρους και του όγκου τους και επειδή το σήμα του DGPS, κάτω από μεγάλα δέντρα, είναι σπασμωδικό και το σφάλμα του είναι πολύ μεγάλο (2-8 m), η συνδυασμένη χρήση του DRM4000 και του DGPS κρίνεται αναποτελεσματική για εφαρμογές σε οπωρώνες. Για τους ίδιους λόγους δεν θα μπορούσε να χρησιμοποιηθεί και ένα απλό GPS με ακρίβεια 4-10 m. Αντίθετα, η συνδυασμένη χρήση του DRM-Barcode και της μεθοδολογίας που ακολουθήθηκε, δίνει ικανοποιητικά αποτελέσματα τόσο για τη συσχέτιση εργάτηδέντρων τα οποία επισκέφτηκε, όσο και για την καταγραφή της πορείας του εργάτη, κατά τη χειροσυλλογή των καρπών και της ανίχνευσης ορισμένων «καταστάσεων» του (ανάλυση UML). Ακόμα και εάν ένας κωδικός δέντρου δεν διαβαστεί, η συσχέτιση εργάτη-δέντρου παράγεται από τα δεδομένα του DRM4000. Τα πειράματα αξιολόγησης του συστήματος DRM-Barcode, τα οποία πραγματοποιήθηκαν σε δύο γειτονικούς οπωρώνες κατά την προσομοίωση της διαδικασίας της συγκομιδής, έδειξαν ότι η βελτίωση του προσδιορισμού της θέσης του εργάτη και η συσχέτιση εργάτη-δέντρων, τα οποία επισκέφτηκε, είναι ικανοποιητική. Σελ. 203

204 5 η ΕΝΟΤΗΤΑ ΠΕΙΡΑΜΑΤΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΠΟΤΕΛΕΣΜΑΤΑ 11. ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ 12. ΠΕΙΡΑΜΑΤΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΤΗΣ ΣΥΓΚΟΜΙΔΗΣ

205 Κεφ. 11: ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ 11. ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ Στο κεφάλαιο αυτό παρουσιάζονται πειράματα για τον υπολογισμό ορισμένων χρονικών σταδίων (παραμέτρων) της παραδοσιακής χειροσυλλογής των καρπών. Οι παράγοντες αυτοί, οι οποίοι υπολογίζονται, είναι απαραίτητοι, ως δεδομένα εισόδου, για την εκτέλεση του λογισμικού που προσομοιώνει τη διαδικασία της χειροσυλλογής. Για τον υπολογισμό των τεσσάρων παραμέτρων, που αναλύθηκαν σε προηγούμενο κεφάλαιο, μελετήθηκαν και μετρήθηκαν τέσσερα χρονικά στάδια με τις αντίστοιχες μεταβλητές τους, κατά τη διάρκεια της παραδοσιακής συγκομιδής των καρπών. Παρακάτω παρουσιάζεται ο σχεδιασμός των πειραμάτων και στη συνέχεια τα αποτελέσματα καθώς και τα συμπεράσματα των μετρήσεων Σχεδιασμός Πειραμάτων Για τον υπολογισμό των παραπάνω σταδίων της παραδοσιακής χειροσυλλογής των καρπών πραγματοποιήθηκαν μετρήσεις, με χρήση χρονομέτρων, σε έξι οπωρώνες ροδακινιάς, σε δύο από τους οποίους μετρήθηκαν οι χρόνοι συγκομιδής κατά τη διάρκεια δύο «χεριών». Σε κάθε οπωρώνα μελετήθηκαν οι χρόνοι των σταδίων συγκομιδής για δύο εργάτες, ενώ τα αποτελέσματα παραθέτονται ως μέσοι όροι και των δύο εργατών μαζί. Στον πίνακα παρουσιάζονται τα χαρακτηριστικά των πειραμάτων και οι παράγοντες των σταδίων οι οποίες μετρήθηκαν. Τα πειράματα αυτά μπορούν να χωριστούν σε δύο βασικές ομάδες (πίνακας ): i) στην ομάδα 1 αυτά στα οποία δεν χρησιμοποιήθηκαν σκάλες για τη συγκομιδή των καρπών (πείραμα 1, 2 και 3) και ii) στην ομάδα 2 αυτά στα οποία χρησιμοποιήθηκαν σκάλες (πείραμα 4, 5 και 6). Πέρα από τις διαφορές αυτές η διαδικασία της συγκομιδής ήταν παρόμοια και για τις δύο ομάδες και όπως αυτή περιγράφηκε σε προηγούμενο κεφάλαιο. Οι κουβάδες (σχήμα 1α), οι οποίοι χρησιμοποιήθηκαν από τους εργάτες για να τοποθετούν «προσωρινά» τους καρπούς, στα παραπάνω πειράματα, είχαν χωρητικότητα 8 9 Kg περίπου και τα τελάρα 14 kg (ομάδα 1) και 20 Kg (ομάδα 2, σχήμα β). Τα δέντρα, στους οπωρώνες που εξετάστηκαν, είχαν παραγωγή Σελ. 205

206 Κεφ. 11: ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ περίπου Kg (6-7 φρούτα/kg) στα πειράματα της 1ης ομάδας (χωρίς χρήση σκάλας) και περίπου Kg (4-5 φρούτα/kg) στα πειράματα της 2ης ομάδες (με χρήση σκάλας). Πίνακας : Συνοπτική απεικόνιση των πειραμάτων με τις μετρήσεις των χρόνων που πραγματοποιήθηκαν. ΠΕΙΡΑΜΑΤΑ η 2η ΟΜΑΔΑ 1 ΟΜΑΔΑ ΠΡΩΤΟ ΔΕΥΤΕΡΟ ΤΡΙΤΟ ΤΕΤΑΡΤΟ ΠΕΜΠΤΟ ΕΚΤΟ ΧΕΡΙ ΣΥΓΚΟΜΙΔΗΣ Μετρήσεις χρόνων 1ο 2ο 3ο 1ο 2ο 2ο 3ο 2ο t1 t1 t1 t1 t1 t1 t1 t1 t2 t2 t2 t2 t2 t2 t2 t2 t3 t3 t3 t3 t3 t3 t3 t3 t4 t4 t4 t4 t4 t4 t4 t4 t5 - t5 t5 t5 - t5 t5 t6 - t6 t6 t6 - t6 t6 α) β) Σχήμα : α) κουβάς γεμάτος με καρπούς και β) γεμάτο με καρπούς τελάρο. Σελ. 206 Δεδομένων για Εφαρμογές Γεωργίας Ακριβείας και Ιχνηλασιμοτητας Αμπατζίδης Ιωάννης, 2010

207 Κεφ. 11: ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ 11.2 Πειράματα Συμπεράσματα Στον πίνακα παρουσιάζονται τα χαρακτηριστικά στοιχεία των οπωρώνων που εξετάστηκαν. Όπως αναφέρθηκε παραπάνω στην 1 η ομάδα πειραμάτων δεν χρησιμοποιήθηκαν σκάλες για την συγκομιδή των φρούτων, επειδή τα δέντρα δεν ήταν πολύ ψηλά (πίνακας , σχήμα α), ενώ στη 2 η ομάδα χρησιμοποιήθηκαν (πίνακας , εικόνα β). Η συγκομιδή των φρούτων πραγματοποιήθηκε σε 2-4 «χέρια», ανάλογα των οπωρώνα, όπου και συλλέγονταν μόνο οι ώριμοι καρποί. Τα πειράματα πραγματοποιήθηκαν έτσι ώστε να μελετηθούν διάφορα «χέρια» συγκομιδής (πίνακας ). Το «χέρι» το οποίο διαφέρει, ως προς τον τρόπο και το χρόνο συγκομιδής, από όλα τα άλλα είναι το 1 ο γιατί μικρός αριθμός καρπών είναι ώριμος και οι εργάτες ξοδεύουν πολύ χρόνο ώστε να επιλέξουν και να συγκομίσουν τους κατάλληλους καρπούς. Πίνακας : Χαρακτηριστικά στοιχεία αγροτεμαχίων (ροδακινιές). Πειράματα 1 η ΟΜΑΔΑ 2 η ΟΜΑΔΑ Χαρ/κα ΠΡΩΤΟ ΔΕΥΤΕΡΟ ΤΡΙΤΟ ΤΕΤΑΡΤΟ ΠΕΜΠΤΟ ΕΚΤΟ Τύπος Καρπού: Επιτ/ζια Επιτρ/ζια Επιτρ/ζια Βιομ/νικό Βιομ/νικό Βιομ/νικό Ροδάκινο Ροδάκινο Ροδάκινο Ποικιλία: Σπιν Σπιν Μπελς Μπελς Ανδριάνα Άνδρος Άνδρος Άνδρος Ηλικία (έτη): Ύψος Δέντρων (m): , Αποστ. Φυτ.: 4x5 m 4x5 m 3.5 Χ 5 m 5 X 5 m 5 X 5 m 5 X 5 m 40 kg ή kg 50 kg ή kg Μέσος αρ. kgκαρπών/δέντρο: 400 καρποί kg ή ή ή 400 kg ή 400 καρποί καρποί καρποί καρποί καρποί Αρ. Καρπών/kg: 6 έως 7 6 έως 7 6 έως 7 4 έως 5 4 έως 5 4 έως 6 Τα αποτελέσματα εξετάζονται ξεχωριστά για τις δύο ομάδες πειραμάτων, όσο αναφορά τη διαδικασία της χειροσυλλογής και τοποθέτησης των καρπών σε τελάρα, ώστε να μπορούν να εξαχθούν ασφαλή αποτελέσματα ανά περίπτωση. Αντίθετα, οι μετρήσεις των χρόνων φόρτωσης των γεμάτων τελάρων στην πλατφόρμα του Σελ. 207

208 Κεφ. 11: ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ ελκυστήρα (t 4 ) και εκφόρτωσης σε μεγαλύτερη πλατφόρμα (t 5 ) μπορούν να εξεταστούν για όλα τα πειράματα μαζί, αφού δεν επηρεάζονται από τη χρήση ή όχι της σκάλας. Όπως είδη αναφέρθηκε, τα πειράματα αυτά δεν έχουν ως σκοπό τον ακριβή υπολογισμό των παραμέτρων (οι οποίες είναι στοχαστικές) της διαδικασίας της χειροσυλλογής των καρπών, κάτι το οποίο απαιτεί μεγάλο αριθμό πειραμάτων και κατηγοριοποίηση των αποτελεσμάτων βάσει των χαρακτηριστικών του αγρού και των εργατών, αλλά την εκτίμηση μίας τάξης μεγέθους των παραμέτρων αυτών ώστε να μπορούν να χρησιμοποιηθούν για την εκτέλεση του λογισμικού προσομοίωσης της συγκομιδής (βλέπε επόμενο κεφάλαιο). Για το λόγο αυτό τα αποτελέσματα των πειραμάτων παρουσιάζονται συνοπτικά, χωρίς μεγάλη ανάλυση των ιδιομορφιών του κάθε πειράματος (π.χ. λεπτομερή ανάλυση των χαρακτηριστικών του αγρού και των εργατών - ηλικία, φύλλο εργάτη κτλ.) και εξετάζονται κυρίως οι μέσοι όροι των υπολογισθέντων παραμέτρων-μεταβλητών. α) β) Σχήμα : Συγκομιδή καρπών α) χωρίς χρήση σκάλας και β) με χρήση σκάλας. Στους πίνακες (1 η ομάδα) και 4 (2 η ομάδα ) παρουσιάζονται οι τιμές των μεταβλητών των σταδίων συγκομιδής όπως αυτές μετρήθηκαν (χρόνοι t 1, t 2, t 3, t 4, t 5 και t 6 ) ή υπολογίστηκαν (χρόνοι ' t, 2 ' t, 3 ' t, 4 ' t και 5 ' t ). 6 Σελ. 208

