Een van de grootste onkosten voor aardbeitelers is de personeelskost op het moment van de oogst. Jonas Vranken ontwikkelde daarom in een masterthesis aan de KULeuven, samen met het Proefcentrum Fruitteelt, verschillende modellen om de opbrengst zo nauwkeurig mogelijk te voorspellen. Hierbij levert het gebruik van dronebeelden een belangrijke efficiëntiewinst ten opzichte van manuele tellingen. In het kader van een Industrie 4.0 Proeftuin project werken Flanders Make en pcfruit de opbrengstmodellen en het classificatieprogramma nu verder uit aan de hand van deep learning technologie.

Een nauwkeurige oogstvoorspelling is voor aardbeitelers al jaren een grote uitdaging. Dat is zeker het geval bij doordragende aardbeirassen omdat de opbrengst van die rassen sterk varieert doorheen het plukseizoen (eind juni tot eind september). Voor de aardbeiteler is het bijgevolg moeilijk in te schatten hoeveel plukkers hij/zij moet voorzien. Daarnaast is het ook moeilijk om zonder concrete opbrengstvoorspelling commerciële afspraken te maken met afnemers.

In de context van zijn masterthesis ontwikkelde Jonas Vranken (KULeuven) onder leiding van Serge Rémy, Proefcentrum Fruitteelt vzw (pcfruit) en Dany Bylemans (KULeuven en  pcfruit) verschillende modellen om de opbrengst van het Portolaaardbeiras drie weken en één week voor de pluk te voorspellen. Deze modellen gebruiken de manuele tellingen van bloemen, groene vruchten of bodem- en weersvariabelen.

De gegevens werden verzameld in de zomer van 2019 bij pcfruit. Op drie weken voor de pluk geeft het model op basis van het aantal bloemen de beste resultaten met een nauwkeurigheid van ongeveer 24% op het voorspelde opbrengstgewicht. Op een week voor de pluk geeft het model op basis van het aantal groene vruchten de beste resultaten met een nauwkeurigheid van ongeveer 22% op het voorspelde opbrengstgewicht. Wanneer de voorspellingen van de luchttemperatuur gebruikt werden op 1 week tot 10 dagen voor de pluk werd het opbrengstgewicht voorspeld met een precisie van ongeveer 20%.

Aangezien het manueel tellen van bloemen en groene vruchten erg arbeidsintensief is werd vervolgens bekeken of deze tellingen kunnen gebeuren aan de hand van dronebeelden. Hiervoor werkte pcfruit samen met Didex. De foto’s werden genomen op een hoogte van 2 á 3 meter. Uit een vergelijking met de manuele tellingen werd duidelijk dat slechts 65% van de bloemen en groene vruchten zichtbaar is op de foto’s.

Didex ontwikkelde een classificatieprogramma voor het herkennen van bloemen op basis van de kleur. Met dit programma wordt ongeveer 80% van de bloemen herkend. Voor de opbrengstvoorspelling moet er uiteraard rekening gehouden worden met het verschil tussen het aantal zichtbare herkende bloemen en het werkelijke aantal.

Momenteel werken onderzoekers van Flanders Make en pcfruit de opbrengstmodellen en het classificatieprogramma verder uit. Dit gebeurt in de context van het Industrie 4.0 Proeftuin project ‘Drones in de bouw en landbouw’. Flanders Make werkt aan een classificatieprogramma op basis van een Convolutional Neuraal Netwerk. Dit soort neuraal netwerk behoort maakt gebruik van deep learning en wordt vaak gebruikt om objecten te herkennen op beelden (computervisie).

De eerste resultaten zijn veelbelovend, want zo goed als 100% van de bloemen die zichtbaar zijn op de foto’s wordt ook effectief herkend. Deze zomer wordt nieuwe data verzameld voor zowel de Verity als de Portola aardbeirassen. Het vergelijken van verschillende aardbeirassen laat toe om de opbrengstmodellen en het classificatieprogramma robuuster te maken en te valideren. Vanaf volgende zomer worden demonstraties voorzien.

Hebt u een vraag over mogelijke toepassingen van drones in de bouw of landbouw of wilt u een succesverhaal delen? Laat het ons weten!

Bron: Master thesis – Jonas Vranken (KUL & Proefcentrum Fruitteelt vzw, promotoren: Dany Bylemans en Serge Rémy)

Pin It on Pinterest