Afbeelding
Foto: wur

We weten nog zo weinig...

Algemeen Column

De kwalitatieve eigenschappen van de door ons gekweekte producten worden door veel verschillende factoren bepaald. Dat kan van alles zijn denk dan bijvoorbeeld aan omgevingsfactoren zoals het weer (beschikbare hoeveelheid licht en CO2, temperatuur, luchtvochtigheid, etc.), voorkomen van ziekten en plagen, beschikbaarheid van voedingsstoffen of gewoonweg veroudering of rijping terwijl de producten bij ons op het aanrecht liggen of in de vaas staan.

Binnen Wageningen University & Research werken onderzoekers van verschillende kennisinstellingen samen met het bedrijfsleven aan een ambitieus project om de complexe, voortdurend veranderende eigenschappen van versproducten te voorspellen en te modelleren dit met behulp van deep-learning- en machine-learning-benaderingen. Onderzoekers richten zich op drie verschillende domeinen waarin gewassen worden gekweekt: in een kas, op het open veld of in een vertical farm.
Deep learnig stelt computers in staat om nieuwe dingen te leren van grote hoeveelheden data. Het is een term om bepaalde soorten neurale netwerken en gerelateerde algoritmen te beschrijven die vaak onbewerkte invoergegevens gebruiken. Het doel van deep learning is machine learning dichterbij kunstmatige intelligentie (AI) te brengen. Kunstmatige intelligentie zijn systemen die zelflerend zijn en uiteindelijk zorgen dat de computer iets zelfstandig kan uitvoeren wat de de computer voorheen nog niet kon. Met kunstmatige intelligentie kunnen machines, software en apparaten zelfstandig problemen oplossen door het imiteren van het denkvermogen van de mens.

Efficiënt en optimaal

Nu zijn er verschillende redenen waarom de land- en tuinbouw steeds verder automatiseert. Het efficiënt en optimaal gebruik van hulpbronnen om zo duurzaam mogelijk te telen is daar één van. De tuinbouw is een arbeidsintensieve sector. Tuinders schakelen vaak buitenlandse seizoenarbeiders in. Door de coronamaatregelen was dit niet altijd mogelijk. De sector kwam handen tekort, door schaarste aan arbeiders die bereid zijn om de veeleisende, repetitieve en minder lonende handmatige werkzaamheden uit te voeren. Een probleem dat de komende decennia alleen maar groter zal worden. Het gevoel van urgentie is dan ook heel groot en er liggen dus de nodige uitdagingen.

Eerste vraagstuk
Binnen het project wordt gewerkt aan drie praktische uitdagingen in drie verschillende werkpakketten. Zo wordt er gewerkt aan een vraagstuk waarbij een autonome robot kan worden gebruikt om de opbrengstcapaciteit te voorspellen van een kas waarin de robot navigeert. Eerder is gewerkt aan één specifiek tomatenras. Maar er zijn veel verschillende cultivars, variërend van grote trossen tomaten tot kleine variëteiten zoals cherrytomaatjes. Binnen het project wordt gekeken naar beschikbare technieken die kunnen worden hergebruikt. Wat ze eerder hebben geleerd, zodat die voorkennis kan worden gebruikt om zo snel mogelijk opnieuw te kunnen toepassen en die opgedane kennis overbrengen naar een nieuw domein, lees elke nieuwe cultivar.

Tweede vraagstuk
Een tweede vraagstuk waaraan gewerkt wordt is om met behulp van drones informatie te verzamelen die iets vertellen over de plantengroei op het veld. Een van de grootste voordelen van drones is dat je over een groot gebied kunt vliegen. Hier ligt een grote uitdaging immers elke plant groeit anders, vooral buiten, waar ze worden blootgesteld aan de elementen, en men niet kan garanderen dat alle planten dezelfde hoeveelheid voedingsstoffen krijgen. Er is veel variatie en de vraag die opdoemt is hoe kunnen we technologie gebruiken om het groeistadium en de veranderende kwaliteit van planten te bepalen? Met behulp van drones worden gegevens verzameld van tienduizenden aardbeienplantjes die op het veld worden gekweekt. Het team onderzoekt vervolgens machine-learning-methoden om snelle kwaliteitsbeoordelingen mee te kunnen en de verschillende kwaliteitsindicatoren van de aardbeiplanten te kunnen bepalen.

Derde vraagstuk
De derde vraagstuk wat aan de onderzoekers is gesteld heeft betrekking op het telen in een verticale farm. Aan de onderzoekers is een open vraag voorgelegd: wat moeten we meten om te begrijpen hoe goed onze planten groeien in een verticale farm? Omdat verticale landbouw een veel nieuwer teeltsysteem is, moet nagedacht worden over wat groei betekent in die omstandigheden en of de bestaande sensoren het daadwerkelijk kunnen meten. Het onderzoek zal in eerste instantie verkennend zijn, waarbij veel verschillende soorten detectietechnologieën en eigenschappen die van belang zijn voor verticale landbouw worden onderzocht. Vervolgens zal er een hardware-infrastructuur beschikbaar moeten zijn om sensorgegevens te verzamelen en uiteindelijk AI-modellen te bouwen om de verschillende groeifasen in de planten te voorspellen. Wanneer eigenschappen zijn geïdentificeerd die moeten worden gemeten en deze goed genoeg kunnen voorspellen, zal we de verticale farmproductie worden vergeleken met die van de conventionele landbouw. Onderzoekers hopen dan aan te tonen dat onder de veel meer gecontroleerde omstandigheden van een vertical farm een grotere kwantiteit en een hogere kwaliteit kunnen produceren dan in een conventionele systeem.

Ik ben heel benieuwd wat deze zoektocht naar het toepassen van deep learning- en machine learning benaderingen ons gaat brengen. Wilt u meer weten zie: De toekomst van planten modelleren - WUR

Jan Willem de Vries
Wageningen University & Research
Business Unit Glastuinbouw

Uit de krant

Meest gelezen

Uit de krant