Slimme landbouw
Van theorie naar praktijk
Slimme landbouw laat je toe om alles rond je landbouwproductie beter te beheren. Denk hierbij aan het beter omgaan met gewassenfalen, het beheer van landbouwgrond, de impact van het weer, etc. Met slimme landbouw krijg je kortom een vlottere landbouwproductie, wat resulteert in een verbeterde en verhoogde productie.
Toepassingen
Landbouw vandaag is afhankelijk van een hele reeks machines en gereedschap. AI geeft je nieuwe machines en gereedschap die je bijstaan tijdens het landbouwen.
Ten eerste helpt AI betere inschattingen te maken rondom je landbouwproductie. Denk bijvoorbeeld aan het inschatten van hoeveel melk koeien individueel of in groep zullen produceren op basis van verscheidende data, zoals de gezondheid van de koeien. Een gelijkaardige toepassing stelt op basis van bijvoorbeeld een koe haar hartslag en lichaamstemperatuur de beste behandeling voor om de hoogste melkproductie te bekomen.
Met behulp van AI sta je ook dichter bij je veld. Je kan zo gemakkelijk de conditie van de bladeren van je wijngaard in de gaten houden, of makkelijker bladeren met ziektes van elkaar onderscheiden. AI kan ook helpen om makkelijk geografische kaarten te creëren van welke gebieden meer of minder water nodig hebben. Met behulp van computervisie kun je ook de groei van onkruid in de gaten houden, zoals bijvoorbeeld tussen sojaboon.
Het oogsten van groenten en fruit is in veel gevallen heel arbeidsintensief. Dit gaat natuurlijk gepaard met hoge productiekosten. Met AI beschik je over meer mogelijkheden om de oogst van groenten en fruit te automatiseren en verbeteren. Denk bijvoorbeeld aan een computervisiesysteem dat zelf de takken van een kersenboom herkent en toelaat om de schud-en-vang techniek meer te automatiseren. Of een gelijkaardig systeem dat het aantal fruit op een koffieplant herkent en kijkt in welke mate dit fruit al oogstbaar is.
Tot slot heb je ongetwijfeld ook al gehoord van zelfrijdende of autonome auto's. Dergelijke autonome voertuigen bieden ook een groot voordeel in de landbouw. Zo kunnen lichte autonome voertuigen een grondbodemanalyze uitvoeren, wat met een zwaarder bemand voertuig makkelijker de ondergrond zou beschadigen. Drones - autonome vliegende voertuigen - helpen dan weer met het sproeien van gewassen en het monitoren van het veld vanuit de lucht. Robotten verlichten de fysieke arbeid door bijvoorbeeld bij te staan in het mechanisch wieden van onkruid zonder chemische producten voor onkruidbestrijding te gebruiken.
Vereisten
Data
- Geannoteerde beelddata – afhankelijk van use case
- ~Beelden van te oogsten en niet te oogsten planten
- ~Beelden van locaties waar geplant/gezaaid mag worden
- ~Beelden van te besproeien/bemesten en niet te besproeien/bemesten planten
- Optioneel: Geannoteerde sensordata
- ~Vochtigheid, temperatuur...
- Optioneel: Klimatologische gegevens van voorgaande periode
- ~Neerslag, temperatuur, luchtvochtigheid...
- Optioneel: Voorgaande relevante gebeurtenissen
Hardware
- Camera
- Voertuig - robot
- Optioneel: Sensoren
Algoritme
- Classificatie-algoritme voor herkenning van beelddata
- ~Convolutional neural networks
- ~Recurrent neuraal netwerk
Aandachtspunten
- Te gebruiken algoritme is afhankelijk van je exacte toepassing. Voor binaire of categorische beslissingen (wel/niet oogsten, planten, bemesten besproeien) is de uitkomst van je algoritme een label en hoor je een classificatie algoritme te gebruiken. Indien de beslissing het vaststellen van een locatie (coördinaten op een beeld) is, heb je behoefte aan een regressie-algoritme.
- Beelddata en sequentiële data vergen elk specifieke algoritmes voor verwerking. Indien je de herkenning voornamelijk op beelddata uitvoert, heb je nood aan een variant van een convolutional neural network. Wanneer je echter ook rekening wilt houden met een sequentie van voorgaande events, dan kan het zijn dat je een hybride netwerk met kenmerken van een recurrent netwerk nodig hebt. Indien je geen beelddata gebruikt, maar enkel sensor data of tabulaire data, dan wil je wellicht gebruik maken van een decision tree of een klassiek neuraal netwerk.
- De oplossing is meerledig. Automatische landbouwvoertuigen hebben drie belangrijke componenten. (1) Een herkenningsmodule die aangeeft of en eventueel welke taak uitgevoerd moet worden (2) een module om de handeling effectief aan te sturen en (3) een module om zich te verplaatsen over het perceel. Hierbij is AI vooral belangrijk bij (1). Ook bij (3) kan er AI aan te pas komen, maar dit kan evenzeer gebeuren via een vaste route over een gekend grondplan. Component (2) is een mechanische component die werkt op basis van de specificaties die besloten werden in (1).
- Gebruik relevante data voor het trainen van je algoritme. Algoritmes voor beeldherkenning moeten getraind worden op beelden zoals ze die in de praktijk zouden te zien krijgen. M.a.w. beelden zijn idealiter gemaakt vanuit het standpunt van het voertuig, met een camera die dezelfde specificaties heeft als de camera(‘s) in dat voertuig.
- Oplossingen uit andere domeinen kunnen je algoritme een boost geven. Algoritmes voor beeldherkenning kunnen gebruik maken van transfer learning. In transfer learning train je geen volledig algoritme vanaf nul, maar start je van een model dat reeds getraind is op een andere toepassing. Vervolgens voer je verdere trainingsiteraties uit om het model bruikbaar te maken voor je eigen case.
Stappenplan
- Bepaal voertuigspecificaties en selecteer een leverancier
- Verzamel beelddata met camera vanuit voertuig
- Voorbereiden van beelddata
- ~Annotaties toevoegen met verwachtte voorspelling per beeld
- ~Opsplitsen in training en test set
- ~Normaliseren van beelddata
- Trainen van beeldherkenningsalgoritme
- ~Downloaden van pre-trained model voor beeldherkenning
- ~Verder trainen van model op training set
- ~Finetunen van model a.h.v. validatieset
- ~Evalueren van performantie
- Ontplooien van getraind model in voertuig
- ~Ontplooien van model
- ~Beslissing integreren met aansturingsmechanisme
- Monitoren van performantie
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
