Drones en landbouw: a perfect match?
Drones kunnen in de landbouw bijdragen aan onder andere opbrengstvoorspelling, ziekte- of onkruiddetectie en aan bemestingsplannen. Flanders Make en EUKA lichtten samen met VITO, ILVO en Pcfruit de resultaten toe van 4 onderzoeksprojecten waarbij dronedata een meerwaarde bieden voor de landbouw.
Met hulp van drones is er meer informatie te verkrijgen over het gewas dan voorheen. Met artificiële intelligentie (AI) kan een drone tijdens een vlucht over een plantage bijvoorbeeld onregelmatigheden opmerken of tellingen doen, waarna de landbouwer daarop kan inspelen.
Dronebeelden gecombineerd met satellietbeelden
VITO ontwikkelde dataplatformen met gegevens verzameld door drones en satellieten. Jurgen Decloedt, business developer voor VITO, vertelt over de infrastructuur die ze bouwden om dronedata en satellietdata te verwerken.
MapEO
“We verwerken foto’s die de drone van een plantage maakt automatisch tot één mooi overzicht, een orthofoto genaamd. Die orthofoto stellen we ter beschikking van de klant, alsook de plantkarakteristieken die we uit die foto’s halen. Die worden zowel visueel als in statistiekvorm bezorgd aan de klant.
Via ons platform van MapEO, kan je een dronevlucht inplannen. Het veld dat je wil laten bevliegen kan je intekenen en dan kan je zelf vliegen of een freelance dronepiloot vragen. Via het platform kan je ook de locatie aangeven, welke gegevens je uit de data wil halen, wanneer er gevlogen moet worden... Dan worden de data gecontroleerd, waarna de beelden verwerkt worden. Binnen de 24 uur worden de data afgeleverd bij de klant.
We hebben bij verschillende gewassen al gegevens verzameld: zoals bij suikerbiet, koolzaad en graan. We kunnen daarbij eenvoudig AI inzetten om bijvoorbeeld aren van graan te tellen. Bij bloemtellingen van bijvoorbeeld uien kunnen we de optimale oogsttijd en de regio’s met lage zaadproductie bepalen.
Bij kool kunnen we de mannelijke en vrouwelijke planten herkennen, waarna we kunnen bekijken hoeveel mannelijke planten er in bloei staan in de buurt van een vrouwtje. Zo berekenen we de bestuivingskans. We kunnen ook reeds een aantal ziektes detecteren bij bijvoorbeeld aardbeien en suikerbiet.”
WatchITgrow
Decloedt: “Het tweede platform is WatchITgrow. Daarop kan je gratis alle publieke data zien en ook de jouwe toevoegen. Met satellietbeelden kunnen we de gezondheid van een gewas bepalen. We berekenen biofysische parameters waarvan we tijdsreeksen maken. Elk perceel kan je dan op interperceelniveau opvolgen. We voegen daar weerdata, bodemdata en data van geconnecteerde apparaten zoals oogstdata van een machine, data van spuitmachines, data van weerstations… aan toe.
Om die data te bekomen, gebruiken we data van de Sentinel-satellieten die door de Europese commissie gratis ter beschikking worden gesteld. In die data vind je verschillende kaarten: bodem, bodemvruchtbaarheid, hoogte, erosie, MAP6… Die kaarten kunnen over elkaar gelegd worden voor individuele analyses. Voor elk veld maken we een groeicurve op basis van die data.”
Wikileeks
“We brengen daarnaast WatchITgrow en MapEO samen in het project Wikileeks om aan precisiebemesting bij prei te kunnen doen (zie ook p. 9). We onderzoeken de meerwaarde van een mengstaal van de bodem, een bodemscan, satellietdata en gewasmonitoring door een drone. KU Leuven gaat in dit project een groeimodel bouwen om aan de hand daarvan advies te geven. Dat project is nog wel in de researchfase, maar we verzamelden al veel gegevens door middel van bodemscans en dronedata.”
