AI is bijna onmisbaar – hoe het (niet) wordt gebruikt in agrifood
23 oktober 2024
In gesprek met Trim Bresilla, robotica-ingenieur en onderzoeker bij het programma Vision+Robotics van Wageningen University & Research, kom je te weten dat AI allesbehalve een zegen kan zijn als het niet goed of zelfs verkeerd wordt gebruikt. Als het echter op de juiste manier wordt gebruikt, kan het onderzoek en ontwikkeling in agrifood aanzienlijk versnellen.
Trim Bresilla maakt deel uit van het steeds groter wordende team van robotica-ingenieurs en onderzoekers die werken bij Wageningen University & Research en hun energie steken in onderzoek en ontwikkeling met Vision + Robotics. Hij is gespecialiseerd in generatieve AI, kortweg GenAI, en in deep learning met het oog op autonome navigatie en besturing. Zowel GenAI als deep learning zijn inmiddels verweven in vrijwel elk aspect van hetgeen Vision + Robotics doet.
Wat is GenAI precies?
Bresilla: “De meeste mensen kennen tegenwoordig de Chat GPT-chatbot van Open AI, een alledaags voorbeeld van generatieve kunstmatige intelligentie. Met een paar woorden of een vraag als input maakt Chat GPT gebruik van AI om een tekst te genereren. Hoewel Chat GPT en de alternatieven ervan vrij nieuw zijn, is GenAI gebruikt om afbeeldingen te creëren, maar die modellen zijn al wat ouder. Toch worden die modellen steeds beter en vooral sinds vorig jaar zijn de kwaliteit van de modellen en de uitkomst verbeterd. Meer algemeen gezegd, gebruikt een GenAI-model gegevens, getallen of woorden om een uitkomst te genereren. Maar het is belangrijk om te beseffen dat de uitkomst altijd van iets mindere kwaliteit is dan de oorspronkelijke input, omdat generatieve modellen niet zelf gegevens kunnen bedenken. Ze zijn echter heel goed en betrouwbaar geworden.”
De voordelen van GenAI in agrifood
“Binnen mijn vakgebied, veldrobotica, zetten we GenAI in om denkbare gegevens en situaties te creëren om veldrobots beter te maken. Niet alleen de navigatie en besturing ervan, maar ook hun algehele prestaties. Het is bijna alsof je een game engine genereert om bijvoorbeeld de navigatie in een veld met suikerbieten te testen en te verbeteren, waarbij je elke suikerbietenplant detecteert. Ik heb dit bijvoorbeeld gedaan in het Robs4Crops-project, waarbij we deep learning gebruiken voor het detecteren van suikerbietenplanten in een generatief model. Door een stijloverdracht van de AgroIntelli Robotti-veldrobot te combineren met een door GenAI gecreëerd suikerbietenveld, kunnen we de nauwkeurigheid en betrouwbaarheid van het algoritme voor het detecteren van suikerbietenplanten testen en verder verbeteren. En hoewel dergelijke modellen en game engines ongelooflijk ver zijn gekomen en een goed model (bijna) dezelfde nauwkeurigheid kan bereiken als een echt suikerbietenveld, kun je nooit de nauwkeurigheid van de invoergegevens overtreffen. Daarvoor zul je altijd de door AI gegenereerde gegevens moeten combineren met echte veldgegevens. Het grote voordeel van GenAI in dit opzicht is dat je snel prototypes kunt maken en kunt testen, ongeacht het seizoen, de toestand van het gewas en de locatie. In dit specifieke voorbeeld werken we samen met de landbouwuniversiteit van Athene en kunnen hun onderzoekers op afstand testen in bijvoorbeeld Nederlandse suikerbietenvelden. Ook dat is een groot voordeel.”
Een screenshot van de Robotic Simulator toont de AgroIntelli Robotti veldrobot die door een door GenAI gecreëerd suikerbietenveld navigeert om het algoritme voor plantdetectie te testen. De foto in de header van dit artikel toont het gegenereerde beeld om het suikerbietenveld er realistisch uit te laten zien.
