Autonoom Telen

Om het kassysteem te beheersen dat bestaat uit gewas, klimaat en substraat, is een begrip van de plantenfysiologie van vitaal belang. Plantenfysiologie is gericht op het begrijpen van de groei en ontwikkeling van planten, inclusief de onderliggende plantprocessen, zoals fotosynthese en transpiratie, als reactie op veranderingen in hun omgeving.

Een volledig begrip van de ontwikkeling van op ecologie gebaseerde plantgezondheidssystemen, afgestemd op lokale omstandigheden in termen van watergebruik en -kwaliteit, substraat- en nutriëntengebruik, zijn essentiële dimensies om het niveau van volledig
autonome teelt te bereiken.

Het optimaliseren van de ontwikkeling van planten in de loop van de tijd en het garanderen van onderzoeksproeven en gegevens van hoge kwaliteit, maken menselijke betrokkenheid noodzakelijk. Dit vereist planning, organisatie en kwaliteitsmanagement. De inzichten die gegenereerd worden door grootschalige experimenten zijn essentieel om tot een grondig inzicht te komen welke technologieën het meeste voordeel kunnen opleveren voor autonome teeltsystemen.

Omgevingsfactoren (bijv. licht) en beheerpraktijken (bijv. rijafstand, snoeien, LED's) beïnvloeden de groei en opbrengst van gewassen. We gebruiken (3D) gewassimulatiemodellen om de effecten op verschillende gewassen die in kassen en verticale boerderijen worden
geteeld, te onderzoeken.

De toepassing van fysieke modellen is een manier om het kasklimaat te voorspellen op basis van de principes van het berekenen van
warmte- en massabalansen. De componenten ervan, zoals absorptie van zonlicht en kunstlicht, verwarming, gewastranspiratie, condensatie en ventilatie, volgen bekende natuurkundige wetten. De parameters die deze fysieke processen beschrijven, zijn een belangrijk onderwerp van ons voortdurende onderzoek. Bovendien wordt het model voortdurend bijgewerkt met de ontwikkeling van klimaatbeheersingsapparatuur, zoals de nieuwste verlichtingsmodules, ontvochtigers, energieschermen en koelapparatuur. Berekeningen op basis van deze goed geparameteriseerde processen stellen ons in staat om klimaatbeheersingsstrategieën te definiëren en te implementeren die efficiënt zijn in het gebruik van hulpbronnen.

Digital Twins maken gebruik van data-integratie, kunstmatige intelligentie (AI) en machine learning om een virtuele versie van een gewas te creëren. Deze simulatiemodellen worden continu gevoed met realtime informatie van de werkelijke omstandigheden in een kas, waardoor het mogelijk wordt om processen en reacties van planten nauwkeuriger te analyseren en te simuleren. Met behulp van digital twins kunnen we planten beter monitoren en toekomstige scenario's voorspellen.

Verticale boerderijen zijn plantenproductiesystemen waarbij alle omgevingsparameters volledig controleerbaar zijn. Dit geeft een ongekend vermogen om het gewas te voorzien van de middelen die het nodig heeft, wanneer het die nodig heeft, om optimaal te groeien. Met volledig afgesloten hogedraad- of meerlaagse onderzoeksfaciliteiten kan onderzoek naar het gebruik van middelen en gewasreacties onder verschillende omgevingen nauwkeurig worden gekwantificeerd.

Camerasystemen met spectrale beeldvorming zijn in staat om niet-destructief chemische verbindingen, stress- en ziektesymptomen in planten en vele andere plantkenmerken te meten die onzichtbaar zijn voor gewone RGB-camera's. Spectrale beeldvorming biedt een schat aan informatie om de kwaliteit van objecten te detecteren dankzij een analyse van het hele spectrum die per pixel beschikbaar is. Met behulp van spectrale beeldvorming in combinatie met modellen kunnen we de ruimtelijke verdeling van het drogestofgehalte, de stikstofstatus of suikerconcentratie meten, en zelfs lycopeen, chlorofylconcentratie en nog veel meer.

Niet-invasieve sensoren kunnen een verscheidenheid aan planteigenschappen, teelt en klimaatomstandigheden in kassen meten en bewaken. De gegevens bieden inzichten om de omstandigheden in de kas voortdurend te verbeteren en managementbeslissingen te ondersteunen. Er is een breed scala aan robuuste sensoren beschikbaar en er worden voortdurend nieuwe sensoren en verbeteringen uitgebracht.

Robotsystemen in kassen moeten kunnen werken in een zeer uitdagende omgeving en kunnen omgaan met complexe producten die veel variatie en verandering in de tijd vertonen (bijvoorbeeld groeien of rijpen). Wij ontwerpen robotsystemen die hardware en software combineren tot een goed functionerende robot die kan denken, voelen en handelen in dergelijke omstandigheden, met een belangrijke focus op het vervangen van dure arbeid voor saaie, repetitieve en onplezierige taken.