209 Κεφ. 11: ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ Πίνακας : Τιμές χαρακτηριστικών μεταβλητών κατά τη συγκομιδή των καρπών. 1 η Ομάδα (χωρίς χρήση σκάλας για τη χειροσυλλογή των καρπών). Πειράματα Μεταβλητές ο χέρι 2 ο χέρι 3 ο χέρι 1 ο χέρι 2 ο χέρι Μέσος Όρος Τυπ. Απόκλιση t (s) t (s) ' t (s) t (s) ' t (s) t (min) ' t (s) t (s) 330,0-246,3 350,0 440,0 341,6 79,5 5 ' t 5 (s) 5,9-6,0 7,0 6,1 6,3 0,5 ' t 6 (s) Επειδή, σκοπός των πειραμάτων αυτών είναι ο υπολογισμός μίας τάξης μεγέθους των παραπάνω χρονικών σταδίων, δεν θα πραγματοποιηθεί περαιτέρω στατιστική επεξεργασία των αποτελεσμάτων. Επομένως, από τον πίνακα μπορούν να υπολογιστούν οι τέσσερις παράμετροι για την 1 η ομάδα πειραμάτων: 1) ρυθμός αποκοπής και τοποθέτησης καρπού στον κουβά ' t1+ t2 a1 = = 3.8 s/φρούτο. 2 2) ρυθμός αδειάσματος του γεμάτου με καρπούς κουβά στο/α τελάρο/α s/φρούτο. a = t = 0.6 ' 2 3 3) ρυθμός συλλογής των γεμάτων τελάρων και φόρτωσής τους στην πλατφόρμα του ελκυστήρα a = t = 6.3 s/τελάρο και ' 3 5 4) ρυθμός εκφόρτωσης των τελάρων σε μεγαλύτερη πλατφόρμα ή σε σημείο εκφόρτωσης a = t = 5.1 s/τελάρο. ' 4 6 Σελ. 209

210 Κεφ. 11: ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ Ο χρόνος ' t αποτελεί ένα διαφορετικό τρόπο υπολογισμού των σταδίων 1 και 4 2 μαζί. Από τον πίνακα παρατηρείται ότι ο t + t 2 ' t = 4.4s 3.9s = t. ' ' 3 4 Στις περιπτώσεις όπου η συγκομιδή πραγματοποιούνταν στο 1 ο «χέρι» ο ρυθμός αποκοπής και τοποθέτησης του καρπού στον κουβά ήταν υψηλότερος ( a 1 =4.4 s περίπου) σε σχέση με τα άλλα «χέρια» ( a 1 =3.5 s περίπου), γιατί οι εργάτες αφιερώνουν περισσότερο χρόνο για την επιλογή του κατάλληλου προς συγκομιδή (ώριμου) καρπού. Βέβαια οι διαφορές είναι σχετικά μικρές και επειδή οι μεταβλητές αυτές είναι στοχαστικές (ποικίλουν και συχνά δεν μπορούν να μετρηθούν με ακρίβεια), κρίνεται ασφαλέστερο να υπολογιστεί ένας ρυθμός a 1 κατάλληλος για όλα τα «χέρια» συγκομιδής για κάθε ομάδα πειραμάτων. Επιπλέον, στο λογισμικό προσομοίωσης της συγκομιδής, αυτές οι μεταβλητές μεταβάλλονται κατά τη διάρκεια της εκτέλεσης του προγράμματος, μέσω πρόσθεσης θορύβου κανονικής κατανομής, έτσι ώστε να πλησιάζουν τις πραγματικές συνθήκες συγκομιδής. Πίνακας : Τιμές χαρακτηριστικών μεταβλητών κατά τη συγκομιδή των καρπών. 2 η Ομάδα (χρήση σκάλας για τη χειροσυλλογή των καρπών). Πειράματα Μεταβλητές t 1 t ο χέρι 3 ο χέρι 2 ο χέρι Μέσος Όρος Τυπ. Απόκλιση (s) (s) ' t (s) t (s) ' t (s) t (min) ' t (s) t (s) - 427,0 495,0 461,0 48,1 5 Σελ. 210

