Πόσα υγιή φυτά τομάτας θα αποφέρει μια παρτίδα σπόρων; Ερευνητές από την Agro Food Robotics στο Wageningen University & Research έχουν αναπτύξει ένα αυτόματο τεστ βλάστησης που δίνει στους κτηνοτρόφους και τους καλλιεργητές γρήγορες και αντικειμενικές απαντήσεις σε αυτό το ερώτημα, εξοικονομώντας κόστος και αυξάνοντας την αποτελεσματικότητα.
Οι καλλιεργητές θέλουν να παραδώσουν ομοιόμορφα φυτά και ως εκ τούτου θέλουν να γνωρίζουν την ποιότητα του σπόρου που παραγγέλνουν. Πόσα φυτά αποδίδει μια παρτίδα σπόρων; Υπάρχουν δείγματα που υστερούν στην ανάπτυξη, έχουν στριμμένο στέλεχος ή λείπει φύλλο; Τόσο οι κτηνοτρόφοι όσο και οι καλλιεργητές πραγματοποιούν δοκιμές βλάστησης.
Τα φυτά που καλλιεργούνται από αυτές τις δοκιμές αξιολογούνται χειροκίνητα και σύμφωνα με τα ίδια τα κριτήρια και τις μεθόδους καλλιέργειας της εταιρείας. Ένας κτηνοτρόφος, για παράδειγμα, καλλιεργείται υπό τις ίδιες συνθήκες όλο το χρόνο, ενώ σε ένα εμπορικό θερμοκήπιο αυτές οι συνθήκες μπορεί να ποικίλουν ανά εποχή . «Τα αποτελέσματα των δοκιμών βλάστησης μπορούν, επομένως, να διαφέρουν μεταξύ τους. Αυτό καθιστά δύσκολο για τους κτηνοτρόφους να συμφωνήσουν σχετικά με την ποιότητα του σπόρου και για τους καλλιεργητές να εκτιμήσουν σωστά την παραγωγή των δενδρυλλίων », λέει η Lydia Meesters, ερευνητής στο Agro Food Robotics στο Wageningen University & Research.
Νευρωνικά δίκτυα
Στο έργο Εκμετάλλευση υψηλής τεχνολογίας φυτικών φαινοτυπικών εργαλείων για εταιρείες αναπαραγωγής και καλλιεργητές (2018-2021), ερευνητές από την Agro Food Robotics στο Wageningen University & Research ανέπτυξαν ένα αυτόματο, τυποποιημένο τεστ βλάστησης που εξαλείφει αυτά τα προβλήματα.
«Με το σύστημα κάμερας MARVIN, κατασκευάζουμε μεγάλο αριθμό ταινιών υψηλής ταχύτητας με σπορόφυτα τομάτας και τα συνδέουμε με λογισμικό ταξινόμησης», λέει ο Meesters. «Το λογισμικό χρησιμοποιεί νευρωνικά δίκτυα (βαθιά μάθηση), μια μορφή τεχνητής νοημοσύνης που επιτρέπει στους υπολογιστές να μαθαίνουν με βάση τις πληροφορίες που λαμβάνουν. Σε αυτήν την περίπτωση φτιάχνουμε τόσο δισδιάστατες όσο και τρισδιάστατες εικόνες. "
Καλύτερη πρόβλεψη
Ένας από τους έντεκα εταίρους του έργου είναι ο Paul Verbruggen, ερευνητής στο Bejo Zaden στο Warmenhuizen. «Προσπαθούμε πάντα να προβλέψουμε καλύτερα την ποιότητα και την ομοιομορφία των τοματών από τους σπόρους μας», εξηγεί.
Αυτός ο στόχος είναι πλέον εφικτός χάρη στην έρευνα Wageningen. «Το σύστημα κάμερας Marvin φαίνεται ήδη να προβλέπει αρκετά καλά την ποιότητα των φυτών», λέει ο Verbruggen. «Όταν προσθέτετε νέα τεχνολογία, όπως η τεχνητή νοημοσύνη, η αξιοπιστία αυξάνεται σημαντικά. Τα πρώτα αποτελέσματα δείχνουν επίσης ότι δεν έχει σημασία αν συλλέγετε δισδιάστατες ή τρισδιάστατες εικόνες από τοματιά. «Για εμάς είναι ωραίο να γνωρίζουμε, γιατί επιβεβαιώνει ότι ο Bejo Zaden χρησιμοποιεί ήδη ένα καλό σύστημα».
Λειτουργεί αποτελεσματικά
Ο Verbruggen σημείωσε επίσης ότι είναι δύσκολο να επιτευχθεί συναίνεση με άλλα μέρη σχετικά με το πώς ακριβώς να μετρηθεί η ποιότητα των σπόρων. «Εργαζόμαστε τώρα μαζί σε ειδικά σχεδιασμένα μοντέλα, με τα οποία κάθε συνεργάτης αλυσίδας μπορεί να εκπαιδεύσει το δικό του μοντέλο». Εάν εξαρτάται από τους Meesters, αυτά τα μοντέλα είναι μόνο η αρχή. «Όσο περισσότερο ενσωματώνεται η σύγχρονη τεχνολογία στα θερμοκήπια, τόσο πιο αποτελεσματικές εταιρείες γίνονται.»