Computervisie voor precisielandbouw

Door de toename van de wereldbevolking stijgt de druk op de voedselproductie en de impact op het milieu jaar na jaar. De hoeveelheid beschikbare grond voor voedselproductie stijgt echter niet zo snel. De vraag die zich bijgevolg sterk aandringt is dan ook: hoe kan er meer geproduceerd worden op minder oppervlakte – indien mogelijk – zonder stijgende impact op het milieu?

Binnen de precisielandbouw doet men onderzoek naar systemen die hieraan tegemoetkomen. Precisielandbouw kan voorgesteld worden als een cyclus van detectie, interpretatie en applicatie. De laatste jaren werd reeds enorm geïnvesteerd in de detectie of dataverzameling. Deze masterproef kadert in de fase van interpretatie: het combineren en analyseren van data om tot bepaalde beslissingen te komen. Er wordt onderzocht wat de mogelijkheden van deep learning binnen de computervisie-taken zijn, in deze fase van interpretatie. Enerzijds worden twee supervised cases uitgewerkt omtrent classificatie van ritnaalden en de herkenning van de oriëntatie van bloemkolen op een transportband. Om zo’n supervised systemen te realiseren, is er nood aan een grote hoeveelheid gelabelde data, wat een kost- en tijdrovende taak is.

Om hieraan tegemoet te komen richt deze masterproef zich ook op het onderzoeken of het haalbaar is om deze bottleneck van menselijke interventie te reduceren. Er wordt een proof of concept voorgesteld van een alternatieve aanpak op basis van een convolutionele autoencoder en semi-supervised plantdetectie in overzichtsfoto’s van velden gemaakt door drones.