Om de voedselomstandigheden in de wereld te verbeteren, een team rond informaticaprofessor Kristian Kersting liet zich inspireren door de technologie achter Google Nieuws.

Wereldwijd lijden bijna 800 miljoen mensen aan ondervoeding. In de toekomst zouden er ongeveer 9,7 miljard mensen kunnen zijn, ongeveer 2,2 miljard meer dan nu. De wereldwijde vraag naar voedsel zal toenemen naarmate de klimaatverandering de bodem steeds onvruchtbaarder maakt. Hoe moeten toekomstige generaties zichzelf voeden?

Kristian Kersting, Hoogleraar Machine Learning aan de Technische Universität Darmstadt, en zijn team zien een mogelijke oplossing in de toepassing van kunstmatige intelligentie (AI). machinaal leren, een speciale methode van AI, de basis zou kunnen zijn voor de zogenaamde precisielandbouw, die kunnen worden gebruikt om hogere opbrengsten te behalen op oppervlakten van gelijke of kleinere omvang. Het project wordt gefinancierd door het federale ministerie van Voedsel en Landbouw. Partners zijn het Institute of Crop Science and Resource Conservation (INRES) van de Universiteit van Bonn en het in Aken gevestigde bedrijf Lemnatec.

"Allereerst, we willen begrijpen hoe fysiologische processen in planten eruit zien als ze last hebben van stress, "zei Kersting. "Stress treedt op, bijvoorbeeld, wanneer planten niet genoeg water opnemen of besmet zijn met ziekteverwekkers. Machine learning kan ons helpen om deze processen nauwkeuriger te analyseren." Deze kennis zou kunnen worden gebruikt om resistentere planten te kweken en ziekten efficiënter te bestrijden.

De onderzoekers installeerden een hyperspectrale camera die een breedgolfspectrum registreert en diepgaande inzichten in de planten geeft. Hoe meer gegevens er beschikbaar zijn over de fysiologische processen van een plant tijdens zijn groeicyclus, hoe beter een software in staat is terugkerende patronen te identificeren die verantwoordelijk zijn voor stress. Echter, te veel gegevens kunnen een probleem zijn, omdat de berekeningen te complex worden. De onderzoekers hebben daarom algoritmen nodig die slechts een deel van de data gebruiken om te leren zonder in te boeten aan nauwkeurigheid.

Het team van Kersting vond een slimme oplossing:om de gegevens te evalueren, het team gebruikte een zeer geavanceerd leerproces van taalverwerking, die wordt gebruikt, bijvoorbeeld, bij Google Nieuws. Daar, een AI selecteert dagelijks de relevante artikelen voor de lezer uit tienduizenden nieuwe artikelen en sorteert ze op onderwerp. Dit gebeurt aan de hand van kansmodellen waarin alle woorden van een tekst worden toegewezen aan een bepaald onderwerp. De truc van Kersting was om de hyperspectrale beelden van de camera als woorden te behandelen:de software kent bepaalde beeldpatronen toe aan een onderwerp zoals de stresstoestand van de plant.

De onderzoekers zijn momenteel bezig om de software te leren zichzelf te optimaliseren met behulp van deep learning en sneller de patronen te vinden die stress vertegenwoordigen. "Een gezonde plek is bijvoorbeeld te herkennen aan het chlorofylgehalte in het groeiproces van de plant, ", zei Kersting. "Als er een droogproces plaatsvindt, het gemeten spectrum verandert aanzienlijk." Het voordeel van machine learning is dat het dergelijke signalen eerder kan herkennen dan een menselijke expert, naarmate de software leert op meer subtiliteiten te letten.

Het is te hopen dat op een dag, camera's kunnen langs rijen planten op een lopende band in de kas worden geplaatst, waardoor de software op elk moment afwijkingen kan signaleren. Door een constante uitwisseling met plantexperts, het systeem moet ook leren om zelfs onbekende ziekteverwekkers te identificeren. "Uiteindelijk, ons doel is een zinvolle samenwerking tussen menselijke en kunstmatige intelligentie, om het groeiende probleem van wereldvoeding aan te pakken, ’ zegt Kersting.