IoT-gegevensverzameling feeds precisielandbouw

Noot van de redactie:dit artikel van onze wereldwijde hoofdredacteur Rich Quinnell maakt deel uit van AspenCore Media's speciale project over 'Agriculture Tech', waarin wordt bekeken hoe IoT, analyse en sensortechnologieën brengen fundamentele veranderingen teweeg in de landbouw en de voedselproductie.

Twee krachtige trends – het Internet of Things (IoT) en data-analyse – genereren veel pers voor hun industriële en infrastructuurtoepassingen. Maar er is nog een andere toepassingsruimte die stilletjes aan momentum wint bij de toepassing van deze technologieën:voedselproductie. Boeren verbeteren de opbrengsten, verminderen verliezen en verlagen de kosten door meer gericht gebruik te maken van hulpbronnen zoals meststoffen en water. Het startpunt voor deze "precisielandbouw" zijn gegevens, waarbij sensoren en draadloze netwerken een sleutelrol spelen bij het verzamelen.

Er zijn in wezen drie platformtypen betrokken bij precisielandbouw:lucht-, grondgebonden mobiele en stationaire systemen. De sensoren en netwerktechnologie die de platformtypes gebruiken, variëren, hoewel er ook enige overlap is. Een ding dat de platforms echter gemeen hebben, is een enorme diversiteit aan functiesets van de vele concurrerende producten die deze toepassingsruimte aanspreken.

Afbeelding 1 – Drones met meerdere rotors zijn een steeds populairder wordende hoogwerker voor precisielandbouw van kleine tot middelgrote velden. (Bron:ublox)

De hoogwerkers proberen met remote sensing gegevens over gewassen en akkers van bovenaf te verzamelen. De sensoren kunnen zich op bestuurde vliegtuigen of satellieten bevinden, maar worden steeds vaker gedragen door onbemande luchtvaartuigen (UAV's) - drones - met een ontwerp met vaste vleugels of met meerdere helikopters. Uitgerust met een nauwkeurige positioneringssensor, zoals de Ublox F9-precisie GNSS-module, zijn drones bijzonder geschikt voor het onderzoeken van kleine tot middelgrote velden voor monitoring van de plantgezondheid, waarbij vliegtuigen en satellieten grotere gebieden kunnen onderzoeken.

De primaire sensor bij het monitoren van de gezondheid van planten is een multispectrale camera die beelden met hoge resolutie kan maken in zowel zichtbaar als nabij-infrarood (NIR) licht. De meeste CMOS-beeldsensoren kunnen dergelijke beelden leveren, hoewel de meeste commerciële camera's dat niet kunnen. De sleutel tot deze schijnbare tegenstrijdigheid ligt in het filteren.

De onderstaande figuur toont de kwantumefficiëntie (d.w.z. gevoeligheid) van een typische CMOS-beeldsensor, in dit geval van ON Semiconductor, als functie van de golflengte. De sensor bevat ingebouwde rode, groene en blauwe filters in de typische Bayer-opstelling, maar zelfs met blauwfiltering blijft er een aanzienlijke gevoeligheid in de IR-golflengten. De meeste camera's voor algemeen gebruik voegen daarom een ​​IR-blokkeringsfilter toe aan de voorkant van de sensor om de kleuring van zichtbaar licht nauwkeuriger weer te geven.

Afbeelding 2 – Typische kleurenbeeldsensoren bevatten ook NIR-gevoeligheid, die camera's voor algemene doeleinden proberen uit te filteren. (Bron:ON Semiconductor)

IR-detectie
Voor fytosanitaire monitoring is deze IR-gevoeligheid echter een zegen. De bladeren van gezonde planten reflecteren meer IR en absorberen meer rood licht dan die van gestreste planten. Dit heeft ertoe geleid dat plantwetenschappers de "genormaliseerde verschilvegetatie-index" (NDVI) - (NIR-Red)/(NIR+Red) - hebben gedefinieerd als een maatstaf voor de gezondheid van planten. Met de juiste filtering en wat elementaire beeldverwerking kan een CMOS-beeldsensor worden omgezet in een NDVI-sensor zoals de Sentera AGX710. Hoogwerkers bieden het perspectief dat nodig is om met één systeem de plantgezondheid van hele velden in kaart te brengen.

Afbeelding 3 – NDVI-onderzoeken bieden gedetailleerd inzicht in de gezondheid van planten in hele velden, en geven aan waar hulpbronnen zoals water en kunstmest meer of minder moeten worden toegepast.