"Plaagdetectie vereist een getraind oog … of een app"

Ze zijn de grootste angst van elke teler: plagen. Als je ze niet ziet aankomen, kan de hele oogst verpest worden. Gelukkig bestaat er zoiets als vliegenvangplaten. Door het gebruik van deze vangplaten kunnen plagen in een vroeg stadium worden gedetecteerd door simpelweg te kijken of het aantal insecten van een bepaalde soort in de loop van de tijd toeneemt.

Maar daarom moet men de verschillende soorten plagen op een vangplaat kunnen herkennen en dat kan niet zomaar elke werknemer. Het vereist het oog van een deskundige. En het uurloon van een expert is natuurlijk hoog – en bovendien zijn deskundigen dun gezaaid.

"Gelukkig is er een alternatief voor het handmatige telproces. In een gezamenlijk project met een van onze klanten, een komkommerteler, hebben we dit proces van plaagdetectie geautomatiseerd," zegt Richard Wilms van Itility.

Innoveren met sensoren en algoritmen
De eerste stap was het verzamelen van voldoende foto's van vangplaten met gevleugelde insecten erop en het categoriseren van elk van deze insecten. De eerste stap richting automatisering was dus nog steeds behoorlijk handmatig.

"We ontwikkelden een mobiele app om via een smartphone foto's te maken en naar ons cloudplatform te sturen. Meerdere weken achter elkaar heeft een medewerker van de teler foto's gemaakt van de vangplaten in de kas met behulp van de app. Vervolgens gebruikte hij diezelfde app om elk insect op de foto te categoriseren (data labeling). En dan was het tijd voor de laatste stap: met die gelabelde afbeeldingen hebben we ons algoritme getraind om de verschillende soorten plagen nauwkeurig te bepalen en de kans op beginnende plagen te berekenen," aldus Richard.

AI is geen magie, gewoon hard werk
Klinkt eenvoudig, maar data science is geen magie, het vereist hard werk en veel gelabelde data. Dit kost tijd en moeite. "We moesten het algoritme voor plaagdetectie voeden met heel veel opeenvolgende gelabelde afbeeldingen, zodat het systeem het type plaag steeds accurater kon voorspellen totdat het volledig getraind was om plagen te detecteren zonder menselijke tussenkomst."

Itility heeft zich eerst gericht op de detectie van witte vlieg, aangezien die het gros van de insecten op de vangplaten vormde. Bovendien zijn ze vrij gemakkelijk met het oog te detecteren. Toch kostte het twee maanden om foto's te maken, te labelen en het algoritme te trainen en opnieuw te trainen. “Maar tegen die tijd waren we erin geslaagd om witte vlieg te detecteren met een gemiddelde nauwkeurigheid van 99%.”

Andere plagen, zoals trips, fruitvliegen en sciara's, werden in die tijd ook gelabeld. “Hun aantal was veel lager dan dat van witte vlieg, maar toch voldoende om onze volgende stap te kunnen zetten: ons model trainen om ook deze plaagsoorten nauwkeurig te detecteren. Toch bleek dat ingewikkelder te zijn, want we haalden niet de accuratesse die we hadden met de witte vlieg.”

Terug naar de beginstap dus: meer foto's en meer labels. Maar ook dat bracht niet het gewenste resultaat. Dan maar terug naar het gezond verstand. “We realiseerden ons dat het verschil in nauwkeurigheid mogelijk werd veroorzaakt door de labels van de data. Zou het kunnen dat het labelen van een insect met behulp van een foto gemaakt door een camera andere resultaten oplevert dan wanneer je met het blote oog naar de vangplaat kijkt en elk insecttype noteert?"

"Dit indachtig voegden we een stap toe waarbij we de handmatige tellingen op papier uit de dagelijkse rondes van de expert vergeleken met de labels van op de foto’s. En inderdaad, bij eenzelfde vangplaat vonden we een verschil tussen de telling met potlood en papier en de gelabelde telling per foto. Een minuscuul insect als een trips is op een foto veel moeilijker te onderscheiden dan rechtstreeks op de val."

Er was dus nog een handmatige stap nodig: het vergelijken van de telling rechtstreeks op de vallen en die op basis van de foto’s en het toevoegen van de ontbrekende tellingen aan de gelabelde gegevens. "Vervolgens trainden en verfijnden we het algoritme opnieuw. En dan nog een keer. En dan nog eens. Maar het resultaat mocht er zijn: we bereikten een nauwkeurigheid van 93% voor trips."

Meer automatisering
“Met de bereikte nauwkeurigheid is het mogelijk om de dagelijkse of wekelijkse telling van insecten op een vangplaat te automatiseren. Maar die informatie biedt nog meer mogelijkheden”, aldus Richard. "De app maakt het niet alleen mogelijk om het type en aantal gevleugelde insecten te detecteren, het geeft ook inzicht in de locatie en toename of afname van de insecten in de tijd. Een dashboard geeft een overzicht van zones in de kas waar verhoogde aandacht is geboden, zodat de teler gerichte preventieve maatregelen kan nemen. In combinatie met de mogelijkheid om het effect van die maatregelen te monitoren, zorgt de app dus voor een kostenbesparing op dure gewasbeschermingsmiddelen.

In de toekomst kan dit resulteren in een volledig geautomatiseerd plaagdetectieproces, waarbij de kas op elk moment op plagen kan worden gecontroleerd en waardoor de expert op afstand toegang heeft tot alle gegevens die nodig zijn om beslissingen te nemen of te bevestigen."

Voor meer informatie:
Richard Wilms
Itility

www.itility.nl

Publicatiedatum:



Ook onze nieuwsbrief ontvangen? | Klik hier


Ander nieuws uit deze sector:


Twitter Rss

© GroentenNieuws.nl 2021

Schrijf je in voor onze dagelijkse nieuwsbrief om al het laatste nieuws direct per e-mail te ontvangen!

Inschrijven Ik ben al ingeschreven