Startpagina Mechanisatie

Een volledig geautomatiseerde aardappelteelt, geen ver-van-mijn-bedshow?

Landbouwers moeten streven naar 50% reductie van gewasbeschermingsmiddelen, zo wil Europa het. Drones in de lucht, robots op het veld… en een goedkeurend oog van de landbouwer: is dat een deel van de oplossing en dus een beeld van de landbouw van morgen, of zelfs al van vandaag? Het ILVO experimenteert volop met digitale technieken in het Living Lab Agrifood Technology en dat loont.

Leestijd : 8 min

Het belangrijkste doel van robotisatie en automatisatie is het verduurzamen van teelten. Dat is nodig, gezien de Europese commissie heeft beslist dat tegen 2030 de helft minder actieve gewasbeschermingsmiddelen gebruikt mogen worden. Momenteel wordt in de gangbare landbouw nog gebruikgemaakt van gewasbeschermingsmiddelen bij de teelt van heel wat gewassen, waaronder akkerbouwteelten. “We stellen ons de vraag of we met de huidige technologie, maar ook met de technologie die in volle ontwikkeling is, die doelstelling uit de Green Deal kunnen halen. Daarom ontwikkelen we deze prototypes en doen we deze experimenten. We willen weten wat de obstakels zijn en hoe die aangepakt kunnen worden, zowel in het veld als in wetgeving of beleid”, geeft Nele Jacobs van het Instituut voor Landbouw-, Visserij- en Voedingsonderzoek (ILVO) mee.

Dat technologie zijn nut heeft, bewees onder andere de demo in het kader van het Europese SmartAgriHubs project: binnen de use case AI4Agriculture, waarin het ILVO samenwerkte met bedrijven zoals Robovision, Imec, Proximus en Exobotic, bracht een drone het onkruid in kaart boven een maïsveld in Merelbeke, voorafgaand aan een correctiebehandeling, die normaal vollevelds gebeurde. Met behulp van 5G en van Artificiële Intelligentie (AI) kon de informatie vrijwel onmiddellijk na de dronevlucht naar de tractor en spuitmachine worden doorgestuurd, die enkel gewasbeschermingsmiddelen toepasten waar onkruid aanwezig was, “Dit project willen we nu herhalen in aardappelen. Maïs wordt in ons land vaak geteeld, maar België is zeker ook een aardappelland. Het is een economische sterkhouder én er zijn evenzeer mogelijkheden tot reductie. De vraag is dus opnieuw of we, net als bij maïs, het gebruik van gewasbeschermingsmiddelen kunnen verminderen, door het gebruik van onze ontwikkelde tools in beeldverwerking, camera's, AI, 5G, digitalisering en robotisering”, legt ILVO-onderzoeker Simon Cool uit.

In september wordt het aardappelproject in de kijker gezet tijdens FestIlvo, een feest waarbij het 90-jarige jubileum van ILVO wordt gevierd. Jacobs: “Gedurende een heel groeiseizoen werden de aardappelen door dronecamera’s in de gaten gehouden, en hebben de machines ‘geleerd’ om opkomende ziektes, plagen en onkruid te herkennen, met het doel om vroeg en lokaal gewasbescherming toe te passen waar nodig. Op 18 september, Fest-Ilvo-zondag en Dag van de landbouw, worden de aardappelen gerooid en gaan we weten hoeveel middelen we bespaard zullen hebben. We hopen dat de oogst meevalt zodat iedereen ervan kan genieten. Tegen volgend jaar wordt de automatisatie nog meer geoptimaliseerd.”

ILVO-onderzoeker Simon Cool hoopt dat het project succesvol wordt afgesloten op FestIlvo.
ILVO-onderzoeker Simon Cool hoopt dat het project succesvol wordt afgesloten op FestIlvo. - Foto: ILVO

Aanpak in 2 fasen

Er werd gekozen voor een aanpak in 2 fasen. Dit jaar is het de bedoeling om de workflow operationeel te maken op een klein perceel van het Living Lab, dus in een semipraktijksituatie. In een tweede fase volgend jaar kunnen de onderzoekers de bekomen resultaten gebruiken bij een volledige workflow, in een demo op een effectief veld. Dan willen we werken met technologieën die bijna op de markt komen of die al gelanceerd zijn.

