Ziekzoeken bij tulpen: de robot komt eraan

Zieke tulpen vinden was altijd een typische mensenklus; geautomatiseerde systemen om tulpen met het tulpenmozaïekvirus te detecteren zijn tot nu toe weinig onderzocht. Een mooie uitdaging voor wetenschappers dus. De ziekzoekrobot van Wageningen University zoekt (en vindt) inmiddels bijna zo goed als de expert.

door

Al speurend het veld door, langs tulpen of andere gewassen, dat is wat een ziekzoeker doet. De man of vrouw controleert tulpen op onder andere het tulpenmozaïekvirus (TBV), een ziekte die jaarlijks veel schade veroorzaakt. Het verwijderen van virus(bron)planten gedurende de teelt levert het hoogste rendement op in de bestrijding: het viruspercentage wordt daardoor verlaagd en er is minder kans op verspreiding door bladluizen die het virus overdragen. Helaas zijn geïnfecteerde planten lastig te vinden, doordat de symptomen meestal erg slecht zichtbaar zijn. Wageningen University werkt daarom aan een ziekzoekrobot, die de tijdrovende klus van ons kan overnemen.

Ziekzoekers_3_-_flickrcc_bailey_muppet

Ziekzoekers lopen in het veld om viruszieke planten op te sporen en handmatig te verwijderen. Dit kost veel tijd en geld: jaarlijks wordt in Nederland meer dan 9 miljoen euro aan ziekzoeken uitgegeven. Flickr: Bailey & Muppet

Op de foto

Het onderzoek startte in 2008 met laboratoriumexperimenten om te bepalen welk beeldsysteem het geïnfecteerde blad het beste kan herkennen. Er werden vier camera’s getest: een gewoon kleurenfototoestel, een spectrograaf, een multispectraalcamera voor licht tussen de 400 en 900 nanometer en een MIPS-systeem.

De spectrograaf meet hoeveel licht met een bepaalde golflengte (lichtspectrum) er vanaf een bepaald punt weerkaatst wordt. In dit geval wordt op twee plekken van elk tulpenblad de reflectie van licht van 350 tot 2500 nm gemeten. De grote vraag daarbij is of deze data ‘onderscheidend vermogen’ heeft: kun je op basis van de spectrale informatie zeggen of het om een zieke of gezonde tulp gaat?

Spectrale-informatie1

Op de bovenste rij staan spectrale beelden: weerkaatst licht met 550 nm, 650 nm en 750 nm. Van de aangegeven rode en blauwe punten zie je daaronder de meetwaarden van het volledige spectrum. Bij 550 nm kun je zien dat het klopt met het beeld, want de weerkaatsing van het rode punt is intenser en het punt op de foto dus lichter. Polder et al., 2010

De multispectraalcamera registreert ook weerkaatsing van licht met allerlei golflengten, maar combineert dit met ruimtelijke informatie. Dat wil zeggen dat de camera een foto maakt waarop je ziet waarvandaan licht met een bepaalde golflengte wordt weerkaatst.

Het MIPS-systeem is een eerdere vinding van Wageningen University. Het is een camera die de chlorofylfluorescentie van het blad kan vastleggen. De fluorescentie (weerkaatsing) is gerelateerd aan de fotosynthese van de plant. Aangezien een gewas in slechte conditie minder fotosynthetiseert, kan een afwijkend fluorescentiepatroon in het opgenomen beeld de aanwezigheid van ziekten aantonen.

Tabaksplant

Links zie je een gewone foto van een tabaksplant, rechts de MIPS-opname, waarop te zien is waar het mozaïkvirus het plantje heeft aangetast. Wageningen University

Meten

Alleen beeld is natuurlijk niet genoeg: iets of iemand moet de gegevens analyseren en er conclusies uit trekken. De data van de spectrograaf kan vergeleken worden met bekende ‘vegetatie-indices’ (vegetation indices). Dat zijn getallen afgeleid uit proeven waarbij gezonde en zieke gewassen werden blootgesteld aan licht, om te zien wat typerende reflectiewaarden zijn. Door nieuw gemeten spectrale waarden daarmee te vergelijken, kun je mogelijk bepalen of je te maken hebt met een geïnfecteerde plant.

De foto’s van de kleuren- en multispectraalcamera moeten nog verwerkt worden tot getallen. Hiervoor worden de beelden gesegmenteerd, wat wil zeggen dat de pixels op basis van hun kleur in verschillende groepen verdeeld worden. Zo kun je gedeelten van het beeld afscheiden van de rest. In dit geval worden vlekken in het blad (rode en paarse stukken) geïsoleerd en opgemeten: hoeveel plekken zijn er en wat is hun totale omtrek en oppervlakte? De hoop is dat je op basis van deze informatie kunt bepalen of de tulp ziek is.

