Autonomous Greenhouse Challenge nadert ontknoping

De verschillen zijn groot tussen de 5 teams, blijkt uit de update van half oktober op LinkedIn van wedstrijdleider Silke Hemming van Wageningen UR Glastuinbouw. De cumulatieve productie liep tot en met week 41 uiteen van 13,6 tot 20,3 kg/m2 en de nettowinst (exclusief arbeid) van € 2,90 tot € 9,10 per m2.

Het team met de laagste productie is niet het team met de laagste winst. De nettowinst telt voor 50% mee in de eindscore. Duurzaamheid en gebruik van AI (artificial intelligence, kunstmatige intelligentie) leveren samen ook 50% op. Een ander team was het meest energie-efficiënt, samen met de referentietelers: komkommerteler Corné van Boxel, paprikateler John van Marrewijk en Wagenening UR-teler Kees Scheffers. Twee andere teams waren het meest efficiënt in warmtegebruik.

The Croperators, het enige Nederlandse team, met werknemers van Delphy en AgroEnergy, liep begin oktober in ieder geval in productie niet voorop. Tot en met week 40 had het team circa 15 kilo per m2 gerealiseerd, bleek tijdens een blik in de ‘cockpit’ op 11 oktober. Dit is op zich al opmerkelijk. Zij beschikken van alle teams over de meeste praktische teeltkennis, helemaal onder Nederlandse omstandigheden.

Echter, nog niets is beslist in de Autonomous Greenhouse Challenge. Op 7 december worden de laatste komkommers gesneden. Met het snel afnemende licht zal het in de laatste 1,5 maand niet meevallen om de balans in de plant te houden. Bij de start kon ieder team zelf de stengeldichtheid en de belichtingscapaciteit kiezen. Ook die keuzes zullen de komende tijd grote invloed hebben.

Maak kennis met de 5 teams

Hoe pakken de verschillende teams het aan om alleen op grond van data deze complexe komkommerteelt te sturen? Wat zijn hun ervaringen? Groenten&Fruit vroeg het de teams via de mail. Hier volgen de antwoorden van 4 van de 5 teams teams op 6 vragen:

Welke aanvullende sensoren hebben de teams geplaatst?

Sonoma, het team waarin AI-specialisten van Microsoft Research participeren, heeft een bladvochtigheidssensor en een ‘uitgaande PAR-sensor’ geplaatst.

AiCU, met onder anderen tuinbouw- en AI-experts afkomstig van toelevereringsbedrijven, heeft zijn eigen sensor ontworpen. Het kastje werkt op batterijen en stuurt draadloos data op van luchttemperatuur, luchtvochtigheid, lichtintensiteit en luchtdruk. “We gebruiken de challenge om het prototype te vergelijken met de commerciële standaard-sensors.”

Team AiCU gebruikt de challenge om het prototype van een eigen sensor te testen. – Foto: GJ Vlekke

iGrow, het team met AI-specialisten van de Chinese internetgigant Tencent en studenten plantwetenschappen in de gelederen, heeft helemaal geen sensors geplaatst. “Er zijn meer dan genoeg klimaat- en andere omgevingsdata beschikbaar. We missen wel de data over het gewas zelf.”

The Croperators, het team van Delphy en AgroEnergy, hebben in augustus het Trutina-systeem (meet het gewicht van substraat en plant apart) en de sensors van 2 Grow (sapstroomsnelheid en stengeldiameter) geïnstalleerd. Tot half oktober werd er nog niet op gestuurd. Zoals bij de andere teams hangt er een camera in hun kasje. “We gebruiken de beelden om het gewas door teeltexperts te laten beoordelen. Maar we oriënteren ons op mogelijkheden van beeldherkenning en smart-visiontechnieken.”

Welke ICT/ modellen/ machine learning technieken zetten de teams in?

Sonoma ziet de challenge als een experiment om verschillende data-verzameltechnieken uit te proberen. De algoritmes draaien op Azure Cloud van Microsoft en voor het monitoren en analyseren van de data gebruikt het team Power Bi.

AiCU gebruikt 2 systemen van machine learning: de traditionele ‘dynamische regressie methode’ en een meer trendy ‘Artificial Neural Network’.

iGrow startte eveneens met meerdere systemen van machine learning. “We gebruikten modellen als XGBoost, beslisboom- en liniaire regressie algoritmes en werden geïnspireerd door reinforcement learning en van GAN voor wat data-augmentation werk.”

The Croperators blijven dichtbij de gebruikelijke teeltkennis door QMS-komkommer als basis voor de wekelijkse teeltstrategie te kiezen. In combinatie met data-analysetools en control algoritmes worden hieruit de optimale klimaat-setpoints berekend. Met een kassimulatiemodel checkt het team of de berekende setpoints tot de gewenste omstandigheden leiden. “Als dat niet het geval is, wordt automatisch berekend welke klimaatvariabele moet worden veranderd om dichtbij het ideale klimaat te komen.”

Peter Goudswaard, productontwikkelaar bij AgroEnergy, versterkt het team The Croperators vanuit de ervaring van AgroEnergy met slimme software voor realtime energiemanagement. – Foto: Gerard Boonekamp

Is de gebruikte database specifiek genoeg om in Nederland komkommers te telen?

