AI-gegenereerde sensormeldingen kwamen in een commerciële kasproef voor 69 procent overeen met de waarnemingen van telers over de aanwezigheid van spintmijt. Het is de meest gedetailleerde validatie tot nu toe van het machinelearningplatform van Altered Carbon voor vroege detectie van plagen en stress bij tomaten.
De resultaten komen voort uit het TomatoGuard-project, een door Innovate UK gefinancierd initiatief onder leiding van Altered Carbon, in samenwerking met APS Produce, Fargro en het UK Agri-Tech Centre. Binnen het project zijn op grafeen gebaseerde sensoren voor vluchtige organische stoffen gecombineerd met geïntegreerde elektronica en AI-modellen. Deze zijn verbonden met een cloudplatform dat patronen in plantenemissies interpreteert als signalen van stress of plaagdruk.
Proeven in het lab, onder gecontroleerde omstandigheden en in commerciële kassen leverden data op voor de training en evaluatie van het systeem. Tijdens de toepassing bij APS Produce bleken factoren zoals verbinding, batterijduur, sensorplaatsing en ventilatie in het gewas van invloed op de datakwaliteit en stabiliteit. De proeven maakten de stap mogelijk van prototype naar praktijktoepassing en gaven inzicht in hoe kasomstandigheden de prestaties beïnvloeden.
Fargro, dat de proef onafhankelijk monitorde, stelde vast dat de sensoren potentie hebben om spintmijt vroegtijdig te detecteren. Verbeteringen in batterijduur en wifi-stabiliteit kunnen bredere inzet ondersteunen. APS Produce gebruikte het Scent Studio-platform om meldingen en sensorprestaties te volgen en ziet automatische detectie als ondersteuning voor gewasmonitoring, vooral bij hoge personeelswisselingen.
Het UK Agri-Tech Centre, dat studies uitvoerde om trainingsdata te genereren, ziet in deze aanpak mogelijkheden om het gebruik van gewasbeschermingsmiddelen en meststoffen te verlagen. Het project leverde nieuwe datasets, hardware en software op, en legde de basis voor uitbreiding naar andere gewassen en ziekte-indicatoren.
