AGROS validatieproef bevestigt de haalbaarheid van autonome besturing door kunstmatige intelligentie in kassen

"De afgelopen twee jaar hebben we gewerkt aan de bouwstenen voor een autonome teelt van komkommers. We bepaalden de plantkenmerken die essentieel zijn voor de besluitvorming voor gewasbeheer en klimaatregeling en kozen de sensoren om deze kenmerken te meten. Om de kas autonoom te besturen, ontwikkelden we algoritmen op basis van twee benaderingen: een Digital Twin gebaseerd op mechanistische modellen en een machine-learning-algoritme op basis van Reinforcement Learning," legt Anja uit. Begin dit jaar startte de validatieproef: deze twee benaderingen en een telersreferentie werden toegepast in een kasproef met echte komkommergewassen om hun prestaties te evalueren in de onderzoeksfaciliteiten van WUR in Bleiswijk.

- Helaas, uw cookie-instellingen zijn zodanig dat de video niet getoond kan worden - pas uw permissie voor cookies aan

Het doel was om de hoogst mogelijke nettowinst te behalen, die werd bepaald door de balans tussen variabele kosten (elektriciteit, aardgas, CO2) en baten (aantal geoogste komkommers, afhankelijk van het vruchtgewicht). Op 11 mei werden de laatste komkommers geoogst in de kascompartimenten van de AGROS-validatieproef.

Productie in telerscompartiment komt overeen met voorspelling

De klimaatregeling en het gewasmanagement in het 'telerscompartiment' was gebaseerd op de huidige teeltkennis en best practices, met een vooraf gedefinieerde teelt- en irrigatiestrategie die gericht was op het realiseren van een evenwichtige gewasgroei en -productie. De basis van de strategie was de vraag van het gewas naar assimilaten, geleverd door zonlicht, extra LED-verlichting en de temperatuur- en CO2-toevoerstrategie. De irrigatiestrategie resulteerde in een gewas met een sterke groei aan het begin van de teelt. Toen de eerste bloemen verschenen, werd de fruitsnoeistrategie bepaald op basis van het aantal nieuw gevormde bladeren en de verwachte lichtniveaus. Het concept van de experts was om een krachtig gewas te kweken, in de veronderstelling dat de productie ervan de kosten van elektriciteit, warmte en CO2 zou compenseren. "Het aantal geoogste vruchten kwam zeer goed overeen met de voorspelde opbrengst, die was gebaseerd op het teeltplan dat aan het begin van de proef was gemaakt. Dit toont de robuustheid van het plan aan. Deze controlestrategie bleek gunstig: de nettowinst in het telerscompartiment was het hoogst," zegt Anja.

Autonome teelt in de commerciële praktijk het dichtst benaderd

De Digital Twin die het tweede compartiment aanstuurde, werd gegenereerd door het gecombineerde gewas- en klimaatmodel van de business unit Glastuinbouw. In deze bijna-echte omgeving bepaalde de Digital Twin de ideale regelstrategie op basis van de reacties van het gesimuleerde klimaat en het virtuele komkommergewas. Het gebruikte real-time gegevens van klimaatsensoren en handmatige gewasmetingen om zijn regelstrategie 'zelf te kalibreren' en te verbeteren tijdens de proef. De Digital Twin realiseerde een objectieve regelstrategie, waarbij de werkelijke kosten werden afgewogen tegen de verwachte baten: de komkommers die de komende twee weken zouden worden geoogst. Hoewel het aantal geoogste komkommers lager was, maakte de Digital Twin optimaal gebruik van variaties in elektriciteitsprijzen, wat resulteerde in de laagste prijs per kWh gebruikte elektriciteit. Anja: "Als we naar de nabije toekomst kijken, staat de Digital Twin het dichtst bij de toepassing van autonome teelt in de commerciële praktijk. Het kan objectief beslissingen nemen in complexe kasproductiesystemen, waarbij variabele grondstofkosten en productprijzen in balans worden gebracht."

Baanbrekend volledig autonoom kasbeheer met Reinforcement Learning

In het derde kascompartiment werd het klimaat geregeld door een Reinforcement Learning (RL) algoritme dat was getraind op virtuele datasets van komkommergewassen en klimaat. "AI-toepassing in de glastuinbouw staat nog in de kinderschoenen en dit was een van de eerste keren dat een kas volledig autonoom werd bestuurd door een Reinforcement Learning-algoritme," zegt Anja. Het model kon actuatoren besturen zoals verlichting, schermgebruik, CO2-concentratie en verwarming, maar was niet getraind om irrigatie en het snoeien van fruit te besturen. In de eerste drie weken van de teelt werd de besturing overgenomen van het telerscompartiment en toen de eerste vruchten werden gezet, nam de RL het over. Dit 'black box' model resulteerde in een kasklimaat dat aanzienlijk verschilde van de andere twee compartimenten, maar het gewas bleek goed om te kunnen gaan met de grotere temperatuurschommelingen. Het resultaat was een goede fruitproductie, zelfs met de beperkingen van een vooraf ingestelde snoeistrategie.

Sensoren opnemen in de regelkring

"Idealiter zouden alle besturingen gebaseerd zijn op klimaat- en gewassensoren die continue, geautomatiseerde en objectieve gegevens leveren. In deze validatieproef hebben we de besturing echter nog steeds gebaseerd op handmatige metingen om ervoor te zorgen dat de besturingssystemen niet gehinderd zouden worden door systeemstoringen. De volgende stap in de ontwikkeling van autonome kasbesturing is het opnemen van sensoren in de regelkring, waarvoor robuuste sensoren nodig zijn, ondersteund door zachte sensorgebaseerde oplossingen," besluit Anja.