Het AGROS-project | Werken aan een autonome kas

15 september 2022 Wageningen University & Research (WUR)

Voor een steeds verder groeiende bevolking speels glastuin-bouw een sleutelrol in de productie van verse groenten en fruit. In de afgelopen decennia zijn glastuinbouwbedrijven steeds groter geworden en de teelt steeds complexer. 

Telers moeten tegenwoordig de productie in evenwicht brengen met het gebruik van energie, water en voedingsstoffen. Als klap op de vuurpijl is er schaarste aan geschoolde arbeidskrachten die alle complexe processen in een kas kunnen overzien. Een teler moet op elk moment de juiste instellingen voor alle parameters bepalen: verwarming, ventilatie, ontvocht­iging, zonwering, kunstlicht, gewasbeheer, monitoren op ongedierte, roofdieren en ziekten of precisiesproeien zijn nog maar een paar van de beslissingen die moeten worden genomen. Een goed opgeleide en zeer ervaren kweker kan de meeste aspecten van een dergelijk systeem overzien. Alleen hebben we binnenkort wereldwijd te weinig van deze hoogopgeleide telers.

Autonome kas

“Wat we nodig hebben, is een autonome kas”, zegt Anja Dieleman, AGROS projectleider en onderzoeker bij WUR Glastuinbouw. “In zo’n kas staat het gewas centraal en wordt de teelt gereguleerd op basis van vooraf bepaalde doelen. Daarvoor heb je uitgebreide kennis van gewasfysiologie nodig, maar ook nauwkeurige sensoren die relevante gewas­kenmerken kunnen meten en intelligente algoritmen om de kas autonoom te kunnen besturen.”
Om ook in de toekomst een steeds verder groeiende bevolking te voorzien van verse groenten en fruit moeten nieuwe productiesystemen worden ontwikkeld die kunnen worden bediend door minder ervaren telers en zelfs door niet-agrarische partijen, waar ook ter wereld.

In het AGROS-project ‘Naar een autonome kas’ werken onderzoekers van WUR Glastuinbouw samen met business partners om volledig geautomatiseerd telen in kassen te realiseren. Anja: “We hebben stappen gezet van dataverzameling met sensoren, naar datagedreven ondersteuning van teelt en de ontwikkeling van intelligente algoritmes. Binnenkort hopen we ze toe te kunnen passen en de duurzame productiesystemen voor gezond en vers voedsel verder te kunnen verbeteren.”
De toekomstvisie van het onderzoeksteam is een autonome kas waarin de vakkennis van een ervaren teler wordt vervangen door kunstmatige intelligentie. Met nieuwe model­gebaseerde besturingsalgoritmen kunnen de omstandigheden in de kas autonoom worden aangepast om de teeltdoelen te bereiken.

Autonomous Greenhouse Challenge

In 2021/22 organiseeerde WUR de 3e Autonomous Greenhouse Challenge. Om de participatie van de AI-community te stimuleren, werd er dit keer een Online Challenge ge­organiseerd. De eerste en tweede editie van de Autonomous Greenhouse Challenge hebben aangetoond dat kunstmatige intelligen­tie potentieel superieur kan zijn aan menselijke intelligentie, en dus in de toekomst mogelijk de indoor farming kan beheersen.

Het doel van de derde uitdaging is volledig geautomatiseerde controle en het gewas van deze editie was sla. Volledig autonoom geteeld! De challenge werd opgedeeld in twee delen. In deel A - de computer vision challenge - kregen teams toegang tot een reeks sla­planten. De beelden werden gemaakt met een RealSense camera onder gedefinieerde omstandigheden en bevatten beelden van individuele slaplanten van verschillende variëteiten in verschillende groeistadia, gekweekt onder verschillende groei­omstandigheden. Elke afbeelding is ver­bonden met informatie over de eigen­schappen van de grondwaarheid van de plant, zoals plantdiameter, planthoogte, versgewicht van de plant, drooggewicht van de plant en bladoppervlak.

