Machine learning in de landbouw: 100% besparing op pesticiden en human resources

Innowise heeft computervisie technologie verwerkt in zelfrijdende landbouwrobots, waardoor deze automatisch planten kunnen voeden en onkruid kunnen verwijderen met lasers.

Klant

Industrie

Landbouw, IoT

Regio

Klant sinds

2021

Onze klant is een bedrijf dat autonome landbouwrobots produceert om landbouwwerkzaamheden in de Europese regio te automatiseren en te versnellen.

Gedetailleerde informatie over de klant kan niet openbaar worden gemaakt krachtens de bepalingen van de NDA.

Uitdaging: De beperkingen van handmatige plantenverzorging overwinnen met AI-technologie in de landbouw

Het gebruik van ML-landbouwsystemen en robots in de landbouwsector wordt steeds belangrijker vanwege de aanzienlijke belemmeringen die de handmatige verzorging van planten met zich meebrengt, die veel menselijke inspanning, tijd en kosten vergt. Deze geavanceerde technologieën kunnen verschillende uitdagingen aanpakken, waaronder arbeidsschaarste en efficiënt gebruik van hulpbronnen. Dit resulteert in een meer omvattende en efficiënte oplossing voor moderne landbouwproblemen.

Onze klant produceert autonome robots en apparaten die het proces van het kweken en verzorgen van planten moeten automatiseren. Hoewel de robots rond de bedden en velden konden bewegen, konden ze geen onderscheid maken tussen planten en onkruid voor selectieve bemesting en bewatering.

Onze deskundigen stonden voor de grote uitdaging om gespecialiseerde software in de robots te integreren die uitgedunde planten nauwkeurig kon onderscheiden en scheiden. Het latere doel van het programma was om specifiek onkruid met behulp van lasers met optimale nauwkeurigheid te elimineren. Bovendien moesten de ML-boerderijsystemen het type planten bepalen en ze voorzien van een voldoende hoeveelheid geschikte meststof, afhankelijk van hun klasse en conditiemetriek.

Samengevat omvatten de werkzaamheden:

gegevensverzameling;
handmatige gegevensopmaak;
gegevensvergroting;
modeltraining;
modelintegratie;
real-time verwerking.

Oplossing: Toepassing van machinaal leren in de landbouwsector voor onkruidverdelging en selectieve plantenvoeding

Onze ontwikkelaars hebben het project met succes afgerond en een AI-oplossing geïmplementeerd in de autonome robots voor de real-time verwerking van gescande veldbeelden en het identificeren van onkruid in milliseconden. Uitgerust met nauwkeurig gekalibreerde lasers kunnen de robots tot 100.000 onkruiden per uur verwijderen. Bovendien kunnen de robots nu planten classificeren en meststoffen toedienen op basis van hun individuele behoeften. Bovendien kunnen ze veldomstandigheden en meetgegevens bepalen om landbouwpraktijken te optimaliseren en de efficiëntie te verbeteren.

Met behulp van een geïntegreerde videocamera hebben we een dataset van meer dan 10.000 plantenbeelden verzameld en gelabeld. Ons team heeft vervolgens taken uitgevoerd zoals markering, vergroting en modeltraining op een uitgebreide dataset. Innowise heeft met succes een begeleid machine learning model geïmplementeerd dat automatisch het verband kan leggen tussen input variabelen en target outputs, waardoor nauwkeurige voorspellingen kunnen worden gedaan op nieuwe, ongeziene stam- en veldbeelden. Dit vergemakkelijkt verdere plantenclassificatie en stengeldetectie, onkruidverdelging en selectieve bemesting. Deze oplossing dient als een uitstekende toepassing van machine learning in de landbouwsector en levert opmerkelijke resultaten op in termen van automatisering van taken, behoud van middelen, verbetering van de vruchtbaarheid en beperking van de negatieve milieueffecten van pesticiden.

Neuraal netwerk voor eind-tot-eind plantsegmentatie en stamdetectie

Tijdens de fase van gegevensverwerving verzamelden we beelden van planten en onkruid via een videocamera die was bevestigd aan een landbouwrobot die door een veld navigeerde. Na het verzamelen van de gegevens hebben landbouwspecialisten de gegevens gemarkeerd voor objectdetectie en segmentatie in de volgende fasen van gegevensuitbreiding en -verfijning.

Vervolgens ontwikkelde ons team een aangepast neuraal netwerk dat het type en de klasse van een plant uit een afbeelding kan identificeren en op basis van eerdere ervaringen geïnformeerde beslissingen kan nemen over de behandeling van planten. We integreerden deze oplossing in een eindapparaat met GPU, waardoor het real-time gegevens kan verwerken en planten kan onderscheiden van eerder geleerde datasets. De stengeldetector identificeert de locaties van de plantenstengels om lasergeleiding te vergemakkelijken.

