Maskininlärning för automatisk stressdetektion i hortikulturell produktion

Syfte och mål: Skadedjur och patogener är ett stort problem i intensiv växthusodling och syftet med det här projektet är att undersöka om man med maskininlärning som verktyg kan utveckla en algoritm för tidig detektion av angrepp, tidigare än vad som är möjligt visuellt, baserat på data från optiska sensorer som övervakar odlingen.
Förväntade effekter och resultat: Metoden som utvecklas inom projektet ska helst vara möjlig att kommersialisera och lösningen kommer då integreras med Heliospectras intelligenta belysningssystem. Den långsiktiga nyttan för odlaren är bl.a. minskad energi- och resursanvändning genom lägre grad av kassering, samt minskad användning av bekämpningsmedel. Upplägg och genomförande: I ett angränsande projekt har mätdata från plantor med eller utan pågående svampinfektion samlats in med en rad olika optiska sensorer. Dit hör sensor och kamera som mäter klorofyllfluorescens på bladverksnivå, sensor och kamera som mäter bladtemperatur samt vanlig RGB-kamera. Delar av det här datasetet kommer att användas i projektet. I steg 1 planeras och väljs metod och utförande i detalj. Dessutom behöver data bearbetas. I steg 2 tränas, valideras och testas utvecklade algoritmer. Heliospectra genomför projektet i samarbete med Chalmers.

Samarbetande organisationer

  • Heliospectra AB (Privat, Sweden)
Startdatum 2020-08-24
Slutdatum Projektet är avslutat: 2021-05-31

Sidansvarig Publicerad: ti 26 jan 2021.