Onze Artificial Intelligence

Een robot die autonoom moet bladknippen en zich dus continu moet aanpassen heeft AI nodig. Met een vision systeem, een slim neuraal netwerk en een juist gekozen camera is het herkennen van een object en zijn positie mogelijk. Met aanvullende technieken en een plantmodel hebben we een bewegings- en end-effectorstrategie ontwikkeld.

Met voldoende beelden kun je algoritme trainen zodat het systeem de juiste dingen herkent. Trainen is een nieuw woord voor programeren. Je hoeft daar echter geen software specialist voor te zijn. De algoritmes verfijnen, herkennen van de plant, vergt wel kennis en inzicht. Als je ze eenmaal hebt is het steeds verbeteren iets wat de teler ook zou kunnen.

Kunstmatige intelligentie maakt dus de herkenningssoftware zelf en niet een mens. AI software is daarmee nooit 100% betrouwbaar, dus je kunt er ook geen 100% van het blad mee knippen of vrucht mee oogsten. Wel bijvoorbeeld 95%, maar dat kan wegzakken door andere lichtinval, etc. 

Ondanks die beperking is het de AI die de automatisering in de kas mogelijk maakt.

Data

Een robot genereert veel data. Al deze data wordt via ons IoT platform in een Data Lake opgeslagen. Hier kan het indien gewenst worden verrijkt en via een beveiligde verbinding worden doorgestuurd naar verschillende derde partijen. Je hebt drie soorten data, machine data, applicatie data en training data. Met machinedata analyseren en moniteren we het systeem. Doel is de prestaties continu te kunnen verbeteren. Een voorbeeld is energiemanagement. Je kunt wel uitrekenen hoe het verbruik van energie is, maar de praktijk is vaak anders en ook niet bij iedereen hetzelfde. Wat is dan je laad strategie of de benodigde capaciteit, je levensduur. 

Applicatie data is voor de teler interessant. Temperatuur, licht, vocht, CO2 je zou ze allemaal continu kunnen meten en monitoren. Ook daar geldt dat je met analyse ook conclusies kunt trekken en je teeltproces gaat aanpassen. Die data meten we niet default, maar het kan wel toegevoegd worden. Die ruwe data is uiteraard eigendom van de teler, maar hij heeft wel hulp nodig van een specialist die de data kan analyseren en de waarde kan verhogen.

Het derde type data is training data. Onze robots loggen al het beeldmateriaal waarvan de points of interest nog niet met voldoende zekerheid door het vision systeem worden herkend. Dit beeldmateriaal wordt dan gebruikt voor reinforcement learning van het neurale netwerk. Het resultaat is een snelle leercurve bij veranderende omstandigheden, doordat alle robots van elkaars ervaringen zullen leren.

Robot pad planning.

Een robot arm die van A naar B beweegt is niets nieuws. Een arm die continu zijn beweging aan moet passen en botsingen moet voorkomen is de innovatie. En dat ook nog reel time op maximale snelheden. Daar zit de intelligentie van ons systeem. 
Uiteindelijk wil niemand dat een robot continu de plant raakt, dus ga je er omheen.

End effector: nauwkeurig, snel en economisch haalbaar. 

Nauwkeurigheid is voor een robot in het algemeen geen probleem. In de kas is de camera en visionsysteem echter bepalend voor de onnauwkeurigheid. De robustheid van het snijsysteem is dus bepalend. Wij hebben gekozen voor een gepatendeerde grijper die ook de plant zo min mogelijk stressed.

Een robot kan heel snel zijn. De veiligheidseisen beperken enerzijds de bewegingssnelheid van de cobotarmen, anderzijds beperkt het voorzichtig omgaan met de plant ook de snelheid. Onder aan de streep is voornamelijk de beweging van blad naar blad bepalend en de EOAT cyclustijd. Het visionsysteem, de beeldbewerking zitten niet in het kritische pad van de bewegingsplanning. We garanderen 1000 blad per uur gemiddeld over 100m.

Economisch haalbaar, omdat de variabele kosten van het systeem erg laag zijn. De variable kosten en de afschrijving van de investering geeft een robot uurtarief die substantieel lager is dan de loonkosten. De snelheid van het systeem is daarin essentieel en die gaat alleen maar toenemen. De software domineert wat betekent dat een belangrijk deel van de variabele kosten zit in de onderhouds en licentiekosten van de software.