AGROS-project gaat spannende fase in: toepassing autonome sturing in komkommer

Glastuinbouw speelt een belangrijke rol in de productie van verse en gezonde producten het hele jaar door. Momenteel wordt de tuinbouwsector geconfronteerd met een aantal uitdagingen. Een belangrijke is de beperkte beschikbaarheid van hooggekwalificeerd en ervaren personeel dat alle aspecten van het productiesysteem kan overzien. Andere uitdagingen zijn de stijgende kosten van hulpbronnen, zoals elektriciteit, aardgas, CO₂ en meststoffen. De toenemende complexiteit van het productiesysteem maakt de stap naar een meer datagedreven aanpak noodzakelijk. Het publiek-private samenwerkingsproject AGROS wil een 'autonome kas' realiseren waarin de teelt op afstand wordt bestuurd door intelligente algoritmen. Geavanceerde, niet-invasieve sensoren bewaken de belangrijkste gewaseigenschappen en ondersteunen managementbeslissingen om tot een rendabele teelt onder objectieve en duurzame criteria te komen.

Twee benaderingen voor autonome kasbesturing

"De afgelopen twee jaar is in het AGROS-project gewerkt aan de bouwstenen om zo'n autonoom gestuurde teelt in komkommers te realiseren. We bepaalden een minimum aantal plantkenmerken die essentieel zijn in de besluitvorming voor gewasbeheer en klimaatbeheersing. Samen met consortiumpartners hebben we commercieel beschikbare sensoren geselecteerd en uitgebreid getest in eerdere komkommerproeven. Voor de kenmerken die nog niet automatisch konden worden gemeten, zoals het aantal nieuw gevormde komkommerbladeren, hebben we vision-technologie ontwikkeld die momenteel wordt gevalideerd", verklaart Anja Dieleman, AGROS-projectleider en onderzoeker bij de WUR business unit Glastuinbouw.

Het team selecteerde twee benaderingen voor autonome kasbesturing:

• Voor de eerste aanpak wordt een Digital Twin gegenereerd door de gewas- en klimaatmodellen van de business unit Glastuinbouw. Deze bijna-echte Twin bepaalt de ideale regelstrategie op basis van de reacties van het gesimuleerde klimaat en het virtuele komkommergewas. De Digital Twin ontvangt bijna-realtime informatie over klimaat en gewas van sensoren in de kas, en gebruikt die informatie om zijn regelstrategie "zelf te kalibreren" en te verbeteren.
• In de tweede benadering worden Reinforcement Learning-algoritmen getraind in het koppelen van acties aan waarnemingen. Door herhaaldelijk proeven te simuleren onder verschillende omstandigheden en controles, interpreteert het model zijn omgeving door de gevolgen van verschillende regelacties te evalueren. Gewenst gedrag wordt beloond, terwijl ongewenste resultaten worden bestraft. Eenmaal getraind op de AGROS-doelstelling, handelt het model zelfstandig en gebruikt het de laatste beschikbare informatie om de setpoints van elk uur te evalueren en te bepalen.

"We zijn in een spannende fase van het project beland, want we passen onze aanpak nu toe op het echte gewas en evalueren de prestaties ervan. We hebben komkommers van het ras Hi-Power geplant onder dynamische LED-verlichting in drie kascompartimenten in de onderzoeksfaciliteiten van WUR in Bleiswijk. Elk compartiment wordt bestuurd door de Digital Twin, het Reinforcement Learning-algoritme of een groep gewas- en irrigatiedeskundigen van de bedrijven die betrokken zijn bij het AGROS-project. Deze deskundigen vertegenwoordigen de kennis van telers en de huidige best practices. Het doel voor alle drie de compartimenten is het bereiken van een zo hoog mogelijke nettowinst. De nettowinst wordt bepaald door het evenwicht tussen variabele kosten (elektriciteit, aardgas, CO2) en baten (aantal geoogste komkommers). We zullen de resultaten en learnings van deze controles de komende maanden volgen", aldus Anja.