Beschrijving

Doelstelling
Het doel van dit project is het ontwikkelen en verbeteren van geautomatiseerde bemonstertechnieken voor het identificeren en kwantificeren van plagen en biologische bestrijders, deze digitaal te koppelen zodat, via een soort digitaal dashboard, inzicht wordt verkregen in de dynamiek van populaties in ruimte en tijd via big dataverwerking.

Projectbeschrijving
Via deep-learning artificial intelligence (AI) wordt gezorgd voor een continue optimalisatie van het resultaat. Hierdoor kan  efficiënter en effectiever de plaagbeheersing in de glastuinbouw gemanaged worden. Het onderzoek wordt uitgevoerd in 4 fasen:

1. Sensoren voor optimale bemonsteringstechniek en toepassing in een detectiemodel. Er wordt gebruik gemaakt van 6 modelsoorten, bestaande uit 3 plagen en 3 biologische bestrijders met verschillende levens strategieën.
2. Bouwen geïntegreerd basisdetectiemodel toegepast op gecontroleerde mixpopulaties onder lab condities.
3. Opschalen naar een geautomatiseerd detectiemodel.
4. Toepassen en optimaliseren van het detectiemodel op verschillende teeltsystemen gericht op model- en niet-modelsoorten.

Er zijn meerdere pilotgewassen: Chrysant, Roos, potorchidee, komkommer. Kennis uit dit project wordt vertaald naar een bredere toepassing in de glastuinbouw, zoals ook de detectie van ziekten in diverse teeltsystemen en de bouw van populatiemodellen om de ontwikkeling te voorspellen van alles wat leeft in het kas ecosysteem.

Partners
Deze PPS wordt uitgevoerd door Normec Groen Agro Control, Stichting Control in Food & Flowers, IMEC/OnePlanet, HAS green academy Den Bosch, Wageningen University & Research en Let's Grow en mogelijk gemaakt door Stichting Kennis in je Kas, Topsector Tuinbouw & Uitgangsmaterialen, Plantum, Koppert,  Environmental Monitoring Systems B.V., Sendot Research B.V., Stimuleringsbudget Emissiebeperking Glastuinbouw, Chrysant NL, gewascoöperatie Roos, gewascoöperatie komkommer, gewascoöperatie potorchidee en Glastuinbouw Nederland.

Resultaten

In het project is gekeken of je met foto’s van plakplaten automatisch insecten kunt herkennen. Gewone telefooncamera’s bleken goed bruikbaar, zeker in combinatie met slimme AI-modellen. Een externe flitser zorgde voor stabiel licht en betere herkenning. Vooral trips en wittevlieg werden goed herkend. Toch blijft de techniek gevoelig voor factoren zoals licht, type plakplaat of het aantal insecten. In de praktijklocaties werkte het systeem minder goed dan in de testomgeving, maar de potentie is duidelijk. De gemaakte foto’s kunnen worden gebruikt om de modellen verder te verbeteren.

• Hyperspectrale camera’s kunnen licht waarnemen buiten het zichtbare spectrum, zoals infrarood. Deze camera’s bleken beter in het onderscheiden van insectenfamilies dan gewone camera’s. Toch zijn ze op dit moment te duur om praktisch inzetbaar te zijn voor telers.
• De Edapholog is een apparaat dat kruipende insecten, zoals mijten en tripslarven, registreert in bladmonsters. Het apparaat werkte goed voor het tellen van mijten en gaf ook inzicht in de ontwikkeling van tripslarven. Dit biedt mogelijkheden om een toekomstige plaagdruk in te schatten.
• Met eDNA-technologie werden insectensoorten opgespoord die met andere methoden niet werden gevonden. PCR-analyse werkte het best, al waren de resultaten niet altijd betrouwbaar. De shotgunmethode leverde minder goede resultaten op. Door de hoge kosten is eDNA vooral geschikt als aanvulling op andere methoden, niet als vervanger.
• In het lab werd aangetoond dat planten met plagen meer ethyleen uitstoten. Ook konden sommige technieken insectactiviteit op planten detecteren via geurstoffen (VOC’s). In echte kassen is het gebruik van VOC’s nog lastig, doordat er veel 'ruis' is van andere planten en plagen.
• Het uiteindelijke doel was om alle sensordata samen te brengen via een AI-platform. Daarmee zou een slimme voorspelling van plaagdruk mogelijk zijn. Door een gebrek aan sensordata is dit niet gerealiseerd. Wel is er een scout app gerealiseerd, welke door de praktijk overgenomen kan worden. De eerste stappen zijn gezet en het project laat zien dat deze aanpak toekomst heeft.

Conclusie
De combinatie van beeldherkenning, eDNA, geurmetingen en AI biedt veelbelovende mogelijkheden voor de glastuinbouw. Sommige technieken kunnen al worden ingezet, andere vragen nog verdere ontwikkeling. Het project heeft waardevolle inzichten opgeleverd voor een toekomst waarin plaagbestrijding slimmer, sneller en duurzamer wordt.