Precisielandbouw met AI-gedreven Planningen en Acties [PAPA]

Inleiding

Eén van de moeilijkste acties op het veld die een teler moet nemen om de gewasopbrengst te optimaliseren, is het wieden van onkruiden tussen de jonge scheuten. De aanwezigheid van onkruid tijdens de groeiperiode leidt tot 32% reductie in gewasopbrengst. Huidige onkruidbestrijdingsmethodes kennen een verscheidenheid aan beperkende en kostenopdrijvende nadelen, met name voor de biologische landbouw.

Doel van het project

Binnen het Toepassingsgebied “Landbouw & Voeding” van de NL AI Coalitie is het doel van dit MIT-voorstel: Het ontwikkelen en valideren van Supervised Deep Learning modellen als fundamentele stap voor de digitale transformatie naar Precisielandbouw.

Beoogde resultaten

De beoogde resultaten van dit MIT-project zijn daarbij:

• Getrainde en gevalideerde supervised Convolutional Neural Network (CNN) modellen, voor het management van grote heterogene tijdseries uit een groot gedistribueerd netwerk van edge-devices en bronnen van derden, alsmede voor het 24 uur vooruit voorspellen van de actuele biologische status en actiebehoefte per akker.
• Een motorcontroller om het robotsysteem te stabiliseren op hogere snelheden, zodat de performance van Computer Vision stabiel en hoog kan blijven op een hobbelige akker.
• Gedeelde infrastructuur voor feedbackloops van AgroExact naar Trabotyx (voor wiedcampagneplanning door telers vanuit de AgroExact app) en van Trabotyx robots naar AgroExact (voor de lokale monitoring van de akkerondergrond).