Precisiefruitteelt op perenboomgaarden
Pcfruit werkt sinds 2018 aan het Interreg GVN project ‘intelligenter fruit telen’. Daarbij ontwikkelen ze methodes voor precisiefruitteelt. Zo werken ze onder andere met drones, wat volgens hen een grote meerwaarde kan bieden binnen de landbouwsector.
“Het project is gestart met de opvolging van 4 perenboomgaarden in Vlaanderen”, vertelt Joke Vandermaesen, projectcoördinator bij pcfruit. “Met een bodemscan bakenen we verschillende zones in het perceel af. Er worden ook maandelijks dronevluchten uitgevoerd, van de bloei tot aan de pluk. We werken zowel met gewone RGB- als multispectrale camera’s. Met de multispectrale camera konden we per boom vegetatie-indices meten, zoals NDRE en NDVI, als maat voor de gezondheid van het gewas.
Tegelijkertijd meten we in het veld zelf verschillende parameters, zoals de scheutlengte en de vruchtmaat. We hebben ook het aantal bloembotten geteld en bij de pluk hebben we van alle peren de maat en de kwaliteit bepaald. Dat leverde heel veel data op doorheen de tijd, waardoor we evoluties kunnen waarnemen en dronedata vergelijken met velddata.
Vanuit de dronebeelden maken we een kaart met de bloeiintensiteit van de perenbomen. Daarop kan de teler duidelijk zien op welke plaatsen minder bloembotten voorkomen. Zo kan hij zijn teeltmanagement aanpassen. In de toekomst kan dat soort kaarten ook interessant zijn om spuittoepassingen van chemische vruchtdunningsmiddelen aan te sturen. Daarnaast werken we aan een opbrengstvoorspellingsmodel voor peren aan de hand van het aantal bloembotten in combinatie met de NDVI op specifieke tijdstippen.
In augustus 2018, na een lange droge zomer, berekenden we de NDRE en vergeleken die met de droogtestress in het perceel. Op het perceel in kwestie waren 10 irrigatieblokken, waarbij altijd maar 1 blok tegelijk geïrrigeerd kon worden. Doordat er een duidelijk verschil was tussen de verschillende blokken, konden we zien dat er iets mis was met het irrigatiesysteem. Daarom zijn we in het perceel gaan meten hoeveel water overal uit de druppelleiding kwam. Daar bleek een grote variatie op te zitten. De teler was zich daar niet van bewust.
Die informatie hebben we de 2 daaropvolgende jaren gebruikt om een deel van de irrigatie variabel aan te sturen. We irrigeerden enkel als de bodemvochtspanning (gemeten met sensoren) boven de grenswaarde kwam en we pasten de tijdsduur van die irrigatie aan aan de afgifte per irrigatieblok.
Na een tijd konden we concluderen dat de kleur van de peren groener was, het suikergehalte hoger en dat we veel water konden besparen met een goed management, drones en sensoren.
Om de resultaten tot bij de teler te krijgen, zullen we een online dashboard maken dat voor de weergave van dronebeelden een link maakt met het MapEO-platform, maar waarop ook satellietbeelden, bodemscans en dergelijke aangeboden worden. Zo heeft de teler alle informatie op een overzichtelijke manier bij elkaar op één plaats.”
Oogstvoorspellingen op basis van bloemtellingen voor aardbeien
Bjorn Rombouts, data analyst bij Pcfruit, deed de voorbije jaren onderzoek naar de oogstvoorspelling op basis van bloemtellingen voor aardbeien. Daarvoor maakte men gebruik van drones en artificiële intelligentie. Het concrete doel was om 3-4 weken voor de oogst de opbrengst te voorspellen door het gewicht en het aantal te bepalen op basis van gewaskenmerken en omgevingsvariabelen zoals de temperatuur.