In een ander project gebruiken Wageningse onderzoekers GenAI om tekstgebaseerde query’s te maken aan de hand van een opbrengstvoorspelling voor aardappelen. “Dit moet leiden tot een onlinemodel voor de voorspelling van de aardappelopbrengst op basis van de locatie van een boer, zijn bodemtype en zijn situatie. Je zou deze ‘aardappelbot’ letterlijk kunnen vragen: Wat is de voorspelde of potentiële opbrengst voor veld A gelegen langs weg B met bodemtype C, en je krijgt een antwoord. We zijn momenteel bezig met het valideren van de output om de betrouwbaarheid van de zoekopdracht te beoordelen. En nogmaals: de nauwkeurigheid wordt bepaald door de oorspronkelijke gegevens die in het model of de bot worden ingevoerd. We zullen het model dus met echte gegevens verder moeten ontwikkelen om het basismodel te laten evolueren tot een veel geavanceerder en verfijnder model.”
Waarom AI linken met robotica in agrifood?
Bresilla vindt het gebruik van AI in robotica belangrijk omdat robots steeds meer beeldverwerkingstechnologieën gebruiken, zoals camera’s, LiDAR en radar. “De meest efficiënte manier om de wereld om je heen en die rondom een veldrobot te begrijpen, is door AI te gebruiken. Zowel voor de detectie van planten en andere objecten als voor navigatie. Het gebruik van AI is simpelweg de beste manier om de wereld om je heen te begrijpen. Je hebt geen bakens of afbakeningsdraden nodig om een bepaald gebied virtueel af te bakenen en een robot te helpen navigeren. Een alledaags voorbeeld hiervan is een robotgrasmaaier of een voerrobot voor melkkoeien. Vroeger navigeerden deze robots door binnen een bepaalde afgebakende zone te blijven of door bakens of draden te volgen. Tegenwoordig wordt gebruik gemaakt van beeldverwerkingstechnologie. In combinatie met AI kan de robot onverwachte en veranderende omstandigheden interpreteren en verwerken. Ik noem dit waarnemen en herstellen met behulp van AI om de toestand van een robot te vernieuwen.”
“Een nadeel hiervan is dat de combinatie van robotica en AI niet volledig wordt benut in de landbouw, omdat de landbouw vroeger modellen gebruikte die afkomstig waren uit andere industrieën, zoals de automobielindustrie. “Ik denk dat we vandaag de dag anders moeten denken, want met al die start-ups die gebruikmaken van de combinatie van robotica en AI, moeten we de trend gaan zetten in plaats van deze te volgen.”
AI om de toepassing van veldrobots te versnellen
Volgens Trim Bresilla kan GenAI ook worden gebruikt om de adoptie en toepassing van veldrobots te versnellen. “Met GenAI kunnen boeren eenvoudigweg een vraag intypen of een spraakopdracht geven om veldrobots een natte plek in een veld te laten ontwijken. Een plek die er nog niet was toen de boer het werk plande. ‘Ontwijk de natte plek tussen de rijen X en Y’, zou zo’n opdracht kunnen zijn. De beeldverwerkingstechnologie van de robot zal helpen bij het ontwijken van de precieze locatie van de natte plek. Op die manier kan GenAI vertrouwen in autonome navigatie opbouwen. Een ander voorbeeld is om GenAI te gebruiken om robots zichzelf te laten uiten, om ze te laten spreken. Niet elke boer is robotwetenschapper of zou dat willen zijn. Wij als wetenschappers kunnen met behulp van GenAI en ook deep learning echter hulp bieden op lokale velden zonder erheen te gaan en zonder rechtstreeks betrokken te zijn.”
Dus waarom zouden onderzoekers, bedrijven en start-ups naar Wageningen moeten komen voor oplossingen op het gebied van GenAI en deep learning voor agrifood? “Wageningen is hiervoor de beste plek. Wij hebben namelijk niet alleen computerwetenschappers en specialisten op het gebied van AI en robotica, maar we beschikken ook over kennis van planten en dieren en geavanceerde groeimodellen van flora en fauna. We gebruiken de meest betrouwbare synthetische data en hebben experts voor alle aspecten op elk gebied. Dat is echt een unieke combinatie die nergens anders ter wereld is te vinden!”
