Automatisering in de landbouw, AI op de boerderij
Fruitplukrobots, automatische onkruidwieders, machinaal leren van de optimale bemesting, het gebeurt allemaal al bij hedendaagse boeren. Voorbeelden alom van automatisering in de landbouw, en wij zetten er enkele op een rij.
Een Amerikaans bedrijf dat de opbrengst in de landbouw wil optimaliseren, is Blue River Technology, dat eind 2017 werd opgekocht door landbouwmachinefabrikant John Deere. De firma begint zijn verhaal met de noodzaak aan meer duurzaamheid in de landbouw. Om ‘onkruid’, plaagdieren en ziektes te bestrijden zodat de oogst van het geteelde gewas optimaal is, gebruiken landbouwers doorgaans diverse bestrijdingsmiddelen. In de reguliere landbouw betreft dat meestal chemische middelen en in geval van biologische landbouw mogen dat (naast mechanische bestrijding) alleen natuurlijke middelen zijn.
Momenteel besproeit men massaal het hele veld, of planten het nu nodig hebben of niet. Daardoor verspilt men veel bestrijdingsmiddel. Ongebruikt bestrijdingsmiddel spoelt bovendien uit naar het grondwater en oppervlaktewater en vervuilt zo het milieu, met allerlei negatieve gevolgen. En door de massale toediening kan onkruid resistent worden voor het middel, waardoor men steeds meer dient te gebruiken om nog werkzaam te zijn.
Onkruid verdelgen
De oplossing voor dit probleem is eenvoudig: dien alleen bestrijdingsmiddelen toe waar het nodig is. Het bedrijf Blue River Technology heeft een technologie die deze precisielandbouw wel mogelijk maakt: ‘See & Spray’. Slimme camera’s zijn met deep learning getraind om een onderscheid te maken tussen de geteelde gewassen en onkruid, op eenzelfde manier als de techniek die gebruikt wordt voor gezichtsherkenning. Het systeem kreeg tienduizenden beelden van specifieke soorten onkruid te analyseren. Op dezelfde manier hebben de algoritmes ook geleerd om de gezondheidstoestand van individuele planten te herkennen.
Blue River Technology combineert die slimme camera’s met een aanstuurbare sproei-installatie achter een tractor. Zo kan de sproei-installatie terwijl de landbouwer over zijn veld rijdt individuele onkruidplantjes besproeien met bestrijdingsmiddel en individuele met schimmels aangetaste planten besproeien met fungicide, waardoor er geen verspilling meer is.
©PXimport
Bovendien kunnen ook planten waarvan de groei achterblijft individueel van mest voorzien worden, zodat er ook geen mest verspild wordt waar het niet nodig is. Het resultaat? De oogst wordt op een heel kostenefficiënte en duurzame manier geoptimaliseerd. Volgens Blue River Technology kan de hoeveelheid benodigd bestrijdingsmiddel zo met een factor 10 worden verminderd.
De camera’s kunnen ook de soorten onkruid determineren, zodat de landbouwer een overzicht krijgt van welke onkruiden zich op zijn terrein bevinden. Zo kan hij de gebruikte bestrijdingsmiddelen toespitsen op de onkruiden waarvan hij last heeft in plaats van breed werkende (en meer resistentie in de hand werkende) bestrijdingsmiddelen te gebruiken, voor nog een beter resultaat.
Geautomatiseerde koeienstal
Niet alleen de akkerbouw, maar ook de veeteelt gebeurt al jaren op een grootschalige, geautomatiseerde manier om de productie te verhogen. Zo zijn robotmelkers bij koeien al lang geen uitzondering meer. Maar net zoals bij de akkerbouw gebeurt dat ook hier vaak op een niet-individuele en niet zo duurzame manier, met de nodige gevolgen voor de gezondheid en levenskwaliteit van de dieren.