Het team werkte samen met Flanders Make en gebruikte aardbeien van het doordragerstype. Die werden gepland in april en wekelijks geoogst tussen juni en september. Als men de oogstopbrengst kan voorspellen, kan men veel gerichter opzoek gaan naar plukkers en correctere communicatie naar de veiling toe doen.
Tijdens het onderzoek dat startte in 2019, bleek dat de bloemen en de groene vruchten van de aardbeiplant de beste predictoren waren om een lineair verband met het eindproduct waar te nemen. “Aangezien de bloemen zo’n goede parameter zijn, hebben wij geprobeerd om die automatisch te tellen”, vervolgt Rob Heylen, senior research engineer van Flanders Make. “Daarvoor schakelden we drones en beeldverwerking in. Een drone kan snel grote oppervlaktes fotograferen en in de nabije toekomst kan het tellen van de bloemen op die foto’s zelfs autonoom met ons systeem.
Om dat autonoom te kunnen laten verlopen zijn we bezig met het verzamelen van beelden in verschillende omgevingen: met slecht weer, in een open overkapping, op een zonnige dag… Op die beelden duiden we manueel de bloemen aan om zo een trainingsdataset op te bouwen. Daarna trainen we met die data de artificiële intelligentie, zodat later de bloemen op afbeeldingen automatisch geteld kunnen worden. Dat systeem staat voor aardbeien al op poten, maar we blijven grondige tests doen op proefvelden.
Voorlopig is er een afwijking van 5% tussen het manueel tellen en het tellen van de bloemen door beeldverwerking. De resultaten die we nu boeken zijn al veelbelovend, maar nog niet in alle condities. Zo leerden we dat bijvoorbeeld het weer en het tijdstip een groot effect hebben, dat het samenvoegen van veel kleine beeldjes van één veld tot één grote orthofoto voor meer fouten kan zorgen en dat natuurlijk enkel de zichtbare bloemen geteld kunnen worden.
Er zijn wel oplossingen voor deze struikelblokken, maar daar doen we nog onderzoek naar. Zo kunnen we bijvoorbeeld manueel gaan tellen hoeveel bloemen er op een veld staan, om die hoeveelheid dan te vergelijken met de waargenomen hoeveelheid bloemen door de drone. Als we de afwijking kennen, kunnen we de afwijking van het tellen met een drone gaan inschatten. Dat is momenteel een lopend onderzoek.
Als we kijken naar de hoogte waarop we best vliegen, ondervonden we dat een hoogte van 2m niet ideaal is, omdat je dan veel foto’s moet samenvoegen en door de wind gaan de bloemen wat dansen, waardoor het moeilijk is om die foto’s later aan elkaar te plakken. Op 10m haalden we tot nu de beste resultaten. Op 20m zijn de details niet duidelijk genoeg.
We zijn zeer tevreden over de resultaten die we tot nu toe bereikten en we zijn ervan overtuigd dat, mits nog enkele aanpassingen, het systeem ook gemakkelijk te gebruiken is bij andere bloemen en planten.
Ziekte en onkruiddetectie bij aardappelen en maïs
Binnen het project Proeftuin Smart Farming doet het living lab Agrifood Technology van ILVO samen met partners aan detectie van alternaria in aardappelen en bacterievuur in boomgaarden. Jonathan Van Beek, onderzoeker precisielandbouw bij ILVO, legt uit hoe men data verzamelt over het veld met een drone.
Ziektedetectie: alternaria
Het onderzoeksteam koos ervoor te werken met een drone, om zo gewasschade te vermijden. Zonder enig contact met de aardappelplanten kan men zo toch alternariavlekken waarnemen door middel van gemodificeerde RGB-beelden van hoge resolutie (0,3 mm/pixel).
