Algemeen Hoogvliegende innovatie: Alternaria detectie met behulp van drones en AI

24/06/2024

Aardappel is een typisch basisproduct van de Vlaamse landbouw. De teelt vormt één van de belangrijkste poten van de Belgische landbouweconomie. In 2022 werd 3,6 miljoen ton aardappelen geproduceerd, waarvan zo’n 2 miljoen ton in Vlaanderen. Met deze cijfers behoort België in de top 5 van de grootste producenten van aardappelen in de EU.

Het gewas moet echter zeer vaak behandeld worden met gewasbeschermingsmiddelen. De sector staat hierdoor voor aanzienlijke uitdagingen die complex en divers zijn. Het handhaven van voldoende kwaliteit en kwantiteit, het omgaan met resistente ziektes en plagen, het waarborgen van traceerbaarheid, het garanderen van voedselveiligheid en het voldoen aan wetgeving rond bestaande middelen zijn cruciale elementen die voortdurend aandacht vereisen. Door te investeren in technologie, duurzame praktijken, en een robuuste wettelijke naleving, kunnen bedrijven niet alleen deze uitdagingen het hoofd bieden, maar ook het vertrouwen van consumenten winnen en behouden.

Deze uitdagen zijn ook voor ILVO een drijfveer om onderzoek te doen binnen deze teelt met innovatieve technieken. Via voorgaande en lopende onderzoeken, in nauwe samenwerking met de universiteiten KU Leuven en UGent, slaagde ILVO erin om een monitoringssysteem te ontwikkelen op basis van drones om de schimmelziekte Alternaria solani vroegtijdig te detecteren.

Alternaria solani is wereldwijd de op één na meest verwoestende bladziekteverwekker van aardappelgewassen. Het veroorzaakt vroege bladziekte en voortijdig bladverlies van de planten en heeft dus ook een negatieve impact op de productie. Op dit moment wordt daarom preventief, presymptomatisch en voor het volledige perceel gebruik gemaakt van gewasbeschermingsmiddelen om de infecties te voorkomen.

In de doctoraatstudies van Ruben Van De Vijver (Van De Vijver et al., 2022) en Jana Wieme (Wieme et al., 2022; 2024) werden camera technologie en artificiële intelligentie gebruikt om symptomen van ziekte in een vroeg stadium (3 tot 5 dagen na infectie) te kunnen detecteren. Hiervoor werd een gemodificeerde RGB camera gebruikt waarbij het toevoegen van een nabij-infrarode band (deel van het elektromagnetisch spectrum dat niet waarneembaar is met het menselijk oog) voor een contrastverhoging zorgt tussen gezonde en beschadigde delen van het blad (Figuur 1). Zeer hoge resolutiebeelden van 0,3 mm per pixel laten toe om de vlekken duidelijk waar te nemen in de afbeeldingen. Door rekening te houden met de plaats en het moment waarop symptomen aanwezig zijn, kan men het gebruik van gewasbeschermingsmiddelen beperken tot de zones en momenten waarop ze echt nodig zijn.

^{Figuur 1: Verschil tussen foto genomen door een traditionele rood-groen-blauw (RGB) camera (bovenaan) die de kleuren weergeeft die waarneembaar zijn voor het oog en een gemodificeerd beeld (onderaan) waarbij de rode kleuren vervangen worden door een nabij-infrarood band. Hierdoor zijn de vlekken op de bladeren, veroorzaak door de beschadiging door Alternaria solani, sneller en duidelijker zichtbaar. De foto’s zijn op hetzelfde tijdstip en in het perceel genomen (Van De Vijver et al., 2022).}

In het onderzoek van Jana Wieme (Wieme et al., 2024) werden dronebeelden genomen met de gemodificeerde camera over verschillende velden en jaren (2019, 2020, 2021, 2022) om zo verschillende aardappelrassen, groeistadia, verschillen in belichting en weersomstandigheden mee te nemen in de model training (Figuur 2). Dit resulteerde in 14.057 gelabelde patches (waarvan 6.148 patches gelabeld als “Alternaria”). Een door haar ontwikkeld model werd vergeleken met 5 state-of-the-art deep learning modellen en behaalde gelijkaardige accuraatheden. Haar model had als voordeel dat het sneller getraind kon worden en het minder rekenkracht vroeg, wat het nuttig maakt voor applicatie.

^{Figuur 2: Weergave van de volledige workflow van dataverzameling, model training (links) en model inferentie en applicatie (rechts) (Wieme et al., 2024).}

Haar resultaten zijn zeer hoopvol om via deze deep learning algoritmes taakkaarten te kunnen maken voor variabele bespuitingen. Het model werd enkel toegepast op velden in een experimentele setting. Alternaria ziekte werd namelijk artificieel in enkele zones in het veld aagebracht. Buiten deze zones was geen ziekte aanwezig. Dit verschilt van de natuurlijke verspreiding van zo’n ziekte in het veld. Als extra test werd een aardappelperceel van ILVO gemonitord over een groeiseizoen waarin Alternaria op natuurlijke wijze zich kon verspreiden. Hierbij werden ook weersgegevens verzameld om zeker data te verzamelen voor en na gunstige condities voor infecties (Figuur 3). In het perceel was wel een kunstmatige onkruiddruk aangelegd ter demonstratie van het Smart AgriHubs (SAH) demonstratie-event van 2022, maar dit lijkt geen effect te hebben op de Alternaria verspreiding.