Sonoma vindt van wel.

AiCU werkte in eerste instantie met de data van Wageningen UR. Later is het team de verzamelde data uit de eigen proefkas gaan gebruiken om dichter bij de realiteit van de echte teelt te komen.

iGrow ziet dat er niet snel voldoende data voorhanden zijn. “Data kunnen een groot probleem worden als je neurale netwerken als een tool gaat gebruiken. Dan geldt: hoe meer hoe beter.”

The Croperators verwachten zelf genoeg specifieke data te genereren. “We trainen het model continu met data uit de Wageningen UR-kas. Dat leidt tot een robuust model dat de realiteit weerspiegelt.”

Zijn de geografische afstanden en tijdzones een handicap?

Sonoma, dat vanuit de Verenigde Staten opereert, vindt het tijdverschil tot nu toe geen probleem. Wel is het soms lastig om te bellen met het kaspersoneel. “Zij gaan aan het werk als wij slapen.” iGrow vindt het soms lastiger met teamleden in Nederland en China. “Vanwege het tijdsverschil kan de communicatie een probleem zijn.”

AiCU vindt afstand geen enkel probleem. Vanuit verschillende steden in Nederland communiceren ze via group-voice-calls of face2face-meetups.

The Croperators hebben hun cockpit ingericht bij Delphy in Bleiswijk, nota bene naast Wageningen UR Glastuinbouw. Afstand speelt overigens geen rol bij deze wedstrijd. “En tijd is bij de autonome kas ook niet meer belangrijk, omdat de algoritmes 24 uur per dag werken.” Zover is het echter nog niet. “We monitoren nauwkeurig rond zonsopgang en zonsondergang. Dan verandert het kasklimaat het snelst.”

Geeft jullie systeem genoeg feed-back om te weten hoe het gewas erbij staat?

Sonoma: “We doen ons best om het tekort aan data te ondervangen met goede algoritmes, maar er is nog wel ruimte om die feedback te verbeteren.”

iGrow vindt dat het allemaal wel wat minder kan met al die data waarmee ze het model kunnen trainen. “De trainingsdata zijn vrijwel allemaal van het kasklimaat en andere omgevingsfactoren, maar ze zeggen weinig over het gewas zelf. Zonder teeltexpert is het dan bijna onmogelijk om te weten hoe het gewas erbij staat.”

AiCU constateert ook dat de verstrekte data van de plantontwikkeling onvoldoende zijn om te weten hoe het gewas groeit, wat bijvoorbeeld de kleur en vorm van het blad is. “Er zit een gat tussen de plantfysiologie en kunstmatige intelligentie.” Voor realtime inzicht en overzicht over alle data uit de kas heeft AiCU speciale software geschreven.

“Er zit een gat tussen de plantfysiologie en kunstmatige intelligentie”, constateert team AiCU nu de teamleden het gewas niet meer bij de data zien. – Foto: GJ Vlekke

The Croperators werken met zo weinig mogelijk sensors totdat het model autonoom kan telen. Het team zet de plantgerelateerde sensors pas in de laatste fase van de teelt in. “We zien een groot gebrek aan gewasgerelateerde data die in samenhang met klimaatgegevens van veel waarde kunnen zijn. Eigenlijk wil je elke 5 minuten weten hoe het gewas erbij staat, in combinatie met de klimaatdata die we al lang zo frequent hebben.”

Hoe denkt jullie team het te doen en waar lopen jullie het meest tegen aan?

Sonoma: “We richten ons niet op de tegenstanders, maar proberen alleen onszelf te verbeteren. De balans tussen licht en temperatuur is een echte uitdaging bij het weinige natuurlijke licht in Nederland. We hebben wel het idee dat de bladeren van ons gewas klein zijn. We denken dat veroorzaakt wordt door de hitte van de lampen op de jonge bladeren.”

AiCU: “We zijn voorzichtig met onze klimaatstrategie. De mogelijkheden van het systeem testen is veel belangrijker. Maar we hebben wat mooie, nieuwe ideeën kunnen uitproberen.” Hoewel het systeem verregaand geautomatiseerd is, ontbreekt een belangrijke schakel. “Arbeid voor oogsten en bloem/blad verwijderen gaat nog met de hand. Dat is niet altijd volgens onze instructies uitgevoerd. En de feedback over de plantstatus was niet erg accuraat.”

iGrow heeft het idee dat het in de ‘tweede versnelling’ is blijven steken. “Maar het gaat steeds beter. Ons grootste probleem is specialistische kennis en teeltkennis van kasteelten. Gelukkig vinden we wat rapporten die we kunnen bestuderen.”

Deep Greens is wellicht de kip op de gouden eieren, het team wil liever niet gestoord. Ondanks herhaald verzoek hebben zij als enigen niet gereageerd op de vragen van Groenten&Fruit.

The Croperators komen uitgebreid aan het woord in het artikel over de autonome kas in Groenten&Fruit, editie 22 en op de website autonomousgreenhouses.com.