In een grootschalig landbouwsysteem dreigt het waarnemen in de knel te raken. Het goed in kaart brengen van onkruid- en ziektehaarden is een arbeidsintensief proces voor de boer. Een grootschalig landbouwconcept met kleinschalige mechanisatie vereist een optimale monitoring van de velden, die verder gaat dan de huidige werkwijzen.
In het project wordt een innovatief beeldherkenningsconcept opgepakt dat door een PhD-student van de WU – Farm technology is vormgegeven, gebaseerd op machine-learning technologie. Deze is succesvol getest in een kleine werkomgeving en laat daar veelbelovende resultaten zien. In dit project wordt deze technologie ingezet als basis voor een monitoringssysteem voor:
- de herkenning van onkruiden en aardappelopslag en
- de herkenning van (beginnende) haarden van gewasziekten. De eerste focus voor gewasziekten ligt op herkenning van phytophthora in aardappelen.
De monitoring zelf kan door kleine autonome voertuigen worden gedaan, alsmede door drones. Op basis van modellering (WP 1) ontstaat zicht op de capaciteitsvraag. De frequentie van de monitoring wordt bepaald door de noodzaak van tijdige ontdekking. De vertaling van de monitoring naar een actie is voorzien op 2 manieren, namelijk 1. real time bestrijding van onkruiden op basis van het herkennen ervan en 2. vertaling naar een taakkaart waarbij haard-informatie leidt tot een plaatsspecifieke behandeling op een later moment. Voor onkruiden vindt een risicoanalyse plaats op basis van de gevolgen van wel/niet bestrijden (en de optimale plaats specifieke dosering en timing ervan). Voor ziekten/plagen wordt gekeken naar de besmettingsrisico’s (uitdijing van de haarden) en de plaats specifieke inzet van preventieve of curatieve middelen (inclusief de timing daarvan).