Nieuws
Zorgt gebruik van meer slimme sensoren ook voor betere teeltresultaten?
Over een paar maanden is duidelijk welk team de Autonomous Greenhouse Challenge wint en dus het beste AI-algoritme heeft ontwikkeld voor een autonoom gestuurde teelt dwergtomaten. Parallel aan de deelnemers heeft ook een team van WUR-experts een kas ingericht voor een autonoom gestuurde teelt. Onderzoeker Pinglin Zhang vertelt wat het nut is van deze referentiekas en waarom de extra sensoren en camera’s die de teams inzetten ook voor WUR waardevolle kennis kunnen opleveren.
In Bleiswijk groeien momenteel in vijf kascompartimenten dwergtomaten die worden aangestuurd door AI-algoritmes, ontwikkeld door de teams van de Autonomous Greenhouse Challenge. In een zesde compartiment groeien ook dwergtomaten, maar dan aangestuurd met input van een team van WUR-experts. Een hiervan is onderzoeker Pinglin Zhang. “Ons compartiment noemen we ook wel de referentiekas. De teelt wordt hier ook autonoom aangestuurd, maar dan zonder AI-algoritmes. Wij hebben de kas ingesteld zoals een reguliere teler de kas zou aansturen. Met deze referentie kunnen we een goede vergelijking maken tussen de resultaten van kassen die worden aangestuurd met AI-algoritmes en een kas die op een gangbaar autonome wijze wordt aangestuurd.”
Aanvullende sensoren en camera’s
Een ander verschil is dat de deelnemers in tegenstelling tot het WUR-team sinds dit jaar gebruik mogen maken van extra sensoren en camera’s, zegt Zhang. “In alle zes compartimenten – ook in die van ons dus – hangen basissensoren, bijvoorbeeld voor het meten van de temperatuur en relatieve luchtvochtigheid in de kas en real-time weersomstandigheden buiten. Sommige teams hebben hier bovenop nog zelf sensoren en camera’s geïnstalleerd. Denk aan een sensor die het gewicht van een pot meet. Of een thermocamera die de temperatuur rond de bladeren en vruchten meet. De teams hebben dus meer input die ze kunnen gebruiken bij de aansturing dan wij in onze referentiekas.”
Data verwerkt door algoritme
De teams hebben hun algoritme zo ontwikkeld, dat de data die de sensoren en camera’s verzamelen direct worden verwerkt om een optimale beslissing te nemen. Zhang: “Een laag gewicht kan duiden op onvoldoende water, waardoor de plant extra water toegediend kan krijgen. Informatie over het gewicht kun je ook gebruiken voor het bepalen van het oogstmoment. Net als de roodheid van de vruchten die camera’s registreren. Op basis van de strategie van de teams berekent het algoritme de oogstdatum. Of dit uiteindelijk ook leidt tot de meest productieve oogst met de beste kwaliteit vruchten, zal blijken aan het einde van de challenge.”
Van kasniveau tot plantniveau
Als onderzoeker houdt Zhang zich bezig met kastechnologie voor het efficiënter en duurzamer telen van gewassen. “Data uit sensoren kan telers helpen het verbruik van energie voor verlichting, warmte en ventilatie te optimaliseren. Behalve op kasniveau kijk ik ook naar sensoren op kleinere schaal. Ik werk bijvoorbeeld in een project aan het meten van het microklimaat: de temperatuur en luchtvochtigheid rond een plant. Door kort bij de plant sensoren te plaatsen verzamel je data over de lokale omstandigheden. Dit kan een indicatie geven van bijvoorbeeld de aanwezigheid van bacteriën die ziekten kunnen veroorzaken. Als je dat in beeld hebt, kun je vroegtijdig ingrijpen.”
Meer aandacht voor de plant
Ook in de Autonomous Greenhouse Challenge ziet Zhang toenemende aandacht voor het monitoren van de plant met slimme sensoren en camera’s. “In het verleden lag de focus vrijwel uitsluitend op het kasklimaat. Dat levert waardevolle data op voor aansturing van de kas, maar geeft minder informatie over hoe de plant zelf groeit. Terwijl dat uiteindelijk het allerbelangrijkst is voor een goede productie. Sommige teams werken echt met state-of-the-art technology. Ook voor ons als WUR is het heel interessant en waardevol om de laatste ontwikkelingen op het gebied van sensoren en camera’s te zien.”
Toekomst autonoom telen
Tot slot: hoe ziet Zhang de toekomst van autonoom telen voor zich? “Dat hangt er vanaf hoe je het bekijkt. Je hebt verschillende gradaties van autonome aansturing van een kas. Het autonoom reguleren van het klimaat is bijvoorbeeld al goed ingebed in kassen in Nederland en andere westerse landen. Als je het hebt over het autonoom bepalen van teeltstrategieën of het toepassen van robottechnieken op gewasbeheer, dan staat dat nog redelijk in de kinderschoenen. Dat is een van de dingen die we met de Challenge verder hopen te verkennen. Hoe ver we precies zijn en of volledig autonoom telen überhaupt mogelijk is, weten we eigenlijk nog helemaal niet. Dat maakt dit ook juist weer heel interessant.”