Biomass Food Crop Prediction
Optimalisatie van oogstvoorspellingen met AI-gestuurde analyse van dronebeelden
problem
De klant, een in Centraal-Amerika gevestigd bedrijf gespecialiseerd in AgriTech, stond voor de uitdaging om de oogstopbrengst nauwkeurig te voorspellen vóór de oogsttijd. Dit vermogen is cruciaal voor landbouwbedrijven om verkoop- en opslagcapaciteiten effectief te ramen, waardoor ze de gewasproductie en de toewijzing van middelen kunnen optimaliseren. De klant beschikte echter niet over een oplossing om de hoeveelheid en het gewicht van vruchten binnen een specifiek gebied te schatten. Dit belemmerde hun vermogen om middelen efficiënt te beheren en had een negatieve invloed op de budgetplanning voor meerdere velden.
problem
De klant, een in Centraal-Amerika gevestigd bedrijf gespecialiseerd in AgriTech, stond voor de uitdaging om de oogstopbrengst nauwkeurig te voorspellen vóór de oogsttijd. Dit vermogen is cruciaal voor landbouwbedrijven om verkoop- en opslagcapaciteiten effectief te ramen, waardoor ze de gewasproductie en de toewijzing van middelen kunnen optimaliseren. De klant beschikte echter niet over een oplossing om de hoeveelheid en het gewicht van vruchten binnen een specifiek gebied te schatten. Dit belemmerde hun vermogen om middelen efficiënt te beheren en had een negatieve invloed op de budgetplanning voor meerdere velden.
solution
Om de uitdaging van de klant aan te pakken, hebben we een desktopapplicatie ontwikkeld die gebruikmaakt van dronebeelden om de oogstopbrengst en biomassa binnen specifieke landbouwgebieden te schatten. De applicatie integreert computer vision- en kunstmatige intelligentie-algoritmen om dronedata te analyseren, biomassa te berekenen en de rijpheid van fruit te voorspellen, wat de klant waardevolle inzichten biedt voor biomassabeheer. Tools van de Open Source Geospatial Foundation (OSGEO), waaronder QGIS en Pix4D, werden ingezet voor gegevensverwerking en visualisatie. Daarnaast ondersteunde een diverse technologiestack bestaande uit GDAL, NumPy, Shapely, GeoPandas en Laspy de verschillende facetten van het project.
solution
Om de uitdaging van de klant aan te pakken, hebben we een desktopapplicatie ontwikkeld die gebruikmaakt van dronebeelden om de oogstopbrengst en biomassa binnen specifieke landbouwgebieden te schatten. De applicatie integreert computer vision- en kunstmatige intelligentie-algoritmen om dronedata te analyseren, biomassa te berekenen en de rijpheid van fruit te voorspellen, wat de klant waardevolle inzichten biedt voor biomassabeheer. Tools van de Open Source Geospatial Foundation (OSGEO), waaronder QGIS en Pix4D, werden ingezet voor gegevensverwerking en visualisatie. Daarnaast ondersteunde een diverse technologiestack bestaande uit GDAL, NumPy, Shapely, GeoPandas en Laspy de verschillende facetten van het project.
results
Het project omvatte het verzamelen en voorbewerken van gegevens van de landbouwdrones van de klant, gevolgd door de ontwikkeling van een automatisch vruchtherkenningssysteem. Ondanks uitdagingen zoals artefacten in de dronebeelden, waaronder schaduwen en overlappende beelden, heeft het team met succes oplossingen geïmplementeerd om de nauwkeurigheid te vergroten. Door gebruik te maken van Digital Elevation Model (DEM)-gegevens en LASer (LAS)-data, werd een ML-model getraind om planthoogtes te identificeren en datapunten te extraheren, wat een nauwkeurige classificatie en voorspelling van biomassa mogelijk maakte. Als resultaat kan de klant nu effectief onderscheid maken tussen bruikbare biomassa (vruchten en hooi) en onbruikbare biomassa, wat een uiterst nauwkeurige planning en beheer van middelen over hun velden mogelijk maakt.
results
Het project omvatte het verzamelen en voorbewerken van gegevens van de landbouwdrones van de klant, gevolgd door de ontwikkeling van een automatisch vruchtherkenningssysteem. Ondanks uitdagingen zoals artefacten in de dronebeelden, waaronder schaduwen en overlappende beelden, heeft het team met succes oplossingen geïmplementeerd om de nauwkeurigheid te vergroten. Door gebruik te maken van Digital Elevation Model (DEM)-gegevens en LASer (LAS)-data, werd een ML-model getraind om planthoogtes te identificeren en datapunten te extraheren, wat een nauwkeurige classificatie en voorspelling van biomassa mogelijk maakte. Als resultaat kan de klant nu effectief onderscheid maken tussen bruikbare biomassa (vruchten en hooi) en onbruikbare biomassa, wat een uiterst nauwkeurige planning en beheer van middelen over hun velden mogelijk maakt.
tech stack
tech stack
