Maskininlärning för automatisk stressdetektion i hortikulturell produktion

Viktiga resultat som projektet gav

Vår metod tycks inte vara tillräckligt känslig för att detektera biotisk stress (mjöldagg på jordgubbe) i ett tidigt skede. Metoden är en ML-baserad analys av stegsvarsparametrar kopplat till mätning av klorofyllfluorescens, vilken har visat sig lovande för andra typer av stressfaktorer. Till metoden hör en ML-algoritm för bladsegmentering som utvecklats och som även är intressant för andra syften. Vi har även utvärderat och gått vidare med ett ML-baserat verktyg för solljusprognostisering.

Långsiktiga effekter som förväntas

Förhoppningsvis kan fluorescensmetoden hitta andra användningsområden, såsom andra typer av biotisk stress och bladsegmentering. Den förbättrade solljusprognosen är något som kommer utnyttjas av våra kunder för att optimera lampanvändning, spara energi och minska elkostnader. Projektet bidrar också till följdprojekt och betydelsefulla samarbeten inom "smart farming"-segmentet.

Upplägg och genomförande

Resurser från Heliospectra och Chalmers har fokuserat på analys- av tids- och rumsupplöst data från en fluorescenskamera. Datasetet genererades utanför projektet. Tillgängliga resurser ändrades en del under projektets gång och som en effekt av det drevs projektet på lägre fart under en längre tid för att använda medlen på bästa sätt. När huvudresultatet var negativt kunde vi styra om projektet till att testa ML-verktyg till en annan tillämpning, vilket, med facit i hand, var mycket givande.