IQ-Flora: Bewaken en voorspellen rozenkwaliteit met kunstmatige

IQ-Flora: Bewaken en voorspellen rozenkwaliteit met
kunstmatige intelligentie en sensoren
Cor Verdouw, Robbert Robbemond, Wageningen UR
Gitta ten Hoope, Royal Flora Holland
GreenCHAINge seminar, 18 januari 2017, Sassenheim
1
Projectcontext
Kwaliteit
monitorings
-technologie
(sensoren,
dataloggers)
Tracking &
tracing
technologie
(barcodes,
RFID,
wireless)
Internet
Technologie
Real-time
Kwaliteitsgestuurde
Bloemenketen
Vermindering uitval
Betere kwaliteit
voor consumenten
Behoud / uitbouw
concurrentiepositie
Meer efficiency en
duurzaamheid
2
Ontwikkeling naar real-time monitoring
barcode
Passieve RFID
Actieve RFID /
geïntegreerde sensors
datalogger
s
WIFI, Bluetooth, 4G,
GPS, LoraNet, etc.
Draadloze sensor
netwerken
Doel en werkwijze
Doel
 Ontwikkelen innovatief prototype
● bewaken en voorspellen kwaliteit in rozenketens
 Toepassen in een praktijkpilot
Werkwijze
 Pilotproject: innovatief/experimenteel én praktisch
 Fasering: workshops / expert model, prototype,
praktijktest
4
Opzet van het prototype
Module kwaliteitsvoorspelling
(Baysiaans netwerk)
Rapportage module
web applicatie
Webservice
Kwaliteitsvoorspelling
Rapportage
webservice
Systeem
backbone
Sensor data
webservice
Webservice
kwaliteitsapp
Commerciële sensor
data platform(s)
Kwaliteitsapp (smartphone)
Via smartphone
Bluetooth
Smart
sensor
Via LoRa Network
LoRa
WAN
sensor
5
Module kwaliteitsvoorspelling (1)
 Gebaseerd op methode uit de kunstmatige intelligentie
● Bayesiaans netwerk
 Welke factoren beïnvloeden de kwaliteit van bloemen?
● Causaliteitendiagram
 Hoe groot is de impact?
● Tabellen met kansen
 Voor verschillende ketenrollen
Teler
Transport
Handling
Ziekte en plagen
Opslag
6
Module kwaliteitsvoorspelling (2)
7
Module kwaliteitsvoorspelling (3)
8
Voordelen expert systeem
Maakt expertkennis expliciet en transparant
Accepteert kwalitatieve en kwantitatieve data
Houdt rekening met onzekerheid
Werkt ook als er geen of onvolledige data zijn
Maakt gebruik van operationele data
Kan zelflerend zijn
9
Module sensordata
 Temperatuur
● www.babbler.io
 Prototype uitbreidbaar naar
andere sensoren
5-50m
1000-15000m
10
Babbler App
11
Kwaliteitsapp
12
Rapportage module – Overzicht Shipments
13
Rapportage module – Voortgang Shipment
14
Scenario’s IQFlora simulatie
A. Hoge kwaliteit
B. Regenseizoen
Tanzania
C. Te warm vliegveld
15
Scenario A: Hoge kwaliteit
 Startdatum: 14 februari 2018
16
Scenario A: Hoge kwaliteit
 Screen shot lead times
17
Scenario A: Hoge kwaliteit
 Screen shot temperatuur
18
Scenario A: Hoge kwaliteit
 Screen shot gemiddeld verwacht vaasleven
19
Scenario A: Hoge kwaliteit
 Screen shot Houdbaarheid in detail
20
Scenario B: Regenseizoen Tanzania
 Startdatum: 22 maart 2018
21
Scenario B: Regenseizoen Tanzania
 Screen shot temperatuur
Mar
Mar
Mar
Mar
Mar
Mar
22
Scenario B: Regenseizoen Tanzania
 Screen shot gemiddeld verwacht vaasleven
Mar
Mar
Mar
Mar
Mar
Mar
23
Scenario C: Te warm vliegveld
 Startdatum: 14 augustus 2018
24
Scenario C: Te warm vliegveld
 Screen shot temperatuur
25
Scenario C: Te warm vliegveld
 Screen shot gemiddeld verwacht vaasleven
26
Conclusies
Nieuwe ICT biedt veel nieuwe mogelijkheden voor
management van kwaliteit in bloemenketens
• Denk groot, start klein!
Belangrijk voordeel is vastleggen kwaliteitskennis en
leren van data
• Softwareontwikkeling complexer/tijdrovender dan
verwacht
Tracking & tracing belangrijk om voordelen optimaal te
benutten
• Test en afronding pilot in februari/maart
Mogelijkheden voor vervolg worden onderzocht
• Geïnteresseerd? Laat het ons weten!
27
Discussie!
[email protected]
[email protected]
[email protected]
28