211 Κεφ. 11: ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ ' t 5 (s) - 5,7 6,6 6,1 0,6 ' t 6 (s) Από τον πίνακα μπορούν να υπολογιστούν οι τέσσερις παράμετροι για τη 2 η ομάδα πειραμάτων: 1) ρυθμός αποκοπής και τοποθέτησης καρπού στον κουβά ' t1+ t2 a1 = = 5.9 s/φρούτο. 2 2) ρυθμός αδειάσματος του γεμάτου με καρπούς κουβά στο/α τελάρο/α s/φρούτο. a = t = 0.8 ' 2 3 3) ρυθμός συλλογής των γεμάτων τελάρων και φόρτωσής τους στην πλατφόρμα του ελκυστήρα a = t = 6.1 s/τελάρο και ' 3 5 4) ρυθμός εκφόρτωσης των τελάρων σε μεγαλύτερη πλατφόρμα ή σε σημείο εκφόρτωσης a = t = 5. 0 s/τελάρο. ' 4 6 Ο χρόνος ' t αποτελεί έναν διαφορετικό τρόπο υπολογισμού των σταδίων 1 και 4 2 μαζί. Από τον πίνακα παρατηρείται ότι ο t + t 2 ' t = 6.7s 6.6s = t. ' ' 3 4 Επίσης, ο ρυθμός αποκοπής και τοποθέτησης του καρπού στον κουβά a 1 είναι υψηλότερος στην 2 η ομάδα πειραμάτων ( a 1 =5.9 s/φρούτο), όπου η χρήση σκάλας είναι απαραίτητη, σε σχέση με την 1 η ομάδα ( a 1 =3.8 s/φρούτο), όπου δεν απαιτείται σκάλα για τη συγκομιδή των καρπών, κάτι το οποίο είναι αναμενόμενο. Όλοι οι υπόλοιποι ρυθμοί είναι παρόμοιοι. Συνοψίζοντας, στο κεφάλαιο αυτό υπολογίστηκαν πειραματικά οι μέσοι όροι τεσσάρων στοχαστικών παραμέτρων των εργατών (τάξη μεγέθους και όχι με μεγάλη ακρίβεια), για δύο διαφορετικές περιπτώσεις (1 η ομάδα: χωρίς χρήση σκάλας και 2 η ομάδα: χρήση σκάλας) οι οποίες είναι απαραίτητες για τη λειτουργία του λογισμικού που προσομοιώνει την παραδοσιακή διαδικασία της συγκομιδής των καρπών. Επίσης, υπολογίστηκε ότι ο χρόνος που ο εργάτης είναι «ανενεργός» (π.χ. διάλειμμα, γεύμα, τηλεφωνικές συνομιλίες κτλ) αντιστοιχεί περίπου στο 1/8 του συνολικού χρόνου συγκομιδής. Στο σημείο αυτό πρέπει να τονιστεί ότι υπάρχουν επιπλέον τυχαίες Σελ. 211

212 Κεφ. 11: ΠΕΙΡΑΜΑΤΙΚΟΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΠΑΡΑΜΕΤΡΩΝ-ΣΤΑΔΙΩΝ ΣΥΓΚΟΜΙΔΗΣ καθυστερήσεις στη διαδικασία της συγκομιδής από δευτερεύουσες εργασίες όπως: κατανομή άδειων τελάρων στον αγρό, μετακίνηση ελκυστήρα κτλ. Η μέση παραγωγή (σε kg) που συγκομίζει ο εργάτης ανά ώρα (μέσος όρος από τις δύο ομάδες πειραμάτων) υπολογίστηκε σε 