Nieuws

Kunstmatige Intelligentie kan een slagewas autonoom telen

article_published_on_label
8 april 2022

In een eerste testcyclus werd tijdens de 3de Autonomous Greenhouse Challenge sla geteeld met AI-algoritmen in een hydroponisch kassysteem. De vijf internationale teams die deelnemen aan de laatste ronde van de 3e Autonomous Greenhouse Challenge hebben het eerste try-out experiment achter de rug. De teams testten hun algoritmes en deden ervaring op tijdens een eerste teeltcyclus met sla. De teams bereiden zich nu voor op de laatste teeltcyclus om de winnaar te bepalen.

Het doel van de 3e Autonomous Greenhouse Challenge is om in twee teeltcycli volledig autonoom met een AI-algoritme vanuit een cloudplatform sla te telen met een goede kwaliteit en weinig grondstof- en energieverbruik en zonder menselijke tussenkomst in de proefkassen van Wageningen University & Research in Bleiswijk.

Wat is gedaan?

De eerste teeltcyclus van de 3de Autonomous Greenhouse Challenge begon op 2 februari jl. met het planten van de sla cultivar Salanova. Vijf teams (Team CVA, Team digital_cucumber, Team MondayLettuce, Team VeggieMight, Team Koala) namen deel aan het eerste try-out experiment om hun algoritmes te testen en ervaring op te doen. De referentiekas werd geteeld door de organisatoren van WUR. Het doel van de teams was om de nettowinst van de slateelt te maximaliseren.

Elk team had de beschikking over een kascompartiment van 96 m2 in de hightech kassen van Wageningen University & Research in Bleiswijk, uitgerust met standaard klimaatsensoren en apparatuur. De algoritmes van de teams moesten de setpoints bepalen voor temperatuur, hoeveelheid daglicht en kunstlicht, verwarming, CO2-concentratie en teelt gerelateerde parameters zoals gewasdichtheid. Vision-technologie voorzag de teams van online informatie over de teeltstatus. De algoritmes van de teams waren geïnstalleerd op een virtuele machine op een beveiligde WUR-server. Gegevens uit de kas kwamen binnen van de procescomputer in de kas via een digitale interface van LetsGrow, gegevens van speciale sensoren via een Azure Cloud server. Tegelijkertijd stuurden de algoritmes autonoom setpoints terug via het LetsGrow interface naar de procescomputer, welke uiteindelijk de klimaatbeheersing in de proefkas aanstuurt.

Verschillende strategieën leiden tot interessante lessen

Teams volgden verschillende klimaatstrategieën, variërend in temperatuur, extra LED-licht en CO2 dosering. Dit resulteerde in verschillende groeiduur van de sla, verschillende kropgewichten en min of meer gebruik van energie en andere resources. Zo varieerde de gemiddelde temperatuur tussen 18,9 en 21,9oC en de dagelijkse hoeveelheid PAR-licht tussen 9,1 en 16,3 mol/m2/dag. Ook hanteerden de teams diverse strategieën in relatie tot de gewasafstand, wat resulteerde in een variatie van gemiddelde plantdichtheden van 24 tot 38 planten/m2. Als gevolg hiervan verschilde de groeiduur met oogstdata van 10 maart tot 21 maart, het gemiddelde plantgewicht bij de oogst varieerde van 138 tot 320 g.

Naast het gewicht was de kwaliteit van de krop sla belangrijk om de prijs te bepalen. Slakroppen werden ingedeeld in drie categorieën: klasse A voor slakroppen zwaarder dan 245g, klasse B voor slakroppen tussen 220 en 245g en klasse C voor slakroppen lichter dan 220g en/of van slechte kwaliteit zoals bladrand of botrytis. Voor sommige teams waren bladrand en botrytis zeer ernstig. De experimenten toonden aan dat hoge stralings- en temperatuurniveaus geassocieerd waren met hoge niveaus van bladrand.

Sponsors

De challenge wordt gesponsord door Tencent, Fluence by Osram, Gebr. Geers B.V., Sigrow, LetsGrow.com, Ridder, Hortiplan, Glastuinbouw Nederland, Kas als Energiebron en Gemeente Lansingerland.

Het referentiegewas werd geteeld bij een relatief lage temperatuur (18oC) en lage PAR-gehalten (9,1 mol/m2/d), wat resulteerde in zeer lage bladrand en geen botrytis. Het had echter niet het hoogste aantal klasse A slakroppen en de groeiduur was langer om het beoogde slagewicht te bereiken (tot 15 maart). De referentie werd geteeld met een relatief lage lichtintensiteit en een relatief lage verwarming, wat resulteerde in het laagste elektriciteitsverbruik en -kosten.

De autonoom geteelde sla bereikte het gewenste slagewicht met tot 3 keer hogere elektriciteitskosten, de meeste ook met hogere stookkosten. In de eerste proefronde slaagden de teams er nog niet in om een ​​positieve nettowinst te realiseren door óf problemen met de kwaliteit van de sla óf een hoog gebruik van energie.

Wat werd wel bereikt?

Alle teams konden ervaring opdoen met het autonoom telen van sla. De AI-algoritmes van Teams waren in staat om setpoints te bepalen en de slateelt aan te sturen. De gerealiseerde besturing van gewas- en klimaatmetingen leverde zeer waardevolle datasets en leerresultaten op die de teams kunnen gebruiken bij het verfijnen van hun algoritmes voor de volgende fase. Data uit alle kascompartimenten zullen door WUR worden gebruikt om de teams een bijgewerkte computersimulatieomgeving van kas en gewas beschikbaar te stellen zodat deze hun algoritmes opnieuw kunnen trainen en verfijnen gedurende de komende weken.

Wat komt hierna?

De laatste teeltcyclus start op 2 mei a.s. Het team dat tijdens die teeltcyclus de hoogste nettowinst behaalt, kroont zich tot winnaar. Het publiek kan de wedstrijd en de prestaties van de teams volgen op ons live dashboard. Hier kun je de slateelt volgen en ontdek je welk team de meeste sla heeft geoogst of het meest efficiënt met energie is om gegaan.

Slotevenement op 1 juli

Op 1 juli 2022 organiseren we een International Autonomous Greenhouse Event. Het evenement vindt plaats bij Wageningen University & Research in Bleiswijk. De meeste onderdelen worden ook uitgezonden op ons YouTube-kanaal. Het programma van het evenement is te vinden op de pagina van het International Autonomous Greenhouse event. Daar vind je ook het aanmeldformulier.

Net als in de eerdere edities worden alle verzamelde gegevens (niet de algoritmes) na afloop van de wedstrijd openbaar gemaakt.

Kijk op de website van Autonomous Greenhouse voor meer achtergrondinformatie.