Kleursegmentatie1

A is een gewone foto; B is een segmentatie waarbij alle enigszins groene pixels aan staat en de rest uit. Bij C is de grens is anders gesteld, nu staan alleen donkergroene pixels aan. Vervolgens zijn de randen gedetecteerd (D), waardoor je de vlekken kunt opmeten (E). Polder et al., 2010

Ook de beelden van het MIPS-systeem moeten segmentatie ondergaan. Telkens worden alle pixels met een waarde tussen twee grenzen (thresholds) aan gezet en de rest uit. Daarmee zie je precies waar de chlorofylfluorescentie laag of juist hoog is. Vervolgens kun je deze plekken opmeten en uit het resultaat proberen af te leiden of de plant gezond is.

Gezond of niet?

De camera’s leveren (indirect) dus allerlei soorten informatie over de tulp, op basis waarvan je kunt bepalen of de plant ziek is. Of beter gezegd, de computer kan dat bepalen. Dit heet ook wel classificeren: op basis van de data van een tulp zegt de computer of de plant tot de groep gezonde of zieke tulpen behoort.

In een formule

LDA veronderstelt dat de meetwaarden van een groep een bepaalde lineaire combinatie vormen:

Z = a1·x1 + a2·x2 + a3·x3 + a4·x4 + …

Voor het classificeren reken je met bovenstaande formule voor elke plant de score Z uit. De meetwaarden van de plant (x1, x2, x3, enz.) vermenigvuldig je telkens met een coëfficiënt (a1, a2, a3, enz.) en daarna tel je ze bij elkaar op. De coëfficiënten zijn bepaald bij het trainen: ze zijn zo gekozen dat de formule voor de ene groep iets heel anders oplevert dan voor de andere groep. Hierdoor kun je op basis van de Z-score vaststellen bij welke groep de plant hoort.

De onderzoekers uit Wageningen kiezen in hun systeem voor de zogeheten linear discriminant analysis (LDA). Deze classificatietechniek is supervised, wat wil zeggen dat je het systeem van tevoren moet trainen met bekende gegevens.

Je voert data in van planten waarvan je weet of ze geïnfecteerd zijn, zodat het systeem kan leren wat het verband is tussen de meetwaarden en de uitslag (wel of niet ziek). In geval van LDA zoekt het systeem specifiek naar een lineair verband, vandaar de naam.

Bijna net zo goed

Nu hebben we alle bestanddelen van een ziekzoekrobot: de camera’s maken beelden en een computer verwerkt die tot getallen en classificeert de tulp op basis daarvan als ziek of gezond.

Uit de laboratoriumtesten bleek echter dat niet alle camera’s evenveel bijdroegen aan een goed resultaat. In 2009 werd de eerste praktijkproef daarom uitgevoerd met alleen een multispectraalcamera; in 2010 (bij de tweede veldtest) kwam daar een kleurencamera bij en in 2011 (derde veldtest) werden het alleen kleurencamera’s.

Helaas vielen de praktijkresultaten in eerste instantie tegen. In 2009 vond de robot slechts 25 procent van de zieke tulpen, waar de menselijke ziekzoekers 39 procent opspoorden. De Wageningse onderzoekers voerden daarom verschillende verbeteringen door, met name wat betreft cameraopstelling, sluitertijd, belichting en resolutie.

De beelden werden daarmee beter en dus leverde de beeldverwerking ook betere meetwaarden op. Hierdoor werd vooruitgang geboekt bij de classificatie: bij de laatste proef (voorjaar 2011) vond de ziekzoekrobot 83 procent van de zieke tulpen. Hoewel de menselijke ziekzoekers álle geïnfecteerde planten vonden, is het toch een flinke stap in de goede richting.

Ziekzoekrobot_in_actie2

De ziekzoekrobot in actie. Het witte doek is houdt het daglicht tegen, zodat de belichting bij het fotograferen goed gecontroleerd kan worden. Wageningen University

Voor 2012 staat weer een nieuwe verbeterronde op het programma, met bijbehorende praktijktest. Dan zal het proefveld realistischer gemaakt worden met normale plantdichtheden en een lager percentage zieke tulpen. De robot zelf wordt uitgebreid met een infraroodcamera. Daarna kan gewerkt worden aan een échte veldrobot, waarbij de beeldverwerking en classificatie real-time gebeuren en de robot de zieke tulpen direct kan merken en verwijderen.

Bron

  • Polder, G. et al., ‘Detection of the tulip breaking virus (TBV) in tulips using optical sensors’, Precision Agriculture, 11 (4), pp. 397-412, 2010

Lees meer over beeldverwerking en -herkenning op Kennislink: