Project Exploitation of high-tech plant phenotyping tools

Projectnummer
TU17222

Missie
Sleuteltechnologieën LWV

MMIP primair
Smart Technologies in Agri-Horti-Water-Food

MMIP secundair

Startdatum project
01-01-2018

Einddatum project
31-12-2021

Projectleider
Rick van de Zedde

Website
https://www.wur.nl/nl/Onderzoek-Resultaten/Onderzoeksprojecten-LNV/Expertisegebieden/kennisonline/High-tech-tools-voor-het-fenotyperen-van-planten.htm

Status project

Samenvatting project
Plant phenotyping is een nieuw onderzoeksgebied dat veel belangstelling heeft gewonnen zowel in de academische wereld als bij de industrie, met name veredelaars en high-tech partners. Het is een breed terrein en heeft ondertussen geleid tot een beter begrip van het functioneren van de plant in relatie tot zijn genetische eigenschappen. Anderzijds is de ontwikkeling van methoden en apparaten die op een niet-destructieve manier kwantificeren hoe de planten groeien met een snelle opmars bezig. Deze metingen worden gedaan in meerdere ontwikkelingsfasen van de plant. In de academische wereld zijn grote consortia waar Wageningen University & Research (WUR) partner in is op grote schaal infrastructuur aan het ontwikkelen, methoden voor experimenten en data-analyse aan het uitwerken. Inzichten en nieuwe toepassingen zullen via deze PPS ontsloten worden voor het bedrijfsleven. Binnen deze publiek-private samenwerking worden verschillende concrete use cases uitgewerkt om nieuwe ontwikkelingen te verkennen en te vertalen naar een concrete toepassingen voordelig voor alle betrokken partners.

Doel van het project
De Nederlandse uitgangsmaterialen sector heeft een hoog kennisniveau waar het om “groene vingers” gaat, maar moet om competitief op de internationale markt te kunnen blijven concurreren, een slag maken in digitalisering van de opkweek en teeltprocessen. Hier is nieuwe kennis vanuit de high-tech sector nodig. We verwachten dat dit project hier verandering in brengt. Het vertrouwen in de technologie wordt versterkt als validatie testen aantonen hoe goed de automatische metingen zijn en wat de kracht en meerwaarde van voorspellingen op grote hoeveelheden data is. In dit project zal door slimme data-koppeling en automatische monitoring aan de sector getoond worden dat nieuwe inzichten verkregen kunnen worden door individuele planten met objectieve en automatische high-tech sensoren te volgen vanaf de start tot aan het eindproduct. Via nieuwe data-analyse technieken als deep learning kunnen we maximaal inzicht krijgen in de prestatie van nieuwe en bestaande rassen en beter sturen op de gewenste kwaliteit.

Relatie met missie/motivatie
Dit project sluit aan bij Sleuteltechnologie S.1 Smart Technologies in Agri-Horti-Water-Food en toont de cross-over tussen smart technology en agro-horti- food toepassingen. Vier verschillende Use Cases zijn gekozen waarbij de overgang van een product naar een volgende schakel in de keten wordt bekeken, omdat daar kwaliteit en economische waarde van het product samen komen. Op deze manier worden digitale tools voor toepassingen in de hele keten ontwikkeld zodat de sector innovatief, efficiënt, intelligent en toekomst bestendig blijft.

Geplande resultaten
UC1 – Gestandaardiseerde kwaliteitsinspectie van zaailingen voor veredelaars en
Plantenkwekers:
– Datasets van normale en abnormale planten
– Deeplearning modellen voor abnormaal / normaal classificatie
– Evaluatie van model voorspelling

UC2 – Meten en voorspellen van uniformiteit van glasgroente gewassen en potplanten in verschillende groeistadia:
– Geannoteerde datasets
– Digitale tools voor het monitoren van de uniforme groei in de kas
o NIR model voor het meten van het vochtgehalte in petunia stekken
o Nieuw blad detectie voor phalaenopsis planten
o Classificatie van phalaenopsis wortel kwaliteit
o Meten van het 3D bladoppervlak
o Monitoren van de uniformiteit in de hoogte van tomaten planten
– Evaluatie digitale tools

UC3 – Vrucht opbrengst metingen en voorspellingen met mobiele robots voor glasgroente gewassen:
– Meetopstelling in de vorm van een autonome robot voor de glastuinbouw
o Uitgerust met sensoren voor de detectie en inspectie van vruchten
o Voorbereid voor uitbreiding met meerdere typen sensoren
o Toegerust om informatie live te kunnen processen en opslaan
– Verzamelen van grote dataset onder praktische omstandigheden. Doel: de data gebruiken om kwaliteit van de huidige situatie te meten en te koppelen met voorspellende modellen. Genereren van zo veel mogelijk voorspellende informatie o.b.v. huidige situatie.
– Evalueren van data rekening houdend met positionering in de kas: welke delen geven meer of minder opbrengst; informatie koppelen met die van andere sensoren, zoals temperatuur, vochtigheid en lichtinval.
– Creëren van een management portaal (in de vorm van een web-interface) waarop alle informatie gevisualiseerd wordt.

UC4 – Meten van uniformiteit en kwaliteit van leliebollen:
– Experimenten opzetten om overeenkomsten en verschillen van lelierassen te onderzoeken, en de manieren waarop telers hiermee omgaan. Bestaande methode kwaliteitssortering bij telers in kaart brengen.
– Testen van verschillende algoritmes om sortering op kwaliteit te kunnen realiseren
– Vergaren van een voldoende grote, door experts geannoteerde dataset om werking van algoritmes te kunnen valideren
– Samen met automatiseerder prototype sorteermachine realiseren
o (Technische) randvoorwaarden opstellen
o Wensen en beperkingen m.b.t. integratie in bestaande machines
o Vaststellen van gewenste sensoren, plaatsing van sensoren, belichting

Terug