PrecisionsOdling

Viktiga resultat som projektet gav

Projektets syfte var att utveckla AI-system som kan upptäcka förbättringsmöjligheter i vår odling som kan bidra till energieffektiviseringar, samt högre kvalitet och kvantitet av de produkter vi odlar. Vid projektets slut finns ett rudimentärt, proof-of-concept av ett sådant AI-system där validering ännu kvarstår. Projektet har även genererat en instruktionsguide för framtida datalagring och hantering som tar höjd för den stora mängd data som kommer ansamlas.

Långsiktiga effekter som förväntas

Projektet har resulterat i en proof-of-concept för specialiserad datainsamling samt ett grundläggande AI-system som med hjälp av ML-algoritmer omvandlar bilder på våra produkter, till kvalitetsbedömningar. Vi förväntar oss att detta grundläggande AI-system, med vidareutveckling, kan matcha kvalitetsbedömning med data från ingångsparametrar i vår odling, och ge förslag på förbättringar i vår odlingsprocess.

Upplägg och genomförande

I projektet ämnade vi utnyttja Grönskas insamlade data kring ingångsparametrar i vår odling och med metoden övervakad (supervised) ML utveckla ett AI som analyserar och utvärderar ingångsparametrar och utfallsdata. Tidigt i projektet upptäckte vi kompletteringsbehov i form av utfallsdata. Proof of concept på lösning för insamling av denna data blev därför ett tidigt fokus. Detta arbete har delvis försenat resultat av projektet eller snarare lett till resultat i mindre skala än planerat. Däremot ser vi stora möjligheter att fortsätta vår AI-resa med resultaten från detta projekt.