Slim monitoringsysteem voor kasplanten

De klant, een startup die AI inzet om planten te monitoren op vroege ziektedetectie, stond voor aanzienlijke uitdagingen bij het optimaliseren van hun technologische aanpak om aan de zakelijke behoeften te voldoen. Hoewel de moderne landbouw steeds vaker hightech oplossingen adopteert, blijft er een kloof bestaan in de ontwikkeling van kosteneffectieve, end-to-end pipelines voor specifieke taken. Het inkomen van landbouwbedrijven, met name bij hoogwaardige planten zoals medicinale cannabis, hangt af van effectieve groeimonitoring en ziektepreventie. De klant wilde de handmatige arbeid die gepaard gaat met het observeren van hennepplanten automatiseren om de opbrengst te maximaliseren. Om dit te bereiken, gingen zij een partnerschap aan met Interactivated voor de implementatie van geavanceerde AI- en data-analysetechnologieën.

Onze oplossing bestond uit de ontwikkeling van een geavanceerde, meerfasige pipeline voor plantmonitoring en ziektedetectie. De eerste fase richtte zich op de detectie van hennepbloemen met een nauwkeurigheid van 80%, bereikt door beelden te segmenteren op basis van cannabisgroeistadia en het trainen van aangepaste modellen voor optimale prestaties. Vervolgens ontwikkelden we een ziekteclassificatiemodel met een nauwkeurigheid van 90%, in staat om 11 verschillende soorten bladeren te identificeren en diepgaande gezondheidsanalyses uit te voeren. Dit model identificeerde specifieke ziekten door verschillende symptomen en hun onderlinge samenhang te detecteren. De pipeline bevatte beeldsegmentatie om bladeren en stammen te detecteren voor gezondheidscontroles, gevolgd door een multi-labeled classificatie van symptomen. We maakten gebruik van een aangepast Pyramid CNN deep learning-model voor bladsegmentatie, waarbij transfer learning en diverse post-processing methoden werden ingezet om de nauwkeurigheid te verhogen. Het bladfiltermodel verfijnde de data verder door duidelijke bladbeelden te extraheren en voor te bewerken. Onze uiteindelijke oplossing omvatte het trainen van een multi-output model met behulp van EfficientNet, waarbij de prestaties werden geoptimaliseerd met aangepaste drempelwaarden en een nieuwe loss-functie, wat resulteerde in aanzienlijke verbeteringen in de nauwkeurigheid.

Onze samenwerking resulteerde in een robuuste pipeline die effectief voorziet in de behoeften van de klant op het gebied van groeimonitoring en vroege ziektedetectie. Het model behaalde een F1-score tot 90% over 11 klassen, wat tijdige behandeling of verwijdering van aangetaste planten mogelijk maakte en bijna 25% van de oogst bespaarde. Deze oplossing verbeterde niet alleen de nauwkeurigheid van de ziektedetectie, maar optimaliseerde ook de infrastructuurkosten door het datagebruik te verminderen zonder de analytische precisie in gevaar te brengen. De uitgebreide fasen van de pipeline – beeldsegmentatie, bladverwerking en ziekteclassificatie – toonden het potentieel aan van computer vision en machine learning om duurzame landbouwpraktijken te stimuleren. Onze aanpak stelde de klant in staat hun zakelijke doelen te bereiken door een schaalbare en efficiënte methode te bieden voor het monitoren van de gezondheid van planten en het verhogen van de gewasopbrengst.