Zenbat tomate-landare osasuntsu emango ditu hazi-lote batek? Wageningen University & Research-eko Agro Food Robotics-eko ikertzaileek hazi-hazle eta hazleei galdera honi erantzun azkar eta objektiboak ematen dizkien ernetze-proba automatiko bat garatu dute, kostuak aurreztuz eta eraginkortasuna areagotuz.
Hazleei landare uniformeak ematea gustatzen zaie eta, beraz, eskatzen duten haziaren kalitatea ezagutu nahi dute. Zenbat landare ematen ditu hazi lote batek? Ba al dago hazkuntzan atzean geratzen diren aleak, zurtoina bihurritua dutenak edo hosto bat falta dutenak? Hazi-hazleek zein ekoizleek ernetze-probak egiten dituzte.
Proba hauetatik hazitako landareak eskuz ebaluatzen dira, eta enpresaren irizpide eta hazkuntza metodoen arabera. Hazi-hazle batek, adibidez, baldintza berdinetan lantzen du urte osoan zehar; negutegi komertzialean, aldiz, baldintza horiek alda daitezke urtaroaren arabera. . «Hortaz, ernetze proben emaitzak desberdinak izan daitezke. Horrek zaildu egiten du hazi-hazleentzat haziaren kalitatean ados jartzea eta ekoizleek plantulen ekoizpena behar bezala kalkulatzea», dio Lydia Meesters, Wageningen University & Research-eko Agro Food Robotics-eko ikertzaileak.
Neurona sareak
Proiektuan Hazkuntza-enpresentzako eta hazleentzako goi-teknologiako landareen fenotipaketa tresnen ustiapena (2018-2021), Wageningen University & Research-eko Agro Food Robotics-eko ikertzaileek arazo hauek ezabatzen dituen ernetze-proba automatiko eta estandarizatu bat garatu zuten.
"Gure MARVIN kamera sistemarekin, tomate-planteen abiadura handiko film ugari egiten ditugu eta sailkapen-softwarearekin lotzen ditugu", dio Meestersek. “Softwareak sare neuronalak (deep learning) erabiltzen ditu, adimen artifizialaren forma bat, ordenagailuek jasotzen duten informazioaren arabera ikastea ahalbidetzen duena. Kasu honetan bi dimentsioko zein hiru dimentsioko irudiak egiten ditugu».
Aurreikuspen hobea
Proiektuko hamaika bazkideetako bat Paul Verbruggen da, Warmenhuizen-eko Bejo Zaden-eko ikertzailea. "Gure hazitik tomate-landareen kalitatea eta uniformetasuna hobeto iragartzea bilatzen dugu beti", azaldu du.
Helburu hori eskura dago orain Wageningen ikerketari esker. "Marvin kamera sistemak landareen kalitatea nahiko ondo aurreikusten duela dirudi", dio Verbruggen-ek. “Teknologia berriak gehitzen dituzunean, adimen artifiziala adibidez, fidagarritasuna nabarmen handitzen da. Lehen emaitzek ere adierazten dute berdin duela tomate landareen 2-D edo 3-D irudiak biltzea. "Guretzat polita da jakitea, Bejo Zaden sistema on bat erabiltzen ari dela baieztatzen duelako".
Eraginkortasunez lan egitea
Verbruggenek ere adierazi du zaila dela beste alderdiekin adostasuna lortzea hazien kalitatea nola neurtu behar den zehatz-mehatz. "Orain elkarrekin lan egiten ari gara neurrira egindako aurreikuspen-ereduetan, eta horrekin kate-kide bakoitzak bere eredua landu dezake". Meesterren esku badago, eredu hauek hasiera besterik ez dira. "Zenbat eta teknologia modernoa gehiago integratu negutegietan, orduan eta eraginkorragoak dira enpresak".