De software maakt besluitvorming door de robot zonder internettoegang mogelijk tijdens werkzaamheden in landbouwgebieden. Bij terugkeer in het station en toegang tot het netwerk kan de dataset worden bijgewerkt met aanvullende informatie en instellingen. De mogelijkheden van het neurale netwerk blijven niet beperkt tot één database: het systeem voor machine learning ondersteunt de hertraining van neurale netwerken met behulp van bijgewerkte datasets om nieuwe plantensoorten te kweken en verschillende soorten onkruid uit te roeien.

Naast het identificeren van planten- en onkruidklassen kan het neurale netwerk ook de toestand van het veld en de belangrijkste meetgegevens vaststellen, die vervolgens worden gebruikt om de irrigatie-intensiteit te regelen.

Zeer nauwkeurige laseronkruidverdelging en selectieve plantenvoeding

De ML-landbouwsystemen maken gebruik van geavanceerde technologie om een revolutie teweeg te brengen in de landbouwindustrie. Tijdens de fase van gegevensverwerving verzamelt de geïntegreerde videocamera beelden van planten en onkruid terwijl de landbouwrobot door het veld beweegt. De verzamelde gegevens worden vervolgens gemarkeerd door landbouwspecialisten voor daaropvolgende objectdetectie en segmentatie.

Het eind-tot-eind neuraal netwerk voor segmentatie van gewassen en onkruid zorgt voor een nauwkeurige semantische segmentatie van de scène, waarbij onderscheid wordt gemaakt tussen gewassen, onkruid en gras. Het systeem stuurt signalen naar verschillende lasermodules die gelijktijdig werken, waardoor de autonome onkruidbestrijders meer dan 100k onkruid per uur kunnen doden, automatisch en zonder chemicaliën. De hoge nauwkeurigheid van het lasersysteem is te danken aan ultraprecieze detectoren, met fijn afgestemde laserparameters waardoor het bereik tot 2 mm kan worden bepaald.

Het systeem maakt ook gebruik van selectieve voeding, waarbij elke plant op het veld afzonderlijk wordt behandeld. De computer analyseert de huidige toestand van elke plant, rekening houdend met factoren zoals groeistadium, gezondheidstoestand en behoefte aan voedingsstoffen. Op basis van deze informatie bepaalt het systeem de meest geschikte behandeling voor elke plant en selecteert het de juiste voedingsporties om toe te passen. Dit leidt tot een vermindering van middelen en een meer kosteneffectieve benadering van plantenvoeding.

De ML-boerderijsystemen zijn ontworpen om flexibel te zijn en zich aan te passen aan verschillende soorten planten. Het neurale netwerk kan leren en opnieuw leren van nieuwe datasets, die kunnen worden gebruikt om de AI-motor te trainen in het identificeren en behandelen van verschillende plantensoorten. Hiervoor worden beelden van de nieuwe planten verzameld en gelabeld, worden gegevensuitbreidingen uitgevoerd en worden de nieuwe gegevens verfijnd, zodat het systeem zijn kennisbasis en mogelijkheden voortdurend kan uitbreiden.

Al met al is het door Innowise ontwikkelde ML-boerderijsysteem een uitstekend voorbeeld van de voordelen van machine learning in de landbouwsector, waardoor kosteneffectieve en efficiënte oplossingen voor gewasbeheer en -behandeling mogelijk zijn.

Technologieën

ML & MLO's

Python, PyTorch, OpenCV, MMSegmentation, TensorFlow, AWS (S3, Lambda, EC2, CloudWatch).

Proces

Ons team hield een eerste vergadering met de klant om de vereisten te verzamelen en hun specifieke behoeften voor de autonome robots te begrijpen. Op basis van deze eisen stelden we een uitgebreid ontwerpplan op voor de ontwikkeling van het softwaresysteem, dat uit twee hoofdfasen bestond: het verzamelen en labelen van gegevens met behulp van een geïntegreerde videocamera en de implementatie van een model voor machine learning onder toezicht.

Om het project effectief te beheren, volgden we de Agile-methodologie en hielden we dagelijks vergaderingen om de voortgang te volgen en eventuele problemen of zorgen te bespreken. We maakten ook gebruik van communicatietools zoals Google Chat en projectbeheersoftware zoals Jira en Confluence om taken toe te wijzen en de prestaties te controleren.

Na anderhalve maand ontwikkeling konden we de MVP-versie van het neurale netwerk maken, dat in staat was effectieve beslissingen te nemen zonder extra controle. Dankzij deze aanpak konden we een flexibel en schaalbaar systeem ontwikkelen dat kon worden aangepast aan verschillende landbouwomgevingen en gebruikssituaties, zodat boeren een kosteneffectieve en efficiënte oplossing kregen voor het beheer van hun activiteiten.