^{Figuur 3: Weersgegevens doorheen het groeiseizoen. Het hoogste risico voor Alternaria infecties is op warme, vochtige dagen.}

Vier verschillende vluchten werden uitgevoerd op het perceel. We merkten op dat de voorspelde gemiddelde score per droneafbeelding bij de eerste vlucht (op 17/07/2022) hoger lag dan bij de twee daaropvolgende vluchten (Figuur 4). Dit is te wijten aan Alternaria infecties, die zich voornamelijk bevinden in de onderste (en oudere) bladeren van het gewas (Figuur 5).

^{Figuur 4: Gemiddelde Alternaria score per drone afbeelding, voorspeld door het deep learning model, voor vier verschillende vluchtmomenten. De foutenbalken geeft de standaarddeviatie van deze voorspelde score per vlucht. De verticale stippenlijn geeft de drie momenten (20, 27 juli en 12 augustus) weer waarop het veld behandeld is geweest tegen Alternaria.}

^{Figuur 5: Twee afbeeldingen van de vlucht van 17/07/2022. Een duidelijk ziektebeeld van Alternaria zijn gegroepeerde laesies (vlekjes van afgestorven bladweefsel) die meer centraal voorkomen in de bladeren. In dit geval voornamelijk in de onderste bladeren van het gewas. Grotere vlekken kunnen ontstaan als deze laesies zicht uitbreiden. Als deze voorkomen aan de uiteinden van de bladeren lijkt dit ziektebeeld sterk op andere bladziekten (vb. Verticillium en Phytophtora), verdrogingsverschijnselen en natuurlijke afbraak van het loof.}

Doordat er nieuwe, hoger gelegen, gezondere bladeren zich ontwikkelen, worden de vlekken afgeschermd in de dronebeelden en daalde de gemiddelde score (Figuur 6) in de opvolgende vluchten (29/07/2022 en 05/08/2022).

De zomer van 2022 was één van de warmste zomers van Vlaanderen (en Europa). 19 juli 2022 was met 38,1°C de 2e warmste dag sinds het begin van de waarnemingen. Ook was het relatief droog, met dagen van lichte neerslag op 20 juli, 21 juli en 18 augustus en neerslag op 17 augustus. Deze condities waren niet ideaal voor de verdere verspreiding van Alternaria in het gewas, die zich best verspreid bij voldoende bladvochtigheid (na een regenbui of dauwvorming) in combinatie met warme dagen en een relatieve vochtigheid hoger dan 85%. Bijkomend was het perceel ook 2x behandeld geweest met fungiciden voor deze vluchten (op 20 en 27 juli 2022).

Alternaria beelden 29/07/2022 & 5/08/2022

^{Figuur 6: Twee afbeeldingen van de vlucht van 29/07/2022 (bovenaan) en 05/08/2022 (onderaan). Nieuwe, gezonde bladeren hebben zich boven de geïnfecteerde bladeren ontwikkeld, waardoor de voorspelde gemiddelde Alternaria score gedaald is t.o.v. de vlucht van 14/07/2022.}

In de laatste vlucht (25/08/2022) was de voorspelde gemiddelde score dan weer sterk gestegen. Op basis van de dronebeelden zien we dat er grote, zwarte vlekken ontstaan zijn, voornamelijk aan de uiteinden van de bladeren (Figuur 7). Dit kan deels veroorzaakt zijn door Alternaria, maar ook door hitte- en droogtestress, of door het natuurlijk afsterven van het loof aan het einde van het groeiseizoen.

^{Figuur 7: Twee afbeeldingen van vlucht 25/5/2022. Grote, zwarte vlekken zijn terug te vinden in de bladeren (voornamelijk aan de rand).}

Conclusie: de modellen kunnen reeds gebruikt worden als een vroegtijdig waarschuwingssysteem. Zeker als ze gecombineerd worden met expertenkennis van teelt en ziekte. Desondanks blijven we verder onderzoek doen om dit en andere ziektedetectiemodellen te verbeteren door op zoek te gaan naar typische kenmerken van Alternaria en andere ziekten, stressoren en natuurlijke bladafbraak, en vervolgens die info te voeden aan de modellen.

De voorspelde waarden voor elke drone vlucht zijn als geïnterpoleerde rasterlaag (Figuur 8) beschikbaar als demonstratie dataset voor de deelnemers van het VLAIO Coock OpsDrone project. Indien u ook interesse heeft in deze dataset en andere presentaties, datasets en projectresultaten, kan u zich gratis hier registreren voor het OpsDrone project.

^{Figuur 8: Voorspelde Alternaria waarde per droneafbeelding. Als achtergrondkaart is één orthofotomozaiek gemaakt van het veld in een gewoon kleurenbeeld.}