Ingenieurs van de University of Connecticut hebben vorig jaar een volledig geautomatiseerde stal geïnstalleerd met robotmelkers en sensoren om 100 koeien en hun omgeving de klok rond te monitoren. De koeien leren al snel dat ze naar de robotmelkers kunnen gaan als hun uier vol is en ze beslissen zo zelf wanneer ze gemolken worden.
De robotmelkers identificeren de koeien en monitoren tijdens het melken continu allerlei gegevens, net zoals videocamera’s en andere sensoren in de stal. Zo kent de boer niet alleen de samenstelling van de melk van elke koe, maar weet hij ook wat de koe de hele dag doet, wanneer ze eet en rust. Met sensoren in het lichaam van de koe kan zelfs de zuurtegraad in een van de magen van de koe worden gemeten, wat mogelijke spijsverteringsproblemen kan detecteren. Bij afwijkende waardes krijgt de boer een melding.
©PXimport
De onderzoekers combineren al deze gegevens en halen er met machinaal leren informatie uit over de gezondheid en het gedrag van individuele koeien. Ze noemen hun aanpak ‘precision dairying’. De gegevens worden dan vergeleken met de voorspellingen voor een ideaal melkveebedrijf, en met optimalisatie-algoritmes wordt dan bepaald welke individuele wijzigingen in bijvoorbeeld voeding nodig zijn voor een betere opbrengst of gezondheid.
Zo wordt ook de voeding van elke koe geïndividualiseerd volgens haar behoeften. De Nederlandse start-up Connecterra levert met Ida (Intelligent Dairy farmer’s Assistant) overigens iets gelijkaardigs.
Cognitive Robots for Flexible Agro Food Technology
De landbouw gebruikt dus al veel robots, maar het probleem is dat die allemaal voor een heel specifieke taak zijn ontworpen. En voor elke nieuwe taak (paprika’s plukken in plaats van tomaten plukken) wordt het wiel telkens opnieuw uitgevonden. Het onderzoeksprogramma FlexCRAFT (Cognitive Robots for Flexible Agro Food Technology) van Wageningen University & Research wil daar iets aan doen.
FlexCRAFT heeft meer dan 4 miljoen euro van het NWO (Nederlandse Organisatie voor Wetenschappelijk Onderzoek) en deelnemende bedrijven gekregen om generieke robotvaardigheden voor de landbouw te ontwikkelen. De robots moeten niet alleen doorhebben met wat voor voedingsmiddelen ze te maken hebben, maar ook kunnen omgaan met uiteenlopende vormen, afmetingen, kleuren en hardheden. Kortom, ze moeten meer als boeren leren denken. Op termijn moet dat zelfs mogelijk maken om de massale monoculturen in onze landbouw links te laten liggen.
In Wageningen University & Research focust een ander team van onderzoekers zich op het automatisch analyseren van planten tijdens de teelt, wat in een duur woord ‘plant phenotyping’ heet. De universiteit heeft al zijn kennis en technologie over dit domein samengebracht in het project PhenomicsNL. Daarvoor is niet alleen plantenkennis onontbeerlijk, maar ook computervisie en robotica.
©PXimport
Het ‘fenotype’ van een plant is het totaal van alle waarneembare eigenschappen (kenmerken). Het is het resultaat van twee factoren: enerzijds de genetische aanleg van de plant (het ‘genotype’) en anderzijds de invloed daarop van zijn omgeving (de milieufactoren).
Als je planten wilt veredelen zodat ze een hogere opbrengst hebben, dien je ze in allerlei omstandigheden te kweken en in elk van die omstandigheden de kenmerken te bepalen, het liefst op een objectieve en geautomatiseerde manier. Zo kun je uiteindelijk ontdekken welke planten in welke omstandigheden het beste groeien.
Die analyse van de planteigenschappen mag niet destructief zijn: je wilt een plant tijdens zijn hele levensloop kunnen analyseren, en als je daarvoor telkens de plant moet vernietigen, heb je veel planten nodig voor je test. Centraal in de oplossing staat dan ook computervisie.
