Wat kan tuinbouw met AI-gestuurde metingen?

Tijdens de bijeenkomst 'AI in de zaadveredeling' bij Seed Meets Technology bij onderzoeksinstelling Vertify in het Noord-Hollandse Zwaagdijk gaven deskundigen een toelichting op wat AI kan betekenen voor de tuinbouw. De presentaties gingen vooral over dataverzameling en -verwerking en de interpretatie daarvan.

Na afloop vroegen de aanwezige glastuinders en vollegrondsgroentetelers zich af: wat kunnen wij hier nu echt mee in de kas en op onze praktijkbedrijven? Onderzoeker Bart van Marrewijk van de business-unit Greenhouse Technology van WUR gaf daar een duidelijk antwoord op. Hij liet zien hoe AI al praktische toepassingen heeft via objectieve metingen en werkervaring in een virtuele wereld.

Van Marrewijk sluit met zijn onderzoek goed aan bij de glastuinbouwpraktijk. Niet toevallig, glimlacht hij later tijdens een interview: 'Veel van mijn familie werkt of werkte in de glastuinbouw. Daardoor denk ik bij elk onderzoek automatisch: wat heeft de sector hier daadwerkelijk aan?'

De specialisatie van de onderzoekers is het autonoom meten van planteigenschappen, vooral de ruimtelijke structuur. Terwijl Van Marrewijk een schets maakt van een plant met een stengel, takjes en bladeren, benadrukt hij het belang van oksels en internodiën. 'In de veredeling draait het niet alleen om de resistenties tegen ziekten of de productie van de gewassen', legt de onderzoeker uit. 'Ook de structuur en opbouw van de plant zijn cruciaal. Omdat er in de kas nog veel handmatig wordt gemeten, zijn de resultaten minder betrouwbaar. Mensen meten nu eenmaal verschillend.'

Automatisering kan dat oplossen. AI maakt metingen objectiever, consistenter en sneller, wat de selectie betrouwbaarder maakt, geeft Van Marrewijk aan. In de NPEC-kas van WUR kunnen veredelaars al gebruikmaken van deze AI-gestuurde meetmethoden. NPEC staat voor Netherlands Plant Eco-phenotyping Centre.

De voordelen van AI-gestuurde metingen reiken verder dan alleen veredeling van gewassen. De gestuurde metingen leveren waardevolle data op voor betere gewasgroeimodellen, stelt de onderzoeker. Waar vroeger vooral het kasklimaat werd gevolgd in de groeimodellen, komt er nu input bij van steeds meer plantspecifieke sensoren.

Van Marrewijk: 'Data verzamelen is slechts de eerste stap. De uitdaging zit in de interpretatie ervan. Ofwel, hoe gebruik je die data om risico's in de teelt te beperken en de productie te verhogen?'

Veel teelten worden nog gestuurd op gemiddelden van temperatuur, licht en productie. Plantspecifieke metingen maken het mogelijk om bijvoorbeeld de behoeftes van individuele cultivars te herkennen. Dat vraagt om een uitgebreide en volledig geautomatiseerde dataverzameling. 'Wanneer je niet alles meet, is het lastig om de stap te zetten naar echt verbeterde gewasmodellen', verklaart de onderzoeker.

Oogstrobot niet altijd betrouwbaar

Een tweede terrein waar AI het verschil kan maken, is robotisering. Hoewel er al oogstrobots voor enkele gewassen in de glastuinbouw bestaan, blijken die in de praktijk niet altijd betrouwbaar genoeg. 'Het probleem ligt niet zozeer bij de aanschafkosten, maar meer bij de betrouwbaarheid. Robots hebben vaker uitval dan mensen en de naoogst, het aantal vruchten dat blijft hangen, is na robotpluk meestal groter', legt Van Marrewijk uit.

Daardoor heb je volgens de onderzoeker toch weer meer mensen nodig dan waar op voorhand mee wordt gerekend als arbeidsbesparing. Een terechte vraag vanuit de zaal is waarom die oogstrobots dan nog niet beter zijn.

Een simpel voorbeeld van Van Marrewijk kan dat al duidelijk maken. Een tros tomaten hangt naast de hoofdstengel, maar de aanhechting zit aan de achterkant. Een mens kan de steel op de tast vinden en knippen, maar voor een robot op de buisrail is dat een flinke uitdaging. Ook handelingen als een blad opzij houden maken een foutloze oogst lastig.

AI kan hier op een verrassende manier uitkomst bieden: via virtuele leeromgevingen. 'Denk aan een computerspel', legt de onderzoeker de zaal uit. 'Die virtuele werelden zijn tegenwoordig zo realistisch dat ze nauwelijks van echt te onderscheiden zijn. Collega's gebruiken dat principe om robots in gewassen te trainen.'

In een digitale kas leert een AI-programma foutloos tomaten of komkommers plukken zonder dat er echte planten beschadigd raken. In die kunstmatige omgeving kan een robot duizenden situaties steeds weer opnieuw oefenen en continu evalueren. Snel, veilig en volledig gecontroleerd.

Grappig of gevaarlijk

De ontwikkelingen op het gebied van kunstmatige intelligentie lijken onbegrensd en zijn voor de eindgebruiker vaak moeilijk te begrijpen. Van Marrewijk is zich bewust van het gevaar dat daarin schuilt: 'Robots die in een spel leren om tomaten te plukken, dat klinkt nog grappig en futuristisch. Maar of AI altijd de goede kant opgaat voor de mens, dat durf ik niet te zeggen.'

Wat volgens hem wel zeker is: de ontwikkeling gaat razendsnel en steeds sneller. 'Het is aan ons mensen om daar in de dagelijkse praktijk en bij de werkzaamheden op de bedrijven verstandig mee om te gaan', benadrukt de onderzoeker op de bijeenkomst.

Netherlands Plant Eco-phenotyping Centre

Het volledig in kaart brengen van planteigenschappen dient twee doelen: de veredelaars kunnen de selectie van gewassen verbeteren en met nauwkeurige data kunnen ze gewasmodellen verbeteren wat leidt tot betere keuzes in klimaat- en gewasmanagement. Vooral in de veredeling is de eerste stap om planten nauwkeurig te meten.

Ontwikkelingen daarin gaan snel. Maar gebruikers moeten wennen aan nieuwe technologieën en dat kost veel tijd en geld. Om dit proces te versnellen, heeft WUR het Netherlands Plant Eco-phenotyping Centre (NPEC) gebouwd om allerlei gebruikers de mogelijkheid te geven hightech, datagestuurde meettechnologieën te leren kennen en in te zetten. Bijvoorbeeld om veredelaars en telers te helpen in hun zoektocht naar robuuste rassen die bestand zijn tegen ziekten, droogte en andere gevolgen van klimaatverandering.

NPEC biedt gebruikers onder meer een hightech kas aan om planten te kweken onder semigecontroleerde omstandigheden, met een scala aan camera's en sensoren die geautomatiseerd duizenden planten digitaal fenotyperen. Daarnaast zijn er drones en een mobiel voertuig om op locatie verschillen tussen rassen en behandelingen in het open veld te karakteriseren. Doel op termijn is de ontwikkelde technieken steeds meer toe te passen in de praktijk.

Er loopt een project genaamd AGROS II, waarbij onder andere automatisch planteigenschappen doorlopend worden gemeten als feedback voor gewasgroeimodellen. Een virtueel kijkje in NPEC is te zien op npec.nl/virtual-tour.