De teams gebruiken ca. 300 afbeeldingen in batches om een computervisiealgoritme te ontwikkelen tijdens de voorbereidingsfase. Dit algoritme moest in staat zijn om de planteigenschappen te schatten van een reeks van ca. 50 onzichtbare slaplantbeelden die tijdens de Online Challenge zijn verstrekt, onder tijds- en geheugenbeperkingen. De computer vision-algoritmen moesten de hierboven beschreven plantparameters detecteren.
In deel B – de machine learning challenge – kregen teams toegang tot een virtueel eenvoudig kasklimaat en slaproductiemodel. Deze simulator bestond uit een bepaalde set buitenklimaatomstandigheden, een bepaald kastype en gegeven kasactuatoren (ventilatie, verwarming, verlichting, afscherming). Het moest worden voorzien van een reeks klimaatinstelpunten (ventilatiestrategie, verwarmingsstrategie, verlichtingsstrategie, screeningstrategie per tijdstap) als input. De instelpunten voor het invoerklimaat acti­veren de beschikbare virtuele actuatoren, die het binnenklimaat van de kas regelen. De gerealiseerde binnenklimaatparameters worden als terugkoppelingswaarde verstrekt.

De teams moesten machine learning-­algoritmen ontwikkelen om de simulator te voorzien van de geoptimaliseerde be­sturingsparameters met als doel de nettowinst te maximaliseren. Tijdens de voor­bereidingsfase konden de teams communiceren met de simulator voor de ontwikkeling van algoritmen. Tijdens de Online Challenge moest dit algoritme geschikt zijn om de groei van een virtueel gewas in een virtuele kas onder gewijzigde omstandigheden (bijv. andere weers­omstandigheden, ander kastype, ander kastype, andere slasoort) en beperkte tijdsdruk.

Teams moesten sla telen met een streef­gewicht van 250 gram. Ook de kwaliteit werd beoordeeld. Als planten te klein waren, bladpuntverbranding of andere ver­vormingen hadden, werden ze geclassificeerd als klasse B met een lagere prijs of zelfs onverkoopbare klasse C. Als planten te groot waren, verspilden teams middelen. Het laatste team heeft op 17 juni hun oogst af­gewerkt. Het hulpbronnengebruik (bijv. verwarmingsenergie, elektriciteit, CO2) werd gemeten tijdens de groeiperiode en de operatio­nele kosten werden berekend. De vaste kosten waren afhankelijk van de bezetting van de kasruimte en het gebruik van verschillende installaties (bijv. kunstlicht). Uit deze cijfers werd de nettowinst bepaald.
In een eerste teeltcyclus in februari/maart van dit jaar kon elk team zijn algoritme en procedure testen. De echte uitdaging betrof een tweede gewascyclus in mei/juni. Teams hadden na het begin van het experiment geen toegang meer tot hun algoritme, maar moesten toestemming vragen voor het geval ze dringende wijzigingen (bugfixes) in hun algoritmen moesten aanbrengen. Access werd in rekening gebracht en kosten werden afgetrokken van de nettowinst. Het winnende team heeft slechts één keer toegang gehad tot de virtuele machine om een kleine fout te herstellen.

Team ‘Koala’ uit de VS won de Online Challenge. Het team bouwde een algoritme dat een virtuele nettowinst van € 8,68 per m2 en teeltperiode realiseerde. Bovendien was hun algoritme in staat om slabeelden met een hoge nauwkeurigheid te herkennen (totale fout = 0,094) en de juiste groeiparameters van slaplanten te schatten. De ambitie van Team Koala is om de glastuinbouw te bevorderen met een intelligente automatiserings­technologie die schaalbaar is voor boerderijen, gewassen en nog breder voor proces­gebaseerde productie industrieën.

Autonome kassen kunnen ervoor zorgen dat meer mensen gevoed worden met vitamine- en mineraalrijke producten. Daarnaast dragen deze technieken bij aan het verhogen van de voedselveiligheid en een hoger productievolume van gezonde groenten, waarbij minder middelen zoals energie worden gebruikt. Het potentieel ervan is met succes aangetoond in eerdere edities van de Autonomous Greenhouse Challenge.

Altijd op de hoogte blijven?