Onderzoekers van Penn State werken aan een geautomatiseerd robotsysteem voor precisiebestrijding van onkruid in appelboomgaarden. Centraal in dit project staat een nieuw AI-gestuurd machinevisiesysteem dat onkruid kan herkennen, afbakenen, volgen en de dichtheid ervan kan inschatten. Het systeem is bedoeld als visuele basis voor een robot die zeer gericht kleine hoeveelheden herbicide kan toedienen.
Onkruidbestrijding is noodzakelijk in appelteelt, omdat onkruid concurreert met bomen om water, voedingsstoffen en zonlicht, wat de opbrengst kan verminderen. Mechanische verwijdering van onkruid vraagt veel arbeid en kan de bodemstructuur en boomwortels aantasten. Chemische bestrijding brengt andere risico’s met zich mee, zoals milieuvervuiling, resistentie tegen herbiciden en resten op het fruit. Precisie-onkruidbeheer, waarbij onkruid nauwkeurig wordt gedetecteerd en slechts beperkt wordt behandeld, kan deze nadelen verminderen.
In de decembereditie van het vakblad Computers and Electronics in Agriculture beschrijven de onderzoekers een vroege stap in de ontwikkeling van dit systeem. Het gaat om een AI-model voor machine vision dat speciaal is ontworpen voor gebruik in appelboomgaarden. In tegenstelling tot gangbare systemen die van bovenaf werken, zoals drones, maakt deze technologie gebruik van een camera met zijaanzicht. Dat is relevant omdat boomkruinen en lage takken het zicht van bovenaf vaak belemmeren, waardoor onkruid op de grond moeilijk zichtbaar is.
Volgens projectleider Long He, universitair hoofddocent Agricultural and Biological Engineering, brengt ook een zijaanzicht uitdagingen met zich mee. Onkruid kan gedeeltelijk worden afgedekt door boomstammen of andere objecten, wat detectie en herkenning bemoeilijkt. Om dit probleem aan te pakken, verbeterde promovendus Lawrence Arthur een bestaand deep-learningmodel voor objectdetectie en -segmentatie. Dit model kan objecten niet alleen lokaliseren, maar ook pixel voor pixel hun exacte vorm bepalen.
De onderzoekers voegden een extra module toe die het model helpt zich te concentreren op relevante beeldkenmerken en storende informatie te onderdrukken. Daarnaast werd een volgalgoritme geïntegreerd dat ervoor zorgt dat afzonderlijke onkruiden hun identiteit behouden wanneer ze over meerdere videoframes worden gevolgd. Hierdoor voorkomt het systeem dat hetzelfde onkruid meerdere keren wordt geteld en kan het objecten blijven volgen wanneer ze tijdelijk uit beeld verdwijnen.
De gegevens voor het onderzoek werden verzameld in het Fruit Research and Extension Center van Penn State in Biglerville en in nabijgelegen appelboomgaarden. Tot de opgenomen onkruidsoorten behoorden onder meer paardenbloem, akkermelkdistel, fijnstraal en Carolina-nachtshade. Van deze soorten werden hogeresolutiefoto’s gemaakt voor het trainen en testen van het AI-model.
Volgens de onderzoekers behaalde het model een gemiddelde precisie van 84,9 procent voor segmentatiedetectie en 83,6 procent voor lokalisatie. Bij het volgen van meerdere objecten over videoframes scoorde het systeem 82 procent op trackingnauwkeurigheid, 78 procent op precisie van positiebepaling en 88 procent op identificatiescore. Tijdens de tests werden slechts zes zogeheten identiteitswisselingen geregistreerd, waarbij een onkruidobject wordt verward met een ander.
De ontwikkelde technologie vormt volgens de onderzoekers een stap richting geautomatiseerde en gerichte onkruidbestrijding in boomgaarden. Door nauwkeurigere detectie, consistente tracking en schatting van onkruiddichtheid kan het systeem gegevens leveren voor plaats-specifiek beheer, met als doel het gebruik van herbiciden te beperken en verspilling te verminderen.
Aan het onderzoek werkten ook Caio Brunharo, Paul Heinemann, Magni Hussain en Sadjad Mahnan mee. Het project werd deels gefinancierd door het Amerikaanse ministerie van Landbouw, het Pennsylvania Department of Agriculture en de State Horticultural Association of Pennsylvania.