AI wordt snel alomtegenwoordig, grotendeels vanwege de standaardisatie van deep learning-modeltraining. De volgende grens ligt in het standaardiseren van implementatie, het volgen van modelprestaties en het maximaliseren van efficiëntie door middel van actief leren, waarbij alleen de meest informatieve afbeeldingen worden geannoteerd. Succes bij het toepassen van AI hangt echter af van de integratie van systeemkennis.

Dankzij de vooruitgang in sensortechnologie kunnen in kassen steeds meer eigenschappen worden gemeten. Toch hebben telers vaak moeite om deze metingen te vertalen naar bruikbare feedback voor hun gewassen. Dit is waar samenwerking tussen gewasgroei- en AI-experts cruciaal wordt. Samen richten we ons op het identificeren van eigenschappen die niet alleen meetbaar en relevant zijn, maar ook direct gekoppeld zijn aan gewasgroeimodellen.

Benieuwd naar het optimaliseren van AI voor uw toepassing? Neem contact op met ons team van experts, wij helpen u graag.

De eigenschappen die we moeten meten in de landbouw zijn gevarieerd en vereisen vaak, traditioneel, dat we de plant manipuleren en soms beschadigen om nauwkeurige ideeën te krijgen over de biomassa, wortelstructuur of eiwitinhoud. Niet-destructieve beeldvorming stelt ons in staat om deze eigenschappen te meten terwijl de plant in leven is en geeft aanvullende functionele informatie over hoe de plant in realtime reageert op stress. Niet-destructieve beeldvorming omvat een breed scala aan technologieën, van radar en elektrische impedantietomografie om ondergrondse structuren in kaart te brengen tot radioactieve koolstoflabels om het metabolisme van de plant te onderzoeken en röntgenbeeldvorming waarmee fijne structuren in het plantenweefsel kunnen worden gezien.

AI-modellen moeten worden getraind met veel hoogwaardige data. In gevallen waarin het niet mogelijk is om voldoende geannoteerde trainingsdata te krijgen, kunnen synthetische data worden gebruikt om echte data aan te vullen. We maken realistische 3D-modellen van planten, die er zowel uitzien als variëren zoals ze in de echte wereld te zien zijn.

Met deze data kunnen we virtuele omgevingen creëren die hoogwaardige geannoteerde data bieden. We kunnen ook robots toevoegen aan deze omgeving, wat resulteert in een virtuele speeltuin waar robots kunnen worden getest en getraind om de complexe taken uit te voeren die we tegenkomen in de agrovoedingssector.

Het tijdig en nauwkeurig monitoren van defecten in fruit, groenten, bollen en bloemen is cruciaal om consumenten een hoge kwaliteit te garanderen. Het leveren van defectvrije producten blijft echter een uitdaging, omdat kwaliteitsinspecties nog steeds grotendeels door mensen worden uitgevoerd, wat fouten kan introduceren. Zouden geautomatiseerde systemen en slimme dataverzameling de sleutel kunnen zijn tot het tijdig detecteren en voorspellen van de ontwikkeling van defecten?

Telers spelen een essentiële rol bij het aanpassen van het klimaat aan optimale groeiomstandigheden voor gewassen. Ze houden de planten voortdurend scherp in de gaten tijdens hun ontwikkeling tot aan de oogst en zorgen zo voor een hoge opbrengst, winst en omzet. Autonome besturing is de volgende stap in het ondersteunen van telers om een stapje terug te doen van dit veeleisende proces, zodat ze zich kunnen richten op andere aspecten van het optimaliseren van de gewasproductie.

Bemesting speelt een cruciale rol bij het leveren van twee essentiële elementen aan planten: water en voedingsstoffen. Het succes ervan ligt in het vermogen om deze elementen in de juiste hoeveelheden, op het juiste moment en op de juiste plaats te leveren. Dit ogenschijnlijk eenvoudige concept omvat echter complexe interacties. Net als klimaatbeheersing moet bemesting zich aanpassen aan veranderende omgevingsomstandigheden en groeifasen van de plant. Om deze
aanpasbaarheid te bereiken, zijn nauwkeurige gegevens en betrouwbare modellen essentieel, die nauwkeurige en tijdige aanpassingen mogelijk maken. Fouten in dit proces kunnen de hele groeipoging in gevaar brengen. Bij ons Root Zone Dynamics-team gebruiken we de principes van Integrated Rootzone Management
(IRM) om innovatie en vooruitgang in toegepaste wetenschap te stimuleren, waarbij we voortdurend bemestingstechnieken verfijnen voor optimale resultaten.

Micro-organismen zijn overal om ons heen en vervullen veel essentiële functies, zoals het ondersteunen van de groei van planten, het onderdrukken van ziekteverwekkers in de wortelzone en het omzetten van voedingsstoffen. In ons onderzoek bestuderen we hoe we het microbioom kunnen sturen om de groei van planten te ondersteunen,
ziekteverwekkers in de wortelzone te onderdrukken en voedingsstoffen
beschikbaar te maken bij de overstap naar organische meststoffen. Het meten van de effecten van nuttige micro-organismen op de groei en het functioneren van planten kan worden geïntegreerd in toekomstige autonome systemen.