Machine Deep Learning in plantententeelt

In het Ideal Research Greenhouse Lab hebben studenten van Hogeschool Inholland gewerkt aan het meten en visualiseren van de sapstroom in planten en het voorspellen van de groei van de kopdikte van planten met behulp van Machine Deep Learning. Doel van dit project is het realiseren van een plantbeheersmodel in lijn met “Het Nieuwe Telen” welke zichzelf constant en continu optimaliseert. De input van natuurlijke grondstoffen, benodigd voor plantactiviteit, wordt geminimaliseerd terwijl de plant een maximale opbrengst geeft. Met een dergelijk model kan het klimaatbeheersingssysteem in kassen worden geautomatiseerd en kan vooraf worden ingesteld hoe de planten zich moeten ontwikkelen om een optimaal kweekresultaat te krijgen. Telers die in het open veld  telen krijgen meer inzicht in de ontwikkeling van hun gewassen en kunnen deze ontwikkeling actief sturen.

Binnen het Ideal Research Greenhouse Lab werken Inholland-studenten aan diverse projecten. Er is ruimte voor dertig studenten van opleidingen van de domeinen Techniek, Ontwerpen & Informatica en Agri, Food & Life Sciences. Het doel van de projecten is onder andere om big data-toepassingen in de tuinbouw en agribusiness te ontwikkelen en zo oplossingen te vinden voor complexe vraagstukken in deze sectoren. In de projecten staat de vraag centraal hoe de waarde van big data gerealiseerd kan worden aan de hand van geavanceerdere software, grotere rekencapaciteit en wiskundige of statistische modellen. Alle projecten hebben het doel om de goede uitgangspositie voor de agribusiness in Noord-Holland Noord te behouden en waar mogelijk te versterken ten opzichte van de steeds sterker wordende internationale concurrentie.

”Bij het vakgebied big data denk je eerder aan een baan in de beveiliging, de telecom of de financiële sector, maar minder snel aan de agrarische sector. Terwijl me nu wel duidelijk is dat daar ook echt een toekomst ligt.”

Jeroen van den Bulk, student Informatica

Sapstromen in het gewas zijn een belangrijke indicator voor de plantontwikkeling. Er wordt gemonitord met behulp van hitte balans sensortechnologie. Binnen dit project zijn algoritmen ontwikkeld die de vochtbalans in de plant monitoren. De vochtstromen (Xylem) en hun balans is in de praktijk een van de moeilijkst te meten en controleren parameters van dit nieuwe teeltsysteem. Planten kunnen optimaal worden gekweekt op basis van het proactief inspelen op verdamping van vocht uit de plant. Een model is ontwikkeld om het ontwikkelproces van de plant te sturen, automatiseren, reguleren en optimaliseren terwijl verspilling van grondstoffen zoals water, voedingsstoffen, etc. wordt geminimaliseerd of zelfs voorkomen. Om een goed model te ontwikkelen die in staat is om de plantontwikkeling te voorspellen is gekozen om data-analyse toe te passen. Aangezien het ontwerp van een dergelijk model erg complex is, wordt experimentele data gebruikt die is verkregen in een compleet gecontroleerde omgeving, zoals een broeikas. De vochtbalans in de plant wordt hierbij gerelateerd aan de klimatologische parameters in de directe omgeving van de plant.

Recente ontwikkelingen in Machine Learning (ML) en vooral het zogenoemde Deep Learning (DL) geven ons krachtige nieuwe analytische tools. Met deze technieken is het mogelijk om sapstroomdata en de stamdikte te gebruiken om plantontwikkeling te voorspellen en bij te sturen. Tijdens het uitwerken van deze technieken en deze te implementeren in een model is gebruik gemaakt van Cherrytomaten in een gecontroleerde broeikas omgeving. De resulterende modellen zijn geschikt voor toepassing buiten, in het open veld voor de voorspelling van sapstromen en plantkop diktegroei. Het controleren van de groei is lastiger aangezien buiten het klimaat niet of onvoldoende kan worden beïnvloed. Wel kunnen klimatologische parameters zoals wind en de invloed hiervan op de metingen meegenomen worden in het model voor optimale voorspellingen.

Een vergelijkingsonderzoek is uitgevoerd waarin diverse ML methoden zijn gebruikt om plantdata te analyseren en deze te benchmarken naar effectiviteit en nauwkeurigheid in relatie tot de echte situatie. Om de voorspellingen die de modellen geven overzichtelijk weer te geven en de teler de mogelijkheid te geven de ontwikkeling van zijn gewassen te beïnvloeden, is een dashboard ontwikkeld. Hierin kan de teler zien of zijn gewas zich op een gezonde manier ontwikkelt of dat er ziektes in het gewas zitten.

Dankzij  het EFRO-project zijn veelbelovende resultaten behaald gebaseerd op de data die is verzameld in het “Ideal Lab Greenhouse”, in Naaldwijk.
Projectbegeleiding Inholland: Ir. Amora Amir, Dr. Marya Butt,  Ir. Cees Jeroen Bes.

Lees ook: Living lab Inholland, big data in de land- en tuinbouw  

Download onderstaand bestand voor de volledige beschrijving van dit project: