Is het mogelijk sla te kweken zonder daar ook maar enig omkijken naar te hebben? De deelnemers aan de Autonomous Greenhouse Challenge denken van wel. De algoritmen die zij voor de wedstrijd schreven, worden nu in de praktijk getest.

Deelnemers aan de Autonomous Greenhouse Challenge hebben voor het eerst hun algoritmen voor het autonoom kweken van sla in kassen, in de praktijk kunnen toepassen. De algoritmen herkennen zelf hoe het er voorstaat met een krop sla en hoe de omstandigheden in de kas moeten worden aangepast om de kweek te bevorderen.

De eerste proefkweek is onderdeel van de derde editie van de internationale wedstrijd georganiseerd door de Wageningen University & Research (WUR). In vorige edities werden komkommers en kerstomaatjes geteeld. Het lukte de verschillende teams toen om groenten van een betere kwaliteit te leveren dan menselijke, professionele telers in verhouding tot de gemaakte kosten.

Dit jaar wordt de kas voor het eerst volledig autonoom bestuurd. Aan de wedstrijd doen vijf teams mee die bestaan uit studenten, onderzoekers en andere experts.

 

Autonome kas

Er bestaan verschillende gereedschappen (actuatoren) om de omstandigheden in een kas naar wens aan te passen, zoals ventilatie, verwarming, verlichting en het instellen van de zonneschermen. Om te bepalen hoe je deze actuatoren het best kunt instellen, kun je gebruik maken van verschillende klimaatmetingen (temperatuur, luchtvochtigheid, etc.), zowel binnen als buiten de kas. Ook gegevens over het welvaren van de planten zijn belangrijk voor het bepalen van het juiste klimaat.

Hoe deze gegevens over klimaat en plantgroei (input) het best te vertalen zijn naar de ideale stand van een lichtknop of thermostaat (output), is een complex vraagstuk zonder duidelijke stelregels. Dit soort koppelingen van input naar output is echter wel uitermate geschikt om een machine learning-algoritme voor te schrijven. Dat leert zélf hoe het deze taak moet uitvoeren.

 

Kas op een computer

Om deze algoritmen te trainen werd in de eerste ronden van de wedstrijd gebruikgemaakt van virtuele kassen, waarin de klimaatdynamiek van een echte kas en het effect hiervan op plantgroei zo goed mogelijk werd nagebootst.  

In diezelfde ronden ontwierpen en trainden de teams ook computer vision-algoritmen, een specifieke vorm van machine learning voor beeldherkenning. Deze algoritmen moesten aan de hand van een foto van een slaplant eigenschappen van de plant zoals formaat en gewicht kunnen bepalen. Deze gegevens kunnen weer als input dienen voor het algoritme dat het klimaat in de kas controleert.

Slaplanten worden gefotografeerd. Aan de hand van de foto's kan een algoritme eigenschappen van de plant bepalen. Beeld: Wageningen University & Research (WUR)

 

Finale

Nu de algoritmen ook in echte kassen zijn getest, hebben de teams erachter nieuwe input om ze te verbeteren. Ook stellen de resultaten de wedstrijdorganisatie in staat om hun virtuele kasomgeving te verbeteren. Vanaf 2 mei zetten de teams hun software in op een nieuwe lichting slaplanten voor de finale van de wedstrijd.

Voor die finale is er nog werk aan de winkel. In de oefenronde is het geen enkel team gelukt om het groeiproces winstgevend te laten verlopen. De sla was van te weinig kwaliteit of er was te veel energie gebruikt bij het kweken.

Op 1 juli worden op een speciaal evenement, geweid aan autonome kassen, de winnaars bekendgemaakt.

 

 

Openingsbeeld: Wageningen University & Research (WUR)