80 kg/εργάτη/h, χωρίς να λαμβάνεται υπόψη ο χρόνος προετοιμασίας της συγκομιδής, ο χρόνος συλλογής των τελάρων, ο χρόνος που απαιτείται στο τέλος της συγκομιδής για το «συμμάζεμα» και φυσικά ο χρόνος για την μεταφορά των γεμάτων τελάρων στο συσκευαστήριο, ο οποίος μπορεί να κυμαίνεται από 20 min μέχρι 90 min (ίσως και παραπάνω). Αν οι χρόνοι αυτοί ληφθούν υπόψη (εκτός από το χρόνο μεταφοράς στο συσκευαστήριο) τότε η μέση παραγωγή κυμαίνεται περίπου στα kg/εργάτη/h. Τα στοιχεία αυτά δεν εξετάστηκαν λεπτομερώς γιατί ο υπολογισμός τους, ανάλογα με τις συνθήκες συγκομιδής, δεν αποτελεί στόχο της διατριβής αυτής. Στο επόμενο κεφάλαιο παρουσιάζονται πειράματα προσομοίωσης της συγκομιδής, με τη χρήση του λογισμικού που αναπτύχθηκε, βασιζόμενα σε πραγματικά στοιχεία από δεδομένα συγκομιδής σε οπωρώνα, ώστε να είναι εφικτή η σύγκριση των αποτελεσμάτων της προσομοίωσης με τα πραγματικά δεδομένα. Σελ. 212

213 Κεφ. 12: ΠΕΙΡΑΜΑΤΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΤΗΣ ΣΥΓΚΟΜΙΔΗΣ 12. ΠΕΙΡΑΜΑΤΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΤΗΣ ΣΥΓΚΟΜΙΔΗΣ Για την προσομοίωση της διαδικασίας της συγκομιδής χρησιμοποιήθηκε το λογισμικό, το οποίο αναλύθηκε σε προηγούμενο κεφάλαιο και για τα δεδομένα εισόδου των εργατών υιοθετήθηκαν οι παράμετροι που υπολογίστηκαν παραπάνω. Επειδή οι παράμετροι αυτοί είναι στοχαστικοί, το λογισμικό σε κάθε βήμα προσθέτει θόρυβο τύπου Gaussian (με δυνατότητα προσομοίωσης monte-carlo) ώστε να προσομοιώνονται καλύτερα οι πραγματικές συνθήκες. Η διαδικασία της συγκομιδής (3 ο «χέρι») προσομοιώθηκε σε οπωρώνα με 48 δέντρα ροδακινιάς, 6 δέντρα ανά γραμμή και 8 δέντρα ανά στήλη, σε αποστάσεις φύτευσης 5m x 5m (σχήμα 12.1). Οι χρόνοι της συγκομιδής στον οπωρώνα αυτό, για το 3 ο «χέρι», τα κιλά που συγκομίστηκαν ανά εργάτη, καθώς και άλλα στοιχεία της συγκομιδής μετρήθηκαν πειραματικά, ώστε να μπορούν να συγκριθούν τα αποτελέσματα της προσομοίωσης με τα πειραματικά. Ο αριθμός των εργατών που συμμετείχε στην συγκομιδή ήταν 6 και ένας δενδροκομικός ελκυστήρας με πλατφόρμα μεταφοράς βοηθούσε στην συλλογή των γεμάτων τελάρων. Στη συνέχεια τα τελάρα αυτά εκφορτώθηκαν σε μεγαλύτερη πλατφόρμα για την μεταφορά τους στο συσκευαστήριο. Η κίνηση των εργατών και η σειρά συγκομιδής των δέντρων (σύστημα κυκλοφορίας εργατών) ήταν τυχαία. Για τη συγκομιδή των καρπών χρησιμοποιήθηκαν σκάλες. Παρακάτω παρουσιάζονται πρώτα τα αποτελέσματα της προσομοίωσης της συγκομιδής και συγκρίνονται τα αποτελέσματα αυτά με τις πειραματικές μετρήσεις στον αγρό και στη συνέχεια αλλάζει ο αριθμός των εργατών και η προσομοίωση ξαναεκτελείται. Το σύστημα κυκλοφορίας των εργατών (σειρά συγκομιδής των δέντρων), στην προσομοίωση, δόθηκε ως δεδομένα εισόδου, ενώ αντίθετα το σύστημα κυκλοφορίας του δενδροκομικού ελκυστήρα παράχθηκε ως έξοδος του συστήματος. Η κατανομή των φρούτων (μόνο των ώριμων) ανά δέντρο, οι κωδικοί των δέντρων (αρίθμηση) και οι διαδρομές του ελκυστήρα (με πλατφόρμα μεταφοράς) για τη συλλογή των γεμάτων τελάρων παρουσιάζονται στο σχήμα 3. Επειδή η κατανομή των φρούτων στα δέντρα είναι πολύ δύσκολο να υπολογιστεί παράχθηκε από μία συνάρτηση του λογισμικού βασιζόμενη σε μέσους όρους και κυλινδρική κατανομή. Έτσι, περίπου 250 ώριμα φρούτα (50 kg), έτοιμα για συγκομιδή, αντιστοιχούν σε κάθε δέντρο (σχήμα 12.1). Σελ. 213

214 Κεφ. 12: ΠΕΙΡΑΜΑΤΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΤΗΣ ΣΥΓΚΟΜΙΔΗΣ Σχήμα 12.1: Προσομοίωση της κατανομής των φρούτων σε οπωρώνα. Επίσης, ως δεδομένα εισόδου, του λογισμικού, είναι: i) η αρχική θέση του δενδροκομικού ελκυστήρα και το σημείο εκφόρτωσης των γεμάτων κιβωτίων σε μεγαλύτερο ελκυστήρα (με πλατφόρμα μεταφοράς), τα οποία ορίζονται στο ίδιο σημείο (Σχήμα 12.1 Unloading point), ii) οι μέσες τιμές των στοχαστικών παραμέτρων του συστήματος, οι οποίες βασίζονται στις πειραματικές μετρήσεις (του προηγούμενου κεφαλαίου) και παρουσιάζονται στον πίνακα 12.1 και iii) ο αριθμός των εργατών που αποκλειστικά συγκομίζουν καρπούς (ομάδα Δ 1 ) και ο αριθμός αυτών που συγκομίζουν και στην συνέχεια συλλέγουν τα τελάρα (ομάδα Δ 2 ). Ο αρχικός χρόνος προετοιμασίας της συγκομιδής (διανομή άδειων κιβωτίων κτλ.) θεωρείται αμελητέος. Ως μέγιστη χωρητικότητα των τελάρων ορίζονται τα 100 φρούτα, περίπου δηλαδή 20 kg, και ως μέγιστη χωρητικότητα της πλατφόρμας του δενδροκομικού ελκυστήρα τα τελάρα. Ο χρόνος για διάλειμμα ή για λοιπές εργασίες (μεταφορά άδειων τελάρων, εργαλείων κτλ.) κατανέμεται τυχαία και περίπου αντιστοιχεί στο 1/8 του χρόνου της συνολικής συγκομιδής. Στη συγκεκριμένη προσομοίωση κάθε τελάρο γεμίζει με φρούτα από ένα μόνο δέντρο, για λόγους ιχνηλασιμότητας και επομένως κάποια τελάρα περιέχουν περίπου φρούτα (αντί για περίπου 100). Αντίθετα, στη συγκομιδή στον αγρό δεν Σελ. 214