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

2

Projectcontext

Vermindering uitval

Betere kwaliteit voor consumenten

Kwaliteit monitorings-technologie

(sensoren, dataloggers)

Real-time Kwaliteits-gestuurde Bloemen-

keten

Tracking & tracing

technologie

(barcodes, RFID,

wireless)

Internet Techno-

logie

Meer efficiency en duurzaamheid

Behoud / uitbouw concurrentiepositie

Ontwikkeling naar real-time monitoring

barcode Passieve RFID

Actieve RFID /

geïntegreerde sensors

Draadloze sensor

netwerken

datalogger

s

WIFI, Bluetooth, 4G,

GPS, LoraNet, etc.

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

5

Module kwaliteitsvoorspelling (Baysiaans netwerk)

Webservice Kwaliteitsvoorspelling

Kwaliteitsapp (smartphone)

Webservice kwaliteitsapp

Commerciële sensor data platform(s)

LoRa WAN

sensor

Bluetooth Smart sensor

Sensor data webservice

Via smartphone Via LoRa Network

Rapportage module web applicatie

Rapportage webservice

Systeem backbone

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

6

Teler Transport Handling Opslag

Ziekte en plagen

Module kwaliteitsvoorspelling (2)

7

Module kwaliteitsvoorspelling (3)

8

Voordelen expert systeem

9

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

Module sensordata

Temperatuur

● www.babbler.io

Prototype uitbreidbaar naar andere sensoren

10

5-50m

1000-15000m

Babbler App

11

Kwaliteitsapp

12

Rapportage module – Overzicht Shipments

13

Rapportage module – Voortgang Shipment

14

Scenario’s IQ-

Flora 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

22

Mar Mar Mar Mar Mar Mar

Scenario B: Regenseizoen Tanzania

Screen shot gemiddeld verwacht vaasleven

23

Mar Mar Mar Mar Mar Mar

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

27

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!

Discussie!

Cor.Verdouw@wur.nl

Robbert.Robbemond@wur.nl

GittaTenHoope@royalfloraholland.com

28