Projectopzet

In dit tweejarige project vertalen we wetenschappelijke kennis over PYV-detectie op RGB- dronebeelden naar een toepassing die schaalbaar is en aansluit bij de behoeften en werkwijzen van telers. Het project is een samenwerking tussen 2 pootgoedtelers en een agrarisch drone operator. Met ondersteuning van een Agri-data consultancy en computer vision ontwikkelaar. De innovatieve technologie wordt ingezet om een werkbare, praktijkgerichte oplossing te creëren die kan doorgroeien tot een marktrijp product.

Aanpak

Het project bestaat uit drie samenhangende stappen, waarin technologie, digitale visualisatie en teler-gedreven ontwerp centraal staan:

I) Slimme vliegstrategieën

Om dataverzameling efficiënt en nauwkeurig te maken, ontwikkelen we slimme vliegstrategieën voor drones. Het doel is alle besmette planten exact te lokaliseren met RTK-GPS met, zodat ze digitaal gemarkeerd worden en geruimd kunnen worden. Het innovatieve aspect ligt in de combinatie van hoge-resolutie RGB camera, RTK-GPS-locaties met een correctiealgoritme waardoor minder foto’s nodig zijn en een directe verwerking in het veld mogelijk wordt.

II) AI-gestuurde beelddetectie met edge computing

Samen met Track32 ontwikkelen we een detectiemodel, dat ontworpen wordt voor een AI- computer die op een drone wordt geïntegreerd. Door deze vorm van ‘edge computing’ worden beelden ter plaatse op mono-projecties verwerkt, zodat het systeem onafhankelijk van externe servers of internetverbindingen functioneert. Tegelijkertijd wordt een nieuw algoritme toegepast om de GPS locaties te berekenen op de mono-projecties. Deze aanpak verschilt van bestaande ontwikkelingen op het gebied van robotisering en veldinspectie. Veel huidige systemen zijn gebaseerd op bewegend beeld zonder nauwkeurige GPS-locaties, of gebruiken foto’s die achteraf zijn samengevoegd tot GPS-gecorrigeerde orthomozaïeken. Het Yscout-systeem combineert hoge-resolutie dronebeelden met real-time GPS-correctie en directe verwerking op de drone, waardoor de inspectie toekomstbestendig, volledig digitaal en op termijn autonoom kan worden uitgevoerd.

III) Digitalisering en visualisatie

De resultaten van de AI-analyse worden verwerkt en gevisualiseerd in een digitaal platform. Telers krijgen inzicht in waar, hoeveel en wanneer besmette planten zijn waargenomen en kunnen op basis daarvan data-gedreven beslissingen nemen. Door als basis een bestaand platform te gebruiken, implementeren we digitalisering efficiënt en sluiten we aan bij de praktijkbehoeften van de telers. Ook stelt dit boeren in staat om uiteindelijk zelf aardappels te selecteren met behulp van drones. Dit zorgt ervoor dat in de toekomst ook nieuwe ziektes en rassen kunnen worden toegevoegd.

Doel

Het project heeft als doel een bewezen aanpak voor het detecteren van aardappel Y-virus met drones op plantniveau op te schalen naar een praktische toepassing die ook bij reguliere pootgoedtelers direct inzetbaar is. De innovatie zit dus in nieuwe technieken voor het opschalen van de toepassing. Het systeem wordt gerealiseerd op de wensen en werkwijzen van de telers, zodat besmette planten snel en nauwkeurig gelokaliseerd kunnen worden. Door de resultaten direct te digitaliseren en inzichtelijk te maken via een gebruiksvriendelijk platform, kunnen telers gerichter en efficiënter handelen, neemt de arbeidsdruk af, dalen de kosten van veldselectie en verbetert de kwaliteit en uniformiteit van het pootgoed. Deze directe digitalisering vormt bovendien de basis voor verdere robotisering van veldinspectie en maakt strategische autonomie mogelijk. Het resultaat is een schaalbare, marktrijpe innovatie die als blauwdruk kan dienen voor het gebruik van drones als objectieve selecteurs. Die uiteindelijk ook voor andere ziekten en teelten ingezet kan worden, en die zo dus een concrete bijdrage levert aan de digitalisering en robotisering van de landbouw.

Yscout

Projectstatus

Lopend

Looptijd

Regio

Nederland

Thema

Kunstmatige intelligentie, drones

Projectregeling

EIP Robotisering en Digitalisering