Bij het Earlham Institute (EI), op kunstmatige intelligentie gebaseerde technieken zoals machine learning veranderen van louter een opwindend uitgangspunt naar real-life toepassingen, waar het het meest nodig is:verbetering van de efficiëntie en precisie op de boerderij.

Onderzoekers in de Zhou Group bij EI, in samenwerking met G's Growers uit Ely, hebben een machine learning-platform ontwikkeld, AirSurf-Sla, die werkt met computervisie en ultra-schaalbeelden genomen vanuit de lucht om slagewassen in velden te categoriseren.

De geavanceerde software omvat het meten van hoeveelheid, grootte en locatie bepalen om boeren te helpen met precisie te oogsten en het gewas op de meest efficiënte manier op de markt te brengen. belangrijk, deze technologie kan worden toegepast op andere gewassen, het vergroten van de mogelijkheden voor positieve effecten in de hele voedselketen.

Sla is big business, vooral in East Anglia, met 122, 000 ton geproduceerd in het VK per jaar. Tot 30% van de opbrengst kan verloren gaan door inefficiënties in het groeiproces en oogststrategieën, die, indien verzonnen, een belangrijke economische impuls zou kunnen geven.

Het is erg belangrijk dat boeren en telers precies begrijpen wanneer gewassen oogstklaar zullen zijn, zodat ze de planning van de logistiek in gang kunnen zetten, hun producten verder in de keten verhandelen en vermarkten.

traditioneel, echter, het meten van gewassen in velden is zeer tijdrovend en arbeidsintensief geweest, evenals vatbaar voor fouten; daarom kunnen nieuwe AI-oplossingen op basis van luchtfoto's een veel robuustere en effectievere methode bieden.

Een andere belemmering voor efficiëntie is het feit dat slechte weersomstandigheden, die de afgelopen jaren zijn toegenomen, kan de oogsttijd aanzienlijk verkorten, omdat gewassen verschillende tijd nodig hebben om te rijpen.

De AirSurf-technologie, ontwikkeld door leden van de Zhou Group, inclusief eerste auteurs van het artikel over het project, Alan Bauer en Aaron Bostrom - gebruiken 'deep learning' (een diep gestructureerde machine learning-techniek) in combinatie met geavanceerde, ultragrootschalige beeldvormingsanalyse om ijsbergsla te meten in een high-throughput-modus. Dit is in staat om de precieze hoeveelheid en locatie van slaplanten te identificeren, met als bijkomend voordeel dat de kwaliteit van het gewas wordt herkend, d.w.z. klein, middelgrote of grote slakroppen.

Door dit systeem te combineren met GPS kunnen boeren de grootteverdeling van sla in velden nauwkeurig volgen, die alleen kan helpen bij het vergroten van de precisie en effectiviteit van landbouwpraktijken, inclusief oogsttijd.

eerste auteur, Alan Bauer bij EI, zei:"Deze interdisciplinaire samenwerking integreert computervisie en machine learning met de slateelt om te laten zien hoe we de gewasopbrengst kunnen verbeteren met behulp van machine learning."

Groepsleider bij EI, Dr. Ji Zhou, zei:"Mijn lab wil graag elke mogelijke benadering zoeken om ons door de overheid gefinancierde onderzoek te vertalen naar het ontwerpen van algoritmen, machinaal leren, computer visie, en gewasfenomieën tot technieken en hulpmiddelen die door academische en industriële partners kunnen worden gebruikt om uitdagende problemen in gewasonderzoek en gewasproductie aan te pakken.

"Gebruikmakend van ons onderzoekswerk ondersteund door BBSRC en andere door het publiek en de industrie gezamenlijk gefinancierde projecten, we werken samen met G's, toonaangevende groentetelers in het VK, om onze Agri-Food sector uit te rusten met slimme en nauwkeurige gewasbewaking en analysemethoden, waarvoor we er zeker van zijn dat betere beslissingen over gewasbeheer en betere verkoopbaarheid van gewassen kunnen worden bereikt door onze gezamenlijke inspanningen".

Industriepartner bij G's Growers, Innovatiemanager Jacob Kirwan, toegevoegd:"Grote landbouw betekent dat precisie essentieel is om ervoor te zorgen dat we gewassen op een milieuvriendelijke en economisch duurzame manier telen. Door technologie zoals AirSurf te gebruiken, kunnen telers de variabiliteit in hun velden en gewassen op een veel hoger niveau begrijpen. detailniveau dat voorheen mogelijk was.

"De beslissingen die vervolgens op basis van deze informatie kunnen worden genomen, zoals wisselende toepassingen van inputs en irrigatie; het veranderen van oogststrategieën en het plannen van de optimale tijd om het gewas te verkopen, zullen allemaal bijdragen aan het verhogen van de opbrengst op de boerderij en het verbeteren van de productiviteit van de boerderij."