Eine hohe Vereinzelungsqualität ist entscheidend für den Erfolg der Einzelkornsaat. Klassische optische Saatgutsensoren liefern jedoch bei kleinen Saatgütern wie Raps nur begrenzte Zählgenauigkeit, zudem sind ihre Signale schwer zu synchronisieren. Im Rahmen dieses Forschungsprojekts wird daher ein neuer Ansatz auf Basis von Machine Vision und Machine Learning untersucht.

An einem Einzelkorn‑Teststand erfassen Kameras den Saatgutfluss direkt an der Vereinzelungsscheibe. Die Bilddaten ermöglichen es, einzelne Saatkörner optisch zu erkennen und zwischen Fehlstellen, perfekten Vereinzelungen und Mehrfachbelegungen zu unterscheiden. Mithilfe eines Deep‑Learning‑basierten Ansatzes werden diese Muster automatisch klassifiziert und ausgewertet.

Im Gegensatz zu punktuellen Sensoren liefert die digitale Bildverarbeitung ein vollständiges Bild des Vereinzelungsprozesses. Dadurch können auch komplexe Zusammenhänge analysiert werden, etwa die Slot‑Abfolge oder wiederkehrende Fehlerbilder. Ziel der Forschung ist es, die Qualität der Saatgutzählung deutlich zu erhöhen und eine verlässliche Grundlage für zukünftige, intelligente Regelungs- und Optimierungssysteme in Sämaschinen zu schaffen.