Team

Projectleider

ML ingenieurs

Back-End Ontwikkelaar

Resultaten: Minder gebruik van pesticiden en minder personeelskosten

De toepassing van machine learning in de landbouw door het gebruik van landbouwrobots die zijn uitgerust met computer visie en AI-gebaseerde motoren biedt de industrie tal van voordelen. Het bevordert de kosteneffectiviteit door het gebruik van onnodige meststoffen en chemicaliën te verminderen en de landbouwproductiviteit te verbeteren door selectieve behandeling van elke plant. Bovendien biedt het gedetailleerde veldbewaking en kartering zonder menselijke tussenkomst, waardoor boeren essentiële informatie krijgen over de toestand van hun velden.

Het resultaat van de implementatie van deze technologie voor de klant is een vermindering van de totale gebruikte middelen, wat leidt tot economische voordelen door continue automatische gewasverzorging, hoge opbrengsten en een perfecte gezondheid van de planten. Bovendien beschermt de lasergestuurde, chemievrije onkruidbestrijding de landbouwecosystemen, waardoor de negatieve milieueffecten van traditionele landbouwpraktijken worden geminimaliseerd. Dankzij het vermogen van het systeem om voortdurend te leren en zich aan te passen, kunnen landbouwers de gegevensset regelmatig bijwerken en zich aanpassen aan nieuwe soorten planten en landbouwwerkzaamheden.

In het algemeen heeft de integratie van AI-technologie in de landbouw enorme mogelijkheden om voordelen te bieden aan de sector, het milieu en de natuur. ML-robots kunnen de kwaliteit en de vruchtbaarheid van gewassen verbeteren, de kosten verlagen, natuurlijke hulpbronnen behouden en mogelijke schade aan mensen voorkomen door complexe taken automatisch uit te voeren.

Duur van het project

september 2021 - november 2022

64%

besparingen op meststoffen

100%

besparingen op pesticiden en personeel

Gerelateerde gevallen

Neem contact met ons op!

Boek een gesprek of vul het onderstaande formulier in en we nemen contact met je op zodra we je aanvraag hebben verwerkt.

Naam

Bedrijf

E-mail

Telefoon

Bericht Voeg projectgegevens alsjeblieft, duur, technische stapel, IT-professionals nodig en andere relevante informatie toe

Neem een spraakbericht over uw
project op om het ons beter te helpen begrijpen

Voeg indien nodig aanvullende documenten bij

Bestand uploaden

Je kunt maximaal 1 bestand van 2MB bijvoegen. Geldige bestanden: pdf, jpg, jpeg, png

Wij wijzen u erop dat wanneer u op de verzendknop klikt, Innowise uw persoonsgegevens verwerkt in overeenstemming met ons Privacybeleid om u van de juiste informatie te voorzien.

Wat gebeurt er nu?

Na ontvangst en verwerking van uw aanvraag, nemen wij binnenkort contact met u op om uw projectbehoeften in detail te beschrijven en een NDA te ondertekenen om de vertrouwelijkheid van informatie te garanderen.

Na het bestuderen van de vereisten, stellen onze analisten en ontwikkelaars een projectvoorstel met de omvang van de werkzaamheden, teamgrootte, tijd en kosten schattingen.

Wij regelen een ontmoeting met u om het aanbod te bespreken en tot een overeenkomst.

We tekenen een contract en beginnen zo snel mogelijk aan uw project te werken.

Machine learning in de landbouw: 100% besparing op pesticiden en human resources

Klant

Uitdaging: De beperkingen van handmatige plantenverzorging overwinnen met AI-technologie in de landbouw

Oplossing: Toepassing van machinaal leren in de landbouwsector voor onkruidverdelging en selectieve plantenvoeding

Technologieën

Proces

Team

Resultaten: Minder gebruik van pesticiden en minder personeelskosten

Gerelateerde gevallen

Neem contact met ons op!

Wat gebeurt er nu?

Laat^●s ontwikkelen
software samen!

Doe een ander verzoek

Sluit

Machine learning in de landbouw: 100% besparing op pesticiden en human resources

Klant

Uitdaging: De beperkingen van handmatige plantenverzorging overwinnen met AI-technologie in de landbouw

Oplossing: Toepassing van machinaal leren in de landbouwsector voor onkruidverdelging en selectieve plantenvoeding

Technologieën

Proces

Team

Resultaten: Minder gebruik van pesticiden en minder personeelskosten

Gerelateerde gevallen

Neem contact met ons op!

Wat gebeurt er nu?

Laat●s ontwikkelen software samen!

Inschrijven naar onze nieuwsbrief

Doe een ander verzoek

Sluit

Laat^●s ontwikkelen
software samen!

Inschrijven
naar onze nieuwsbrief