TEELT ▶▶▶ TELEN 4.0 ▶▶▶ KASSEN
selijk ingrijpen oplossen. Een groot bij- komend voordeel daarvan is dat iedereen die mee wil kijken, dat volgend jaar tijdens de finale ook live zal kunnen doen. Hemming: “In de eerste twee edities kon meekijken in de kas van de tegenstanders het verloop van de Challenge nog beïn- vloeden. Tussentijds ingrijpen kostte wel ‘strafpunten’, maar werd desalniettemin door alle teams wel gedaan. Nu komt het puur aan op de kwaliteit van de AI.”
Wizzkids lokken Dat maakt het des te belangrijker om be- halve mensen met inzicht in de teelt ook de allerbeste AI-experts in je team te heb- ben. Om die hardcore AI-techneuten ook te interesseren, organiseert Wageningen UR deze keer ook een aparte online chal- lenge, als voorproefje op de grote Autono-
‘De beste dataset is je eigen dataset, van je eigen kas’
mous Greenhouse Challenge. Deelnemers aan deze extra challenge krijgen eerst een serie 3D-beelden van sla ter beschikking, waarmee ze hun beeldherkenning kunnen trainen. En vervolgens krijgen ze verse beelden van sla, van diverse soorten en rassen en in verschillende groeistadia en met allerlei verschillende tekortkomingen, zoals bladrand. Binnen een beperkt aantal minuten moeten de deelenemers al die sla-beelden analyseren op gewicht, afme- tingen, bladoppervlak en voorkomende deficieten. Het digitaliseren van gewasbeelden met gewone camera’s of met camera’s die za- ken als warmte, uv of infrarood tonen, is nuttig omdat je meer ziet dan met het menselijk oog mogelijk is. Maar ook om- dat het objectiever is, stelt Hemming. “De
Alles meten is alles weten, maar de eindbeslissing blijft in handen van de tuinder.
8 ▶ GROENTEN & FRUIT | 23 april 2021
ene mens ziet wat anders dan de andere, en op maandagochtend zie je wat anders dan op vrijdagmiddag. Camera’s zien altijd hetzelfde.” In sla is beeldherkenning technisch veel makkelijker in te zetten dan tussen een hoog tomaten- of komkommergewas. De theorie van beeldherkenning komt in deze teelt dan ook dichterbij hoe het ook in de praktijk werken kan. Meer AI-studenten die de smaak van de tuinbouw te pakken krijgen. Dat kan een mooie aanvulling zijn op de toch al toege- nomen belangstelling voor de voedselsec- tor in het algemeen en de glastuinbouw in het bijzonder. “Zo’n gaming challenge waar studenten los aan mee konden doen, dat is leuk en laagdrempelig. Het kan een opstapje zijn voor deze studenten en voor universiteiten met minder of geen expertise op plantkundig of tuinbouwge- bied om ook aan boord te komen en in een team te gaan zitten voor de echte grote challenge. Ze zijn welkom, want juist om de tuinbouw en de ICT te leren el- kaars taal en wereld beter te begrijpen, blijft het verplicht om in een team leden uit beide sectoren én minimaal één stu- dent op te nemen. Wat je nu nog veel ziet, is dat er wel data worden gegenereerd, maar dat er vervol- gens niet of nauwelijks naar wordt geke- ken of mee gewerkt. Hemming en Elings zien dat als een tussenstap, die ook nodig is. Eerst maar eens beter worden in het creëren van zo compleet mogelijke data- sets. En daarna kijken hoe we die data steeds beter kunnen inzetten voor een ef- ficiëntere teelt. In deze challenge slaan de
Internationale belangstelling
De regering van de Canadese provincie Ontario steunt glastuinders met het pro- ject Autonoom Teeltmanagment. In dit project werkt Ontario Greenhouse Vege- table Growers (OGVG) samen met Blue Radix, een onafhankelijke Nederlandse AI-tech specialist voor de internationale glastuinbouw. “Samen introduceren we autonoom telen met Crop Controller bij groentetelers in Ontario”, zegt Ronald Hoek van Blue Radix. Datamodellen en algoritmes sturen 24/7 de kasinstallaties aan, op afstand ondersteund door teelt- managers met ‘diepgaande kennis over gewassen, energie en data’, aldus de be- lofte van Blue Radix.
teams die tussenstap over en proberen nú al met zoveel mogelijk digitale data een zelflerend systeem de teelt te laten run- nen.
Hoe die AI-systemen dat precies doen en met welke onderliggende algortimes, dat blijft eigendom van de teams. Wel open- baar worden álle data die in de kassen van de vijf teams worden verzameld. Waarde- vol materiaal dat vrij is te downladen, wat ook veel wordt gedaan. “Zulke complete datasets zijn zeldzaam”, benadrukken Hemming en Elings.
Datamoeheid voorkomen De data die in de kas van Tomatoworld worden verzameld, vormen een aanvul-
FOTO: TON VAN DER SCHEER FOTO: TON VAN DER SCHEER
Page 1 |
Page 2 |
Page 3 |
Page 4 |
Page 5 |
Page 6 |
Page 7 |
Page 8 |
Page 9 |
Page 10 |
Page 11 |
Page 12 |
Page 13 |
Page 14 |
Page 15 |
Page 16 |
Page 17 |
Page 18 |
Page 19 |
Page 20 |
Page 21 |
Page 22 |
Page 23 |
Page 24 |
Page 25 |
Page 26 |
Page 27 |
Page 28 |
Page 29 |
Page 30 |
Page 31 |
Page 32 |
Page 33 |
Page 34 |
Page 35 |
Page 36 |
Page 37 |
Page 38 |
Page 39 |
Page 40 |
Page 41 |
Page 42 |
Page 43 |
Page 44 |
Page 45 |
Page 46 |
Page 47 |
Page 48