Technologiebedrijven kunnen de ontwikkelingen dan oppikken en uitrollen voor de praktijk. Het gaat dan vooral over het verkrijgen van beelden, en om de verwerking ervan. “In het perceel moet het AI-systeem aangeleerd worden om én onkruiden te onderscheiden van aardappelplanten, én ziekten en plagen te herkennen op de dronebeelden. Het trainen van AI vraagt heel veel inputdata en veel labelmoeite van zogenaamde labelaars. Die moet voorbeelden aanleveren, zodat AI het probleem op termijn zelf leert herkennen. Er zijn ettelijke duizenden beelden nodig. Het is heel veel werk om dat voor iedere ziekte in elk relevant groeistadium te doen.

Daarnaast is het ook interessant om te registreren hoe normaal groeigedrag eruitziet bij een gezonde plant. Afwijkingen hiervan kunnen als anomaliën bestempeld worden. Het gebruik van dergelijke modellen wordt momenteel onderzocht in een doctoraatsonderzoek in samenwerking met de UGent. We werken voor deze experimenten op dit moment nog met één ras”, aldus Cool.

De bedoeling is dat een drone met cameratechnologie uitvliegt en dat AI wordt gebruikt voor de verwerking van de data. De landbouwer heeft altijd nog de vrijheid om in te stellen hoe streng er moet worden opgetreden. Moet de bespuiting gebeuren tot op het kleinste niveau, of kan hij de grens wat versoepelen tot waar onkruid niet echt een probleem is?

Nut van 5G

Met drones vliegen gebeurt doorgaans via een vastgelegde procedure. Een piloot stelt op voorhand een vluchtplan op, en stelt de drone in. Daarna volgt deze zelfstandig de afgelegde route en neemt op ingestelde gps-punten foto’s. Na de vlucht worden deze gedownload en offline via specifieke software verwerkt. Die foto's worden aan elkaar gepuzzeld tot een overzichtsbeeld, een zogenaamde ‘orthomosaïck’, van het volledige veld. Dit is een zeer rekenintensief proces, dat gemakkelijk een dag kan duren. Zo'n workflow wordt al aangeboden door droneservicefirma's in de praktijk. “Heel dit proces neemt tijd in beslag, tijd die voor vertraging zorgt van de toepassing, maar die ook een kost met zich meebrengt, waardoor op heden nog relatief weinig landbouwers van dronediensten gebruikmaken.

Het overzichtsbeeld moet tenslotte ook nog worden omgezet in een GIS (geografisch informatiesysteem)-programma naar een taakkaart, een formaatbestand waarmee de tractor aan de slag kan voor plaatsspecifieke toepassing van producten. Dat kunnen bijvoorbeeld zaai- of plantgoed, meststoffen, kalk of gewasbeschermingsmiddelen zijn. Tijdens deze toepassing vergelijkt de tractor continu zijn gps-positie met de locatie van de zones op de kaart. ”, legt Cool uit.

“Om deze workflow te verbeteren, en vooral te versnellen, werkten we een nieuwe methode uit op basis van 5G. In plaats van alle beelden op te slaan, eraf te halen en nadien te verwerken, worden er nu al tijdens het dronevliegen beelden doorgestuurd naar de cloud, waar het machinebrein direct begint te verwerken. De beelden knippen telkens 1,5 x 1,5m veld en geven ook de nauwkeurige positie van de drone mee. Het AI-model kan bijgevolg in realtime, naargelang de dronevlucht vordert, de beelden omzetten naar een bepaalde score (bijvoorbeeld veel/weinig onkruid) op een bepaalde positie. De beelden worden dus onmiddellijk en tijdens de vlucht verwerkt. In plaats van dat de beelden naast elkaar worden gepuzzeld, worden alle afzonderlijke datapuntjes met hun respectievelijke positie samen beschouwd en omgezet tot een taakkaart. Door het gebruik van een AI-model dat een score tussen 0 en 10 weergeeft voor onkruiddruk, kan de landbouwer hier zelf nog in finetunen en blijft hij baas over de data en over het proces. “Na de dronevlucht kan daarom quasi onmiddellijk gestart worden met de behandeling, een proces dat anders makkelijk 3 of meer dagen kan in beslag nemen. En dat is alleen maar mogelijk dankzij 5G, die toelaat data met zo'n bandbreedte te versturen.”

