20.07.2020

Sapstroomdata m.b.v. Machine Deep Learning ingezet als groeivoorspeller

Onderzoek levert ook nieuwe inzichten over contactloze sensor op

Sapstromen in het gewas zijn een belangrijke indicator voor de plantontwikkeling. Studenten van Hogeschool Inholland hebben in het onderzoekscentrum World Horti Center gewerkt aan het meten en visualiseren van de sapstromen in een cherrytomatengewas, waarbij Machine Deep Learning is ingezet om de groei van de kopdikte van de planten op basis van deze data te voorspellen, zo delen zij in een onderzoeksverslag.

Algoritmen

Binnen het project, waarbij werd gemonitord met behulp van hitte-balans-sensortechnologie, zijn algoritmen ontwikkeld die de vochtbalans van de plant monitoren. 
De vochtstromen (Xylem) en hun balans zijn in de praktijk een van de moeilijkst te meten en controleren parameters, aldus de onderzoekers in het verslag. "Planten kunnen optimaal worden gekweekt op basis van het proactief inspelen op verdamping van vocht uit de plant."
Een model is ontwikkeld om het ontwikkelproces van de plant te sturen, automatiseren, reguleren en optimaliseren terwijl verspilling van grondstoffen zoals water, voedingsstoffen, etc. wordt geminimaliseerd of zelfs voorkomen.

Sapstroomdata

Recente ontwikkelingen in Machine Learning (ML) en vooral het zogenoemde Deep Learning (DL) gaven de onderzoekers naar eigen zeggen 'krachtige nieuwe analytische tools'. "Met deze technieken is het mogelijk om sapstroomdata en de stamdikte te gebruiken om plantontwikkeling te voorspellen en bij te sturen."
Het grote voordeel van Machine Learning (ML) technieken is volgens de onderzoekers dat ze in staat zijn om zelf autonoom complexe vraagstukken met behulp van diverse datasets en bronnen op te lossen. "Hierdoor kunnen betere beslissingen worden gemaakt en actie worden ondernomen in hedendaagse scenario’s zonder of met minimale menselijke interventie."

Data vs. praktijk

Een vergelijkingsonderzoek is uitgevoerd waarin diverse ML methoden zijn gebruikt om plantdata te analyseren en deze te benchmarken naar effectiviteit en nauwkeurigheid in relatie tot de echte situatie. 

Om de voorspellingen die de modellen geven overzichtelijk weer te geven en de teler de mogelijkheid te geven de ontwikkeling van zijn gewassen te beïnvloeden, is een dashboard ontwikkeld. Hierin kan de teler zien of zijn gewas zich op een gezonde manier ontwikkelt of dat er ziektes in het gewas zitten.

Sensoren

Het onderzoek vond plaats in het kader van het EFRO Evergreen Project in het onderzoekscentrum World Horti Center in Naaldwijk. Daar stonden cherrytomaten geplant. In de kas zijn sapstromen en stamdikte sensoren van 2GROW geplaatst op de stam van de tomatenplant. Dat leverde de data op waarmee kon worden gewerkt.
Om precies te zijn ging het om PhytoClip-sensoren (eind 2019 geïntroduceerd). De nieuwe sensor maakte het mogelijk om kleinere planten te meten, terwijl grotere sensoren voor grotere wassen toepasbaar zijn. Door de PhytoClip sensor te combineren met de PhytoStem sensoren word het mogelijk om 'bijna elk type plant te meten'.

Voorzet voor alternatieve contactloze sensor

Tot nu toe zijn er alleen sensoren op de markt waarbij de sensor fysiek contact maakt met de plant. Het maken van fysiek contact geeft de plant echter wel stress. Gevolg is dat een plant twee dagen stil kan staan in zijn groei waardoor het niet als referentie kan worden gebruikt voor een populatie planten en bovendien ook een minder sterke plant zal worden.
Studenten binnen Inholland hebben daarom onderzoek gedaan naar contactloze alternatieven en zijn met een concept gekomen gebaseerd op een optische lichtsluis welke langs de stam van de plant kan worden bewogen. Op deze manier kan de dikte van de stam contactloos met voldoende precisie worden gemeten. Verdere uitwerking is echter nodig om tot een prototype te komen.

Bekijk hier het onderzoeksverslag, waarbij de projectbegeleiders vanuit Inholland Ir. Amora Amir, Dr. Marya Butt en Ir. Cees Jeroen Bes waren. 

Gepubliceerd op Groentenieuws.nl op 20 juli 2020

Foto: InHolland