In 2021 startte het project Dynamic Machine Learning (DML), waarin onderzoekers werken aan machine-learning-technieken die eerder opgedane kennis kunnen hergebruiken en overbrengen naar elk nieuw ras binnen een gewas. Eén van de werkpakketten houdt zich bezig met de doorontwikkeling van een autonome robot die de opbrengstcapaciteit van een tomatenkas kan voorspellen: de Plantalyzer. Wageningse onderzoekers van Agro Food Robotics ontwikkelen nu een techniek voor betrouwbare detectie van trostomaten in de kas met behulp van die autonome robot.
Nauwkeurige oogstvoorspelling
Telers willen zo precies mogelijk kunnen inschatten hoeveel tomaten in de komende periode geoogst kunnen worden om zo optimaal aan de marktvraag te kunnen voldoen. Door temperatuur, watergift en licht te regelen, kunnen telers de rijping van tomaten beïnvloeden. Dit vergt veel ervaring, en juist in deze tijden van schaarste van arbeidskrachten in de tuinbouw is er een efficiëntieslag te behalen. Oogstvoorspelling met een autonome robot, zoals die van projectpartner Berg Hortimotive – Hortikey, biedt uitkomst.
Verhoogde tomaatdetectie dankzij stereocamera’s en 3D-clustering
Franck Golbach, werkpakketleider en onderzoeker bij Wageningen University & Research Agro Food Robotics: "Het afgelopen jaar zijn we gestart met machine learning- en deep learning-technieken voor de detectie van de tomaten. We hebben dit jaar de manier waarop we de tomaten en trossen detecteren vernieuwd. De detectiegraad, de betrouwbaarheid waarmee wij trostomaten in de kas kunnen zien en vinden, is daardoor sterk verhoogd.”
Het team gebruikt stereocamera’s om de 3D-positie, of de real-world-positie, van trostomaten in de kas te bepalen. De trossen worden gevonden door een 3D-clusteringalgoritme. Met een kleurmodel dat rekening houdt met verschillende lichtomstandigheden wordt de kleur, en daarmee de rijpheid van tomaten, gemeten.
Het ideale rijpheidsstadium van trostomaten herkennen
Trostomaten worden per tros geknipt. Een tros begint bovenaan te rijpen en wordt geoogst voordat de hele tros rood en rijp is: na het knippen gaat de rijping door waardoor de consument een mooi egaal rijpe tros koopt. Franck: “Het is cruciaal dat wij dát ideale rijpheidsstadium van de tros kunnen ontdekken en herkennen, zodat telers precies op het juiste moment kunnen oogsten. En wat het nog uitdagender maakt: we willen dus niet alleen naar de tros kijken, maar ook naar de afzonderlijke tomaten in de tros. Dat is lastig omdat sommige vruchten deels of helemaal achter elkaar zitten, of worden afgedekt door bladeren. Daarom maakt de robot tijdens het rijden zo veel mogelijk foto’s, en die informatie voegen we samen. Op dit moment maken we een groot aantal opnames om de werking van onze algoritmes te verifiëren. We doen dit om de nauwkeurigheid en consistentie te analyseren.”
Leren op basis van data
Inmiddels rijden er al meerdere Plantalyzers in kassen om data te verzamelen. Bij één van de telers wordt data van het hele seizoen verzameld. Nadat de data verwerkt is, wordt deze door projectpartner Letsgrow gebruikt om het rijpingsmodel voor de teler verder te verbeteren. Deze kan hiermee beter analyseren wat de invloed van de diverse groeiparameters op de opbrengst is. De dataset zal ook gebruikt worden om de huidige deep-learning-modellen bij te sturen om veranderingen in de loop van het seizoen aan te kunnen.
“Als wij kunnen aantonen dat wij de trossen goed kunnen vinden en betrouwbaar op rijpheid kunnen beoordelen op basis van data, is dat een mijlpaal voor dit project, waar we tevreden over mogen zijn!”
Eén machine voor alle tomatenrassen
Als het lukt om dit voor de 3-4 tomatenrassen waar het projectteam nu mee werkt in te regelen, dan biedt dat perspectief voor de toekomst: het zou betekenen dat een autonome robot zoals de Plantalyzer voor alle voorkomende tomatenrassen geschikt is. Kennis kan worden opgeslagen en uitgewisseld door telers. Het is de bedoeling dat de machine ook zelf leert. Wanneer de machine voor een nieuw tomatenras wordt ingezet, moet het die nieuwe kennis weer kunnen opslaan en delen. Op die manier kan de robot blijven doorontwikkelen.
"Er zijn al mooie stappen gezet, maar we werken aan een zeer uitdagend project, dus we gaan vol goede moed verder", besluit Franck.
Voor meer informatie:
Frank Golbach
WUR
+31317480108
franck.golbach@wur.nl
www.wur.nl
Andreas Hofland
HortiKey
Burgermeester Crezeelaan 42A
2678 KZ De Lier
T +31 (0)174 517 700
M +31 6 10 08 30 43
a.hofland@hortikey.com
www.hortikey.com