De landbouwer als labelaar

In de opbouw van het systeem moet het AI-algoritme intensief getraind worden door de mens. De gebruiker/labelaar krijgt hiertoe de beelden en moet aanduiden wat er te zien is, bijvoorbeeld waar het meeste onkruid staat. Zo leert het AI-model waar er meer onkruid en weinig onkruid is. “Het labelen is heel intensief. In samenwerking met de UGent werd een innovatieve approach toegepast die het labelen een stuk sneller doet verlopen. Het computersysteem moet ook leren hoe de gevoeligheid kan worden aangepast. Hoe gevoeliger het model wordt afgesteld voor de uiteindelijke taakkaarten, hoe minder de boer immers bespaart op middelen, en hoe grondiger hij alles behandelt. Dergelijke systemen helpen de landbouwer een overzicht te geven, maar uiteindelijk is de stielkennis nog steeds belangrijk: niet alleen de onkruiddruk, maar ook welke types onkruiden, wat het weer zal worden, het gewasstadium, enzovoort spelen uiteindelijk een belangrijke rol. Zo kan hij, ondersteund door dergelijke technologie, een optimale strategie kiezen”, aldus Simon Cool.

Nauwe opvolging

Dit jaar zal er meerdere keren per week over de proefveldjes gevlogen worden met de drone. Het AI-model dat wordt gebruikt, is getraind op basis van proeven in voorgaande jaren waarbij een specifieke proefopzet werd opgesteld. Daarbij werden in aparte proefveldjes bepaalde stukken van het veld geïnoculeerd of 'besmet' met een ziekte zoals alternaria. Die data werden gebruikt om de AI-modellen te trainen.

“Die technologie willen we in de volgende fase toepassen in een veld dat dichter leunt tegen de landbouwpraktijk en waarin geen ziekte werd aangebracht op vooraf ingestelde locaties. Dat vraagt wel een nauwe opvolging: we vergelijken de situatie in het echt met de modellen die ontwikkeld zijn. We hebben modellen die getraind zijn op het herkennen van alternaria of het detecteren van coloradokevers. Op deze manier kunnen we kijken hoe deze modellen zich gedragen buiten een traditionele proefopzet.”

Inzetten van robots

Volgend jaar plannen we om de opgebouwde kennis en technologie op een grotere schaal toe te passen. De onderzoekers willen dan echter vooral niet alleen kijken naar de detectie van onkruiden en ziekten, maar ook naar concrete ingrepen in de productie van aardappel die verder te automatiseren zijn, deels om de arbeidsefficiëntie te verbeteren.

Daar komt het verhaal van de autonome robots van pas. Die zijn minder zwaar dan de gebruikelijke tractoren en landbouwmachines, gebruiken veelal elektriciteit in plaats van diesel en veroorzaken minder bodemcompactie. Robots kunnen ingezet worden voor alternatieve onkruidbestrijding, bijvoorbeeld op een thermische of mechanische manier zoals dat in de biologische teelt wordt toegepast. Door de toepassing te reduceren wordt het verlies aan werkbreedte en snelheid in vergelijking met een bespuiting op bijvoorbeeld 27 of 33 m op de arbeidsefficiëntie, voor een stuk tenietgedaan door de autonomie. Dit jaar is er al geëxperimenteerd met het autonoom branden van onkruid op het aardappelperceel”, vertelt Cool.

Met robots kan er voor de landbouwer een economisch haalbaar alternatief ontstaan dat én duurzame praktijken én voldoende capaciteit toelaat. Robotica biedt heel veel opportuniteiten voor de toepassing van precisielandbouw en biedt tegelijk een reductie van de machinekost, net omdat je met kleinere werkbreedtes werkt, ook in de transitieperiode waarin gewasbescherming steeds gerichter zal worden toegepast. “In plaats van spuitdoppen op een halve meter, kan je spuitdoppen veel dichter op elkaar gaan zetten, wat rijenbespuiting of zelfs het targetten van individuele planten mogelijk maakt, met een hogere toepassingsnauwkeurigheid, efficiëntie en duurzaamheid tot gevolg.”

Voor een robot met een kleine werkbreedte zijn slechts enkele camera’s nodig om de volledige werkbreedte te bestrijken, wat een significant effect heeft op de kost van de machine voor de landbouwer of loonwerker. “Bovendien kunnen de bewerkingen op basis van gps heel nauwkeurig geregistreerd worden, bijvoorbeeld tijdens het zaaien. Door open protocollen te gebruiken kan die informatie vervolgens worden gebruikt tijdens vervolgbewerkingen, bijvoorbeeld tijdens het schoffelen, waardoor geen camera meer nodig is die gewasrijen moet detecteren.”

Marlies Vleugels

Lees ook in Mechanisatie

Meer artikelen bekijken