De juiste hoeveelheid (variabele hoeveelheid) op het juiste moment spuiten vereist uitgebreide informatie over de status van het gewas. Deze informatie wordt verzameld door hyperspectrale camera's, die de reflectie van licht op bladeren opvangen en als zodanig informatie geven over pigmentconcentratie, celstructuur enz.

De KMO Robovision, toonaangevend expert in deep learning-technologie en -analyses, zal geavanceerde deep learning-algoritmen zoals Generative Autoencoder Networks (GAN's) construeren en valideren om nieuwe gegevens te produceren en zo gewasafbeeldingen beter te classificeren.

De deep learning-algoritmen worden geïmplementeerd op supercomputers (NVIDIA DGX1) om een ​​snelle training van beslissingsalgoritmen mogelijk te maken, terwijl de conclusies op ingesloten GPU-apparaten worden uitgevoerd. Deze beslissingsalgoritmen bieden de nodige input om taakkaarten te maken die kunnen worden gebruikt om precies te spuiten.

Hoofddoel: een pijplijn maken voor het toepassen van deep learning-algoritmen op hyperspectrale gegevens in de landbouw

Hoe doen we dit?
  • Implementatie en validatie van deep learning convolutionele neurale netwerken (CNN) met het doel geïnfecteerde gewassen te classificeren.
  • Implementatie van Generative Autoencoder Network (GAN) om kunstmatige gegevens te genereren en de precieze classificatie van gewassen te ondersteunen.
  • Veldexperimenten uitvoeren met invasieve onkruidsoorten en ziekteverwekkers.
  • Hyperspectrale gegevensset maken voor training, testen en validatie.
  • Deskundige labeling van dataset ondersteund door visuele afbeeldingen.
  • Evaluatie in veldomstandigheden op de boerderij van de eindgebruiker.

Projectinfo

Programma

FIE9

Periode

01/01/2019 - 31/10/2022
EU
sah

This project has received funding from the European Union’s Horizon 2020 research and innovation program under grant agreement N° 818182