Ziekzoekrobot

Een robot die net zo goed selecteert als de NAK keurmeester dat doet. Dat is het doel van de zoektocht naar vergaande automatisering van de aardappelselectie. Jan Kamp van de WUR is projectleider van het project Smart Ziekzoeker Pootaardappelen waar deze machine in wordt ontwikkeld en lichtte het project toe op de aardappeldag.. Het project is gestart in 2015. En gedurende het project zijn technieken getoetst en zijn keuzes gemaakt. Dat heeft geleid tot een hoeveelheid kennis en ervaring waarmee nu een werkend prototype gaat worden gebouwd.

Onzichtbaar licht

De technieken waar bij aanvang van het project op werd gefocussed waren hoog technische technieken zoals hyperspectraalcamera’s die zowel zichtbaar als onzichtbaar licht detecteren en dusdanig nauwkeuring zijn dat als het ware een vingerafdruk van iedere plant kan worden genomen op basis van het gesignaleerde spectrum. Ook technieken die temperatuurverschillen en fotosynthese meten zijn technieken die bij aanvang getoetst zijn. Daarnaast is er techniek gebruikt die foto’s van de aardappel in 3D beelden om kan zetten. De focus van detectie ligt in de ontwikkeling van de ziekzoeker op het signaleren van Erwinia. 

Leren

Na de toetsing van de technieken in het laboratorium werd duidelijk dat de ziekteherkenning gebaseerd zou moeten worden op deep learning technieken. Dat houdt in dat computerprogramma’s veel beeldmateriaal verzamelen en analyseren en op basis van deze plaatjes ‘leren’ welke de zieke en welke de gezonde planten zijn. Het gehele onderzoek kent een aantal fases waarbij laboratorium proeven vooral de ontwikkeling is van de afzonderlijke techniek. Laboratoriumproeven moeten niet al te letterlijk worden genomen. Ook in het veld kunnen laboratoriumproeven worden uitgevoerd. Dat is nog steeds toetsen van afzonderlijke techniek in gecontroleerde omstandigheden. Dat betekent dat de technieken in een laboratoriumonderzoek in het veld zijn getoetst.

Milliseconde

De conclusies die daaruit getrokken zijn, maken het mogelijk om en prototype te bouwen. Belangrijkste conclusie is dat er geen noodzaak is voor de inzet van dure hyperspectraalcamara’s. Dat maakt het eenvoudiger. De noodzaak van lerende systemen is daartegenover wel heel groot. Daarbij is ook snelheid van signalering en analyse van groot belang. Het deep learning onderdeel heeft een leerproces gehad bij de bestrijding van aardappelopslag. In dit werkproces heeft het signaleringsprogramma geleerd om aardappels te herkennen en dat kan nagenoeg realtime. In de opzet bij aardappelopslagsignalering zit er minder dan 50 milliseconde tussen foto en spuitactie.

Niet ziek

Ook de signalering van Erwinia heeft de computer zichzelf eigen gemaakt en de resultaten bieden genoeg aanleiding om verder te gaan op deze weg. De signalering van gezonde planten door de machine gecontroleerd door een ervaren keurmeester ligt tussen 82 en 97%. De signalering van zieke planten is iets anders dan de planten die niet gezond zijn. Het systeem moet nadrukkelijk de planten herkennen die ziek zien om ze te kunnen selecteren. De signalering van zieke planten ligt tussen 71 en 93% op basis van controle door de keurmeester. Dat is nog lang niet de doelstelling maar is genoeg aanleiding om een prototype te ontwikkelen en deze in 2020 te toetsen. 

Het selectieproces is erg belangrijk en de werkzaamheden zijn ook erg gevoelig voor de gezondheid van het gewas. Dit proces uit handen geven aan een machine vraagt een gedegen onderzoek. Dit onderzoek moet het vertrouwen geven voor toepassing in de praktijk van de pootaardappelteelt. In het onderzoek worden de keuzes gemaakt voor de techniek en het onderzoek laat tot nu toe zien dat automatisch ziek zoeken potentie heeft. Genoeg aanleiding om het onderzoek te vervolgen en genoeg aanleiding om de resultaten te volgen en te beoordelen. Technische mogelijkheden worden meer en meer onderdeel van de akkerbouwpraktijk. Het ontwikkelen en pasklaar maken is ingewikkeld is onderdeel van de zoektocht van de pootaardappelteelt voor de toekomst