Autonoom Telen

Plantenfysiologie draagt bij aan het begrip van het functioneren van planten, zoals de processen die in planten plaatsvinden als reactie op veranderingen in hun omgeving en hoe ze zich aanpassen aan stress.

Omgevingsfactoren, zoals licht, hebben effect op de groei en opbrengst van gewassen. We gebruiken simulatiemodellen om deze effecten te onderzoeken in gewassen die in kassen en vertical farming worden geteeld.

De toepassing van fysische modellen is een manier om het kasklimaat te voorspellen op basis van de principes voor het berekenen van warmte- en massabalansen. De onderdelen daarvan, zoals absorptie van zon- en kunstlicht, verwarming, gewastranspiratie, condensatie en ventilatie, volgen bekende natuurkundige wetten. Met berekeningen middels deze voorspelbare processen kunnen we strategieën voor een efficiënte klimaatregeling definiëren en uitvoeren.

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 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.

Multi- en hyperspectrale beeldvormingsmethoden behoren tot de krachtigste om bestanddelen, stress en ziektesymptomen in planten te meten. Spectrale beeldvorming biedt een schat aan informatie om objecten en hun locatie te detecteren dankzij niet slechts één, maar een heel spectrum van waarden die per pixel beschikbaar zijn. Met behulp van spectrale beeldvorming in combinatie met modellen kunnen we de ruimtelijke verdeling van droge stofgehalte, stikstofstatus of suikerconcentratie en zelfs lycopeen- of chlorofylconcentratie meten.

Niet-invasieve sensoren kunnen in kassen allerlei planteigenschappen en klimaatomstandigheden meten en monitoren. De gegevens leveren inzichten op om de omstandigheden in de kas voortdurend te verbeteren en managementbeslissingen te ondersteunen. Sensoren hebben ook potentieel voor het opsporen van plantenziekten.

Robotsystemen in kassen moeten kunnen werken in een zeer uitdagende omgeving en omgaan met complexe producten die veel variatie en verandering in de tijd vertonen (groeien of rijpen, bijvoorbeeld). Wij ontwerpen robotsystemen die hardware en software combineren tot een functionerende robot die in dergelijke omstandigheden kan denken, voelen en handelen.

Het leervermogen van een robot is een belangrijk onderdeel van zijn intelligentie. Het is mogelijk om met behulp van machine learning patronen te ontdekken, bijvoorbeeld in foto's. Door middel van een groot aantal datasets met trainingsgegevens, leert de kunstmatige intelligentie zichzelf automatisch niet alleen wat er op een foto staat, maar ook waar het object zich op de foto bevindt. Een sterke kracht van machine learning is dat het kan omgaan met de grote mate van diversiteit die aanwezig is in natuurlijke producten. Machine learning kan ook worden gebruikt om bijvoorbeeld een robot te leren voorwerpen vast te pakken of opbrengstvoorspellingen te doen.

Hoe kunnen robots of andere geautomatiseerde systemen gegevens zien en omzetten in bruikbare informatie? Met behulp van computervisietechnieken kunnen we gegevens nauwkeurig analyseren om modellen te vormen, en modellen omzetten in objectieve informatie. Door kenmerken als productgrootte, oppervlaktefouten, bladoppervlak of stengellengte te beoordelen, kunnen we automatisch verschillende plantenkenmerken herkennen (fenotypering).