Design and study of systems for mechanisation of precision agriculture with data acquisition and remote management of tractors and operating machines
Author(s)
Alemanno, Riccardo
Date Issued
November 4, 2025
Type
Doctoral Thesis
Abstract
The growing adoption of technologically advanced, semi-autonomous and/or fully autonomous vehicles in agriculture has introduced specific challenges related to operational safety, particularly in managing interactions between on-foot operators and moving machinery. In response to this issue, a wireless safety network infrastructure has been developed, combining Bluetooth Low Energy (BLE) devices and passive RFID tags integrated into personal protective equipment, with the capability to detect obstacles and personnel on the ground at distances of up to 12 metres. The results obtained could suggest a potential solution for transmitting real-time alert signals to operators, recording near-miss events, and autonomously triggering emergency stops.
In parallel, the operational performance of tractors in the viticulture sector of central Italy was assessed through the acquisition and processing of raw data from the CAN – bus, complemented with additional information such as digital elevation models (DEM). This enables precise characterisation of operational features and the automatic classification of all agricultural activities using clustering and machine learning algorithms, providing essential indicators for the evaluation of field capacity, fuel consumption, and power/torque generated under specific operating conditions. The combined use of telemetric and georeferenced data delivers accurate estimates of working times, areas treated, and operating costs, with simplified visualisation on GIS platforms. The application of filtering and segmentation methodologies of the raw data has significantly reduced errors and informational noise, such as outlier values, resulting in structured datasets that include mechanical parameters, idle times, and operational tracks, which are fundamental for improving agricultural fleet management efficiency.
Processing a year-long dataset from seven narrow-tractors with 75 kW of power, with the ad – hoc development of a publicly available machine learning algorithm, yielded 374 mechanized operations labelled over 717 hours of work. This allowed the estimation of specific fuel consumption by activity type, with minimum values for fertilisation and maximum values for harvesting (4.95 ± 1.20 l h⁻¹, 3.73 ± 1.48 l ha⁻¹ and 14.70 ± 3.39 l h⁻¹, 11.69 ± 4.68 l ha⁻¹, respectively), and field capacities ranging from 0.54 ha h⁻¹ to 4.46 ha h⁻¹. Correlations were also identified between ambient temperature and power demand, suggesting the influence of climatic conditions on mechanical performance.
The integrated approach adopted in this study, encompassing detection, acquisition, and real-time data analysis, provides advanced tools to enhance safety and improve the efficiency of mechanised agricultural operations, with particular relevance, in the latter case, to the viticulture sector. Furthermore, themethod described will potentially provide the quantitative foundations for production cost planning, optimal fleet sizing, and environmental impact assessment through Life Cycle Sustainability Assessment methodologies.
La crescente diffusione di veicoli tecnologicamente evoluti con guida autonoma e/o completamente autonomi in agricoltura, ha introdotto sfide specifiche legate alla sicurezza operativa, in particolare per la gestione dell’interazione tra gli operatori a piedi e i mezzi in movimento. In risposta a questa problematica è stata sviluppata un’infrastruttura di rete di sicurezza wireless che combina dispositivi Bluetooth Low Energy (BLE) e tag RFID passivi integrati nei dispositivi di protezione individuale, con capacità di rilevamento di ostacoli e personale a terra fino a 12 metri. I risultati raggiunti potrebbero rappresentare una soluzione per la trasmissione di segnali di allerta in tempo reale agli operatori, registrazione di eventuali near – miss e intervento autonomo nell’attivazione di arresti di emergenza.
Parallelamente, è stata affrontata l’analisi delle prestazioni operative dei trattori nel settore viticolo del centro Italia, attraverso l’acquisizione e l’elaborazione di dati grezzi provenienti da CAN – bus e integrando ulteriori dati come quelli provenienti da modelli digitali di elevazione (DEM). Ciò consente la caratterizzazione puntuale delle caratteristiche operative e la classificazione automatica di tutte le attività agricole tramite algoritmi di clustering e machine learning, offrendo indicatori essenziali per la valutazione della capacità di lavoro, dei consumi di carburante e delle potenze/coppie motrici erogate in condizioni operative specifiche. L’uso combinato di dati telemetrici e georeferenziati restituisce una stima precisa dei tempi di lavoro, delle aree trattate e dei costi operativi, con possibilità di visualizzazione semplificata su piattaforme GIS. L’applicazione di metodologie di filtraggio e segmentazione dei dati grezzi ha permesso di ridurre significativamente errori e rumore informativo, come dati anomali, producendo dataset strutturati che includono parametri meccanici, tempi di inattività e tracciati operativi, fondamentali per l’efficientamento della gestione della flotta di macchine agricole. L’elaborazione di un dataset di un anno, proveniente da sette trattori tipo frutteto con potenza di 75 kW, con uno sviluppo ad hoc di un algoritmo di machine learning reso pubblico, ha permesso di ottenere 374 operazioni meccanizzate etichettate su 717 ore di lavoro. Questo ha consentito stime dei consumi specifici per tipologia di attività, con valori minimi per la fertilizzazione e massimi per la raccolta (rispettivamente 4,95 ± 1,20 l h-1, 3,73 ± 1,48 l ha-1 e 14,70 ± 3,39 l h-1, 11,69 ± 4,68 l ha-1), e capacità operative di campo comprese tra 0,54 ha h-1 e 4,46 ha h-1. Sono state inoltre individuate correlazioni tra temperatura ambientale e richiesta di potenza, suggerendo l’influenza delle condizioni climatiche sulle prestazioni meccaniche.
L’approccio integrato scelto nel presente lavoro di rilevamento, acquisizione e analisi dei dati in tempo reale offre strumenti avanzati per migliorare la sicurezza ed efficientare le operazioni meccanizzate in agricoltura, con particolare riferimento nel secondo caso al settore viticolo. Inoltre, il metodo descritto fornirà potenzialmente le basi quantitative per la pianificazione dei costi di produzione, il corretto dimensionamento del parco macchine e l’analisi degli impatti ambientali tramite metodologie di Life Cycle Sustainability Assessment.
Additional information
Dottorato di ricerca in Engineering for Energy and Environment