Als kassen beschadigd raken, kunnen de gewassen die worden geteeld verloren gaan als bijvoorbeeld de temperatuur daalt door kapotte en beschadigde ruiten. Om dat verlies van productie te voorkomen, kan er een noodwand worden geplaatst. Hiermee kan het klimaat in de kas hersteld worden waardoor een deel van de productie door kan gaan. De uitdaging is dat dit snel moet gebeuren.

Senna van Iersel is werkzaam bij Achmea als data scientist

Tijd is geld

Na bijvoorbeeld een storm waarbij grote hagelstenen zijn neergekomen, zijn er soms honderden zo niet duizenden ruiten van kassen beschadigd. Zo'n calamiteit levert verschillende schadeniveaus op. Sommige kassen zullen zwaar beschadigd zijn, terwijl er bij andere minder kapotte ruiten zijn. Een aantal gewassen is dan nog te redden - afhankelijk van de schade en het soort gewas - en daarom is het belangrijk dat schade-experts prioriteiten kunnen stellen, zodat ze kunnen bepalen waar bijvoorbeeld een noodwand een deel nog kan redden.

Bij zulke schades geldt 'tijd is geld'. Achmea Agro, Achmea's divisie voor de agrarische sector wil het schadeproces daarom versnellen. Vandaar dat data scientist Senna van Iersel de vraag kreeg hiervoor iets te ontwikkelen. De opdracht was om een dashboard op te leveren voor schade-experts en taxateurs om te kunnen prioriteren welke kassen het eerst moeten worden bezocht. In dat dashboard wordt vervolgens de benodigde informatie beschikbaar gesteld waarop direct actie kan worden ondernomen. De data die nodig is voor die actie bestaat uit een combinatie van interne data over de kas en uitkomsten van een machine learning proces dat beeldherkenning toepast. Door middel van de beeldherkenning kan een inschatting worden gemaakt van de schade aan een kas, zo legt Van Iersel uit.

"Het probleem was dat je snel overzicht moet hebben na een calamiteit", vertelt de data-scientist. "We gebruiken een externe partij die binnen één dag foto's aanlevert van het getroffen gebied. Van die foto's maken we tegeltjes op basis van coördinaten en daar wordt beeldinformatie aan gekoppeld." Die afbeeldingen worden ingevoerd in een model dat is opgebouwd met open source machine learning-framework TensorFlow en de op Python-gebaseerde module Keras.

Model verfijnen

In een neuraal netwerk worden labels toegevoegd die de annotatie van schade vormen, vertelt Van Iersel. "Dat is de trainingset en op basis daarvan leert het proces tegels te herkennen als 'schade' of 'geen schade'." In de onlangs afgeronde pilot werden ongeveer tien kassen op die manier geanalyseerd en dit project is succesvol gebleken. De uitdagingen zaten vooral in de kleine dataset die deze pilot heeft opgeleverd; in een tweede fase moeten veel meer kassen worden bekeken om het model te verfijnen."

Het generaliseren is namelijk nog problematisch bij het kleinschalige project. Bij een beperkte dataset zijn machine learning-modellen minder nauwkeurig, omdat er te veel waarde wordt toegekend aan ruis. Van Iersel noemt als voorbeeld het middenpad van een kas. "Die is donkerder dan gewassen en dat is onbekende data. We moeten meer tegeltjes van middenpaden toevoegen, zodat het model die kan herkennen."

Om dat aan te pakken worden in de volgende fase foto's van duizend kassen gebruikt om het model te verfijnen met een grotere dataset. "Dat levert duizenden of tienduizenden van die tegeltjes op", licht de data scientist toe. "We hebben sowieso een grotere dataset nodig om onbekende data te verminderen." Het doel is om met een verfijnd model en een dashboard als frontend binnen twee dagen schade op te merken die beperkt kan worden.

Tablet met geo-app

"De training van het machine learning-model aan de hand van aangeleverde foto's gebeurt met behulp van moderne cloud-technologieën", zegt Van Iersel. In de pilot is er vooral samengewerkt met schade-experts om te zien wat de wensen zijn voor een dashboard in de praktijk. In de nabije toekomst moet een taxateur het veld in met een GIS Viewer, een geo-applicatie zoals Google Maps. "Ze hebben dan een tablet en zien een kaart met puntjes erop en als ze daarop klikken krijgen ze een pop-up met meer informatie over de schade."

Zonder projecten als deze, hebben schade-experts en taxateurs minder snel een helder beeld van de schade na een calamiteit. "Na een paar weken krijg je claims van een kas die je nog had kunnen redden. De tijdwinst is dat je sneller inzicht hebt in de schade, waardoor je sneller kunt prioriteren welke kassen eerder aangepakt moeten worden." Dat levert praktische voordelen op voor Achmea die vervolgschade kan voorkomen door tijdig te reageren en voor klanten die een deel van hun kas kunnen blijven gebruiken. "Je kunt ondernemers zo pro-actief bellen om ervoor te zorgen dat delen van hun kas nog in bedrijf blijven."

Achmea is altijd op zoek naar techneuten die de toekomst een stap voor zijn.