“We kunnen zo vanop 10 m hoogte zelfs vliegen waarnemen op de planten”, legt Van Beek uit. “Die hoge resolutie is nodig om de alternariavlekken zo vroeg mogelijk te detecteren en de oogst grotendeels te redden. Om er zeker van te zijn dat we alternaria waarnemen, kweken we alternaria in het labo, waarna we die verdunnen en sproeien over bepaalde planten. Daarvoor werd een specifiek proefveld van ILVO gebruikt waar we in gecontroleerde omstandigheden kunnen experimenteren. Daarna dekken we de geïnfecteerde planten af zodat de ziekte zich kan verspreiden over dat stuk, maar niet verder. We werkten met hoge en lage infectiegebieden, zodat ook het verschil daartussen herkend wordt door onze software.
Zowel bij een lage als hoge infectiegraad zagen we een duidelijk ziektebeeld. De droogte van augustus was ideaal om de ziektekiemen te verspreiden. De dronebeelden van deze ziekteproef werden gebruik om een AI-model aan te leren wat alternaria was. Daarvoor moesten we alle 5.000-10.000 alternariavlekken op een beeld labelen. We mochten niets overslaan omdat we anders het systeem ook zouden leren om bepaalde zaken niet te labelen als alternaria. Dat vroeg enorm veel werk.
Na vergelijking van manuele labeling en voorspelling door het systeem, bleek dat er maar een kleine afwijking was. Het bleek wel dat wanneer er heel veel vlekken te zien waren, het systeem een kleine onderschatting maakte en wanneer er weinig plekken te zien waren, het systeem een kleine overschatting maakte.
Om achteraf de juiste hoeveelheid product voor het spuittoestel te bepalen, kunnen we met de resultaten vanuit dit model een infectiekaart en taakkaart maken met de gegevens die we verzamelen dankzij de drone.”
Onkruiddetectie in maïsvelden
“Bij onkruiddetectie gebruiken we dezelfde werkwijze”, gaat Van Beek verder. “Daarvoor werkten we binnen AI4AGRICULTURE van het Smart Agri Hubs project samen met andere partners.
Doel van dit onderzoek is afstappen van een uniforme behandeling van alle percelen. Vaak worden gewasbeschermingsmiddelen uniform gebruikt binnen een variërend perceel. Om dat te kunnen, maken we gebruik van cameratechnologie en AI.
Na intensief overleg met de betrokken landbouwers werd beslist om te focussen op correctiebehandelingen binnen de akkerbouw, namelijk bij de aardappelen en maïs. Met behulp van dronebeelden of camera’s op spuittoestellen mikken we op het maken van bruikbare taakkaarten voor de landbouwer.
We maken daarbij het onderscheid tussen 2 methoden: in de eerste plaats gebruiken we AI voor de segmentatie of classificatie van een beeld. Zo kunnen we in een beeld een onderscheid maken tussen het onkruid, het gewas en de bodem. Als tweede maken we gebruik van detectie met AI. Met een overzichtskaart van een perceel kunnen we waarnemen waar het onkruid verspreid is én welk onkruid er staat. Het voordeel hierbij is dat de landbouwer bij het maken van de taakkaart de gebruikte gewasbeschermingsmiddelen kan aanpassen naargelang de aanwezige soorten onkruid en de onkruiddruk op het perceel.
Wij zagen dat we tot 90% van de gewasbeschermingsmiddelen kunnen besparen als we homogeen en niet universeel te werk gaan. In combinatie met andere innovaties is gebruik maken van deze onderbouwde toepassing van gewasbeschermingsmiddelen volgens ons de enige manier om de doelstellingen van de Europese Green Deal-strategie te behalen.
Ik ben ervan overtuigd dat de eerste belangrijke stappen rond drones en landbouw gezet zijn en dat de drones de komende jaren hun weg zullen vinden naar de landbouwpraktijk. De AI-systemen zijn voldoende performant, maar er is nog nood aan ruimere beschikbaarheid van data om de methodiek breder toe te passen. We zien ook dat de sensoren en platformen gebruiksvriendelijker en goedkoper worden. Er is bij sommige fabrikanten nog wel nood aan een efficiëntere vertaling van de detectiekaarten naar de taakkaarten.”
