Nieuws

Distels herkennen en plaatsspecifiek behandelen in het gewas

Gepubliceerd op: 18 februari 2021

Hoe verbind je informatie uit de akkerbouwketen met elkaar? Binnen het onderdeel Connectivity van het project DISAC is hier de afgelopen drie jaar aan gewerkt. De focus lag hierbij op het plaatsspecifiek behandelen van distels over meerdere seizoenen door gebruik te maken van de verzamelde informatie in de keten door jaren heen. De ingewonnen informatie is vervolgens ingezet voor het behandelen van distels binnen een meerjarig bouwplan.

In dit project hebben we ons gericht op het behandelen van distels in uien. Dit gewas is erg gevoelig voor middelen die distel kunnen bestrijden. Vandaar dat gekeken is naar de mogelijkheden om distels in andere gewassen, zoals granen, te behandelen. Uit de studie kwam naar voren dat de distel wel goed te signaleren is in uien, omdat uien een minder dicht gewas is dan granen. De distel is een wortelonkruid, daardoor verplaatst dit gewas zich weinig door de jaren heen. Dus ontstond het idee om de distels in de uien te signaleren en vast te leggen en ze later in andere gewassen te behandelen. Dit project heeft zich gericht op de tussenstappen die hiervoor nodig zijn.

Distel herkenning

In 2018, 2019 en 2020 zijn dronebeelden gemaakt van verschillende uienvelden, op verschillende locaties en in verschillende groeistadia, gevlogen op verschillende hoogten. In deze velden zijn vervolgens de aanwezige distels vastgelegd door met een GPS-paal het veld in te gaan en de locaties van de distelplekken in te meten, en ook door de dronebeelden handmatig te bekijken.

Deze beelden zijn gebruikt om een aantal variaties van neurale netwerken te trainen. Hoewel de modellen nog slechts op een beperkte hoeveelheid data is getest, kunnen we al wel de volgende conclusies trekken:

Bij een 20 meter vluchthoogte (pixels kleiner dan 1 cm) kun je de distels herkennen. Je moet bij de verzameling de data wel goed opletten dat er genoeg variatie in het beeld zit.
Bij een 50 meter vluchthoogte (pixels ca. 1,5 cm) kun je veel van de distels wel herkennen, maar als ze te klein zijn niet. Distelplekken kun je zeker wel herkennen.
100 meter is een te hoge vluchthoogte (pixels enkele centimeters) om distels te kunnen onderscheiden.

Figuur 1 Een zoom-in van een dronebeeld ter illustratie. Links boven een True positive (dat wil zeggen een distel die correct gedetecteerd is), schuin daaronder een false negative (dat wil zeggen een distel die over het hoofd gezien is), rechts onder een false positive (dat wil zeggen de detectie van een distel die in werkelijkheid geen distel is), niet met een rode rand aangegeven is rechtsboven een true negative in beeld (er is daar een ander onkruid en die is ook niet als distel gedetecteerd). De blauwe punten zijn de noordwest hoeken van de beelden de geclassificeerd zijn als distel bevattend.

Communicatie met Kverneland spuit

De gedetecteerde distelplekken zijn omgezet naar een taakkaart in een ISOXML formaat. Om de gevonden distelplekken is een extra zone aangemerkt om te compenseren voor de sectiebreedtes en om te zorgen dat alle vastgelegde en gesignaleerde distelplekken worden behandeld. Hierbij kwamen we in het praktijkvoorbeeld op een middelbesparing van ongeveer 95 procent. Aangezien we te maken hadden met beperkende maatregelen rondom COVID-19 was fysiek bezoek niet gewenst, waardoor de bespuitingen niet daadwerkelijk in de praktijk uitgevoerd zijn, maar binnen een testopstelling gesimuleerd zijn.

Figuur 2. De distelplekken omgezet in een ISOXML grid.

Figuur 3. De taakkaart met de distelbespuitingen op een Kverneland test terminal.