From Hyperspectral Signatures to Robotic LiDAR-Based Moisture Monitoring: A Machine Learning-Based Framework
Deze studie presenteert een op machine learning gebaseerd framework dat de overgang maakt van hoogresolutie laboratoriumspectroscopie naar een inzetbaar robotisch LiDAR-systeem, waarmee succesvol contactloze, hoogprecisie schatting van het volumetrisch watergehalte in teeltmiddelen op basis van steenwol voor geautomatiseerde irrigatie in de glastuinbouw is bereikt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de hoogtechnologische wereld van de indoor landbouw, waar gewassen groeien onder kunstlicht in klimaatgecontroleerde ruimtes, is water zowel de meest vitale hulpbron als de moeilijkst te beheren factor. In tegen tegenstelling tot traditionele velden, waar regen en bodem een natuurlijke buffer bieden, vertrouwen deze bodemloze systemen op inerte materialen zoals steenwol—een vezelig, op steen gebaseerd substraat dat water vasthoudt voor plantenwortels. De uitdaging is dat dit materiaal zich niet gedraagt als bodem; het kan niet gemakkelijk met standaard sensoren worden onderzocht zonder de delicate wortelstelsels te verstoren of dure, intrusieve apparatuur te vereisen. Als het waterpeil te laag is, drogen de planten uit en gaan ze dood; als het te hoog is, verdrinken ze. Om deze delicate balans te automatiseren, hebben boeren een manier nodig om de vochtigheid in de steenwol te "zien" zonder deze ooit aan te raken, door gebruik te maken van licht en sensoren om de verborgen staat van het water te lezen.
Een team onderzoekers aan de Toronto Metropolitan University heeft een nieuwe methode ontwikkeld om dit probleem op te lossen, waarbij ze de stap zetten van gedetailleerde laboratoriumexperimenten naar een praktisch, op een robot gemonteerd systeem. Hun werk begint met het behandelen van de steenwol als een unieke vingerafdruk. Ze namen kleine schijfjes van het materiaal en pasten het watergehalte zorgvuldig aan op elf verschillende niveaus, variërend van volledig droog tot volledig verzadigd. Met behulp van een hoogwaardige spectrometer maten ze hoe deze monsters licht reflecteerden over een breed spectrum, van ultraviolet tot nabij-infrarood. De resultaten toonden een duidelijk patroon: naarmate de steenwol meer water absorbeerde, veranderde het vermogen om licht te reflecteren op specifieke, voorspelbare manieren, met name in de infrarode regio's waar watermoleculen energie absorberen.
De onderzoekers realiseerden zich dat hoewel het volledige lichtspectrum alle noodzakelijke informatie bevatte, een eenvoudigere aanpak praktischer zou zijn voor gebruik in de echte wereld. Ze ontwikkelden een aangepaste formule, die ze de Rockwool Water Index noemden, door slechts drie specifieke golflengten van licht te identificeren die, wanneer gecombineerd, de verschillende vochtgehalten met hoge nauwkeurigheid konden onderscheiden. Deze index fungeerde als een compacte samenvatting van de conditie van het materiaal. Om dit te testen, trainden ze een reeks computermodellen om deze patronen te herkennen. Eén model, een deep learning-systeem ontworog om het volledige lichtspectrum te verwerken, presteerde goed. Echter, een meer geavanceerd ensemble-model, dat de voorspellingen van verschillende leeralgoritmen combineerde met behulp van de aangepaste index, bleek het meest effectief. Deze gecombineerde aanpak identificeerde het vochtgehalte in de steenwol met een precisie van meer dan 97 procent, wat aanzienlijk beter presteerde dan standaardmethoden die vertrouwen op generieke bodemindices.
De laatste fase van het onderzoek vroeg zich af of deze laboratoriumbevindingen de overgang naar een echte, bewegende robot zouden overleven. Het team monteerde een compacte LiDAR-sensor—een apparaat dat laserpulsen gebruikt om afstand en intensiteit te meten—op een robotarm. Ze plaatsten volledige steenwolblokken, vergelijkbaar met de blokken die in commerciële kassen worden gebruikt, voor de robot. De robot legde gegevens vast vanuit meerdere hoeken en afstanden, waarbij zichtbare lichtbeelden, actieve infrarode signalen, dieptemetingen en omgevingslichtniveaus werden geregistreerd. Het doel was om te zien of de robot vochtveranderingen kon detecteren met alleen de beperkte sensoren die beschikbaar zijn op een standaard landbouwmachine, in plaats van de dure laboratoriumspectrometer.
De resultaten waren veelbelovend. Door de gegevens van de robot in een machine learning-model te voeren, slaagde het systeem erin om het vochtgehalte van de steenwolblokken in drie duidelijke categorieën te classificeren: droog, matig nat en volledig verzadigd. Het model bereikte een gemiddelde precisie van bijna 93 procent. Dit toonde aan dat zelfs zonder het vermogen om exact de drie in het lab geïdentificeerde golflengten te meten, de combinatie van zichtbaar licht, infraroodreflectie en diepte-informatie voldoende was om de waterstatus van het substraat te onthullen. De studie bevestigt dat vochtgerelateerde optische signalen kunnen worden teruggewonnen in een praktische, inzetbare omgeving, waardoor de kloof tussen complexe spectrale wetenschap en de alledaagse instrumenten van de agrarische robotica wordt overbrugd.
Dit werk biedt een duidelijk pad voor de toekomst van geautomatiseerde irrigatie. Door te bewijzen dat contactloze sensoren nauwkeurig het vochtgehalte in bodemloze media kunnen aflezen, hebben de onderzoekers de basis gelegd voor robots die hele kassen kunnen monitoren, droge plekken identificeren en irrigatiesystemen alleen daar activeren waar dat nodig is. De methode gaat verder dan de beperkingen van fysieke sondes en biedt een manier om de perfecte balans tussen water en lucht voor plantenwortels te handhaven zonder de gewassen ooit te verstoren. Hoewel het huidige systeem op een specifiek type steenwol onder gecontroleerde omstandigheden werd getest, suggereert het kader dat vergelijkbare benaderingen kunnen worden aangepast voor andere substraten en omgevingen, wat een nieuw niveau van intelligentie brengt in de manier waarop we voedsel binnenshuis verbouwen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.