In het PhenomicsNL-project hebben onderzoekers daarvoor de technologie MARVIN ontwikkeld. Een sorteermachine met deze technologie kan dagelijks vierhonderdduizend kiemplantjes verwerken. Ze maakt 3D-opnames van het plantje en registreert binnen enkele milliseconden de vorm en grootte.
©PXimport
Je kunt hieruit ook parameters zoals het totale plantvolume en plantoppervlakte berekenen, en per blad of steel kenmerken zoals de vorm, oppervlakte, lengte, dikte enzovoort bepalen. Al deze informatie wordt in een database opgeslagen, en daardoor krijg je ook een beeld van de kiemkracht en stabiliteit van verschillende rassen.
Met dat 3D-beeld van een plant kan verder nog heel wat anders gebeuren. Zo ontwikkelde WUR samen met machinebouwer ISO Group een steksteekrobot voor kwekers van potrozen: het apparaat maakt een 3D-beeld van een potroosrank, bepaalt de beste plek om een stek te nemen, berekent het optimale pad naar die plaats, knipt de stek uit de rank en zet hem in een pot met potgrond. Dat alles volledig automatisch, in de plaats van de vele manuele, tijdrovende, saaie en repetitieve handelingen die een mens nodig heeft om een stek van een plant te nemen.
geografische informatiesystemen (GIS)
Als je een boerderij bezoekt, is het eerste wat de landbouwer je toont allerlei geografische elementen: hij toont je de grenzen van zijn land, hij wijst je op de plaatsen met de beste grond, de beek naast zijn land, de schuur waar zijn machines staan. Geografische informatie staat centraal in de werking van elke boerderij.
Ook op dat vlak is er al heel wat automatisatie aan de gang, in de vorm van geografische informatiesystemen (GIS). Met allerlei sensoren op de tractoren en andere instrumenten die je via gps aan specifieke coördinaten kunt koppelen, en zelfs met luchtfoto’s in allerlei delen van het lichtspectrum krijgt de landbouwer op een kaart een overzicht van eigenschappen en opbrengst van gewassen op verschillende plaatsen.
GIS speelt ook een belangrijke rol in de projecten die Microsoft heeft verzameld onder de noemer ‘AI for Earth’. In dit programma wil Microsoft start-ups aantrekken (en van geld voorzien) om met AI-oplossingen te bouwen om wereldwijde ecologische uitdagingen op te lossen.
©PXimport
Een van die projecten van AI for Earth is FarmBeats, een platform voor AI en IoT dat is ontwikkeld door Microsoft Research. Vorig jaar is Microsoft een partnership opgestart met het Chinese productiebedrijf Seeed om de hardware voor FarmBeats te ontwikkelen, waaronder een sensordoos die allerlei omgevingsdata meet die een invloed kunnen hebben op de groei van gewassen.
Naast die sensordozen die verspreid over het veld staan, vliegen er ook autonome drones rond die multispectrale luchtfoto’s nemen. Voor plaatsen waar drones verboden zijn kunnen luchtballonnen gebruikt worden die continu foto’s en video’s streamen. Al die gegevens worden op een computer verzameld en naar Microsofts cloudplatform Azure gestuurd. De landbouwer kan de gegevens realtime uit de cloud opvragen via een app.
Algoritmes voor machinaal leren in Azure integreren de sensorgegevens met de luchtfoto’s en creëren op basis daarvan gedetailleerde heatmaps van het land. Daarbij worden gegevens op plaatsen zonder sensor geëxtrapoleerd uit omliggende sensorgegevens, en ook ontbrekende sensorgegevens over bijvoorbeeld de zuurtegraad of vochtigheid van de bodem worden voorspeld uit andere sensorgegevens. Op die manier ziet de landbouwer in één oogopslag hoe zijn planten er op verschillende plaatsen aan toe zijn en waar hij beter wat aandacht aan besteedt.
