Kunstmatige intelligentie in het voedseldomein

Smart Technology, de technologie die de echte wereld met de digitale wereld verbindt, zal waarschijnlijk een grote factor zijn in het toekomstbestendig worden van het agrofooddomein. Voedselveiligheid, het verzachten van de gevolgen van klimaatverandering en het duurzaam gebruik van grondstoffen zijn voorbeelden van grote problemen waar alle voedselsystemen mee worden geconfronteerd. Het economisch duurzaam blijven is en zal een uitdaging blijven voor alle actoren in de leveringsketen.

In de afgelopen jaren is de wereld flink veranderd. De Covid-19 pandemie heeft plaats gevonden. Grote conflicten zijn ontstaan in de wereld. Logistieke lijnen werden verstoord. Energie en grondstoffen zijn schaars geworden en zijn sterk in prijs gestegen.

Tegelijkertijd zijn de ontwikkelingen in Smart Technology niet gestopt. Je kunt nieuwsberichten over ChatGPT en Stable diffusion vinden, twee kunstmatig intelligentie oplossingen die nieuwe tekst en plaatjes genereren die door mensen gemaakt hadden kunnen zijn [1]. Je kunt lezen over zelfbesturende voertuigen, robots en applicaties waar intelligent agents op basis van ontwikkelingen in kunstmatige intelligente, menselijke taken uit kunnen voeren en dit kunnen doen met griezelige precisie.

De hoofdontwikkelingen in Smart Tech voor het agrofood domein zijn in onze ogen (i) de groeiende beschikbaarheid van meer geavanceerde sensoren en de resulterende data sets (big data), (ii) de opkomst van Kunstmatige Intelligentie (AI, artificial intelligence) en (iii) de ontwikkelingen van digital twins en hulpmiddelen voor het maken van beslissingen. In deze longread leggen we de focus op de ontwikkelingen van Kunstmatige Intelligentie. We geven onze eigen kijk op deze ontwikkelingen, maar vragen ook de veel besproken ChatGPT-bot om zijn mening te geven op recente ontwikkelingen door middel van een interview aan het eind van deze longread.

Een korte geschiedenis van ontwikkelingen in de AI

Het toepassingsgebied van AI wordt snel groter in onze tijd, maar het is geen nieuw domein. De term “Kunstmatige Intelligentie” is min of meer bedacht in 1956 door John McCarthy voor de Dartmouth Conference. Deze conferentie vormt de geboorteplaats van AI als een zelfstandig onderzoeksgebied.

De geboorte-weeën van AI waren echter al duidelijk zichtbaar in de midden tot late jaren ’40 van de twintigste eeuw. Gepionierd door de Engelse wiskundige Alan Mathison Turing, sinds de late jaren ’40 en begin jaren ’50 begon het idee van AI als een rekenkundig intelligente machine te ontstaan. Een machine die konden leren van ervaringen uit het verleden, en die daardoor ook nieuwe problemen zou kunnen oplossen.

Alan Turing is bekend van, onder andere, het kraken van de Enigma code tijdens de Tweede Wereldoorlog. Een wapenfiet dat doorslaggevend was voor het kraken van de onderschepte berichten van de nazi’s, waardoor de geallieerden uiteindelijk de nazi’s konden verslaan.

Ook heeft hij het concept van een Universele Turing Machine bedacht, een theoretisch apparaat dat arbitraire symbolen op basis van een aantal regels kan manipuleren, een fundament van moderne computers. Als derde belangrijke idee heeft hij de “Turing test” voorgesteld. Deze test is voor deze longread van belang.

De Turing test is een test om te zien of een computer een niveau van intelligentie kan laten zien dat gelijkwaardig is aan die van een mens. Als je met iemand communiceert via een chat, en je kunt niet zeggen of diegene een mens of een chatbot is, dan heeft de AI chatbot de Turing test doorstaan [2].

Sinds de jaren ’50 heeft AI zich ontwikkeld in de wetenschappelijke wereld. De volgende paragrafen zijn een samenvatting van de tijdlijn van AI zoals beschreven op Wikipedia [3], een tijdlijn waarlangs de ontwikkelingen soms sneller, soms trager gaan, maar waarin er altijd vooruitgang was.

De eerste populaire toepassing van AI waren computers die konden dammen of schaken. In het begin waren ze niet erg indrukwekkend vergeleken met menselijke spelers. Nieuwe velden van kunstmatige intelligentie werden ontdekt: de eerste tekstverwerkende en vertalende programma’s werden ontwikkeld, de eerste robots werden gemaakt, de fundamenten van neurale netwerken werden geprogrammeerd, de eerste beslis-ondersteunende systemen werden ontwikkeld en de eerste populaire chatbot, ELIZA, verscheen in 1966.

Een aantal kritische artikelen over de beperkingen van kunstmatige intelligentie in de late jaren ’60 en ’70 zette echter een stop op deze veelvoud aan ontwikkelingen. Toen begon de eerste ‘AI winter’ [4].

In de jaren ’70 werden veel bouwstenen van de huidige AI ontwikkeld: voor computer te begrijpen logica, automatische beeldverwerking, nieuwe programmeertalen, betere, kleinere en snellere computers. In deze tijd werd het eerste zelfrijdende voertuig al ontwikkeld, dat binnenin het Stanford laboratorium in de Verenigde Staten reed.

In 1987 zette AI als techniek de eerste stappen van onderzoek naar industrie. Een commercieel raadgevend beheersysteem werd in werking gezet. Het was een expert systeem dat ongeveer 3000 regels gebruikte om te adviseren voor strategische en financiële beslissingen. Er was tegen expertsystemen echter een grote weerstand. Ze werden bekritiseerd op het gebrek aan algemene inzetbaarheid. Dit was een van de oorzaken van de tweede grote ‘AI winter’.

In de jaren ’90 begon het snel vooruit te gaan, met resultaten die het grote publiek bereikte. Computers die backgammon, dammen, othello en schaken op niveau van wereldklasse konden spelen. Deep Blue, de schaakrobot van IBM, versloeg de wereldkampioen Garry Kasparov voor de eerste keer. De RoboCup voetbal wedstrijden waren begonnen. Zelfrijdende voertuigen hadden testritten op echte snelwegen met echt verkeer. Web crawlers en zoekmachines werden beschikbaar voor consumenten om op het internet te navigeren. In 2002 verscheen de Roomba stofzuiger op de consumentenmarkt gebracht.

Sinds 2005 kun je robots tegenkomen in restaurants. Sinds 2011 kun je tegen Siri, Alexia en al hun AI collega’s praten om je vragen te beantwoorden. Lastigere spellen, zoals Go en Poker zijn tegenwoordig het speelveld van zowel mensen en AI agents, die er interessant genoeg allebei creatiever worden van tegen elkaar spelen.

Klassieke ‘Machine Learning’ en moderne Neurale Netwerken

We verzamelen tegenwoordig een hoop data in bijna elk proces. Grote hoeveelheden komen binnen op onze harde schijven en de cloud. Er is zo veel data dat het onvoorstelbaar is voor mensen. Dus wat doen we er mee?

Machine Learning is een van de manieren om nuttige inzichten uit deze grote hoeveelheden data te halen. Machine Learning, ofwel ML, is een veld binnen AI waar computerprogramma’s de vaardigheid hebben om te leren op basis van voorbeelden. Zulke programma’s kunnen die grote hoeveelheid voorbeelden wel begrijpen (onthoud dat we te veel data hebben om te begrijpen voor een mens!).

Machine Learning algoritmes gebruiken veel voorbeelden, verwerken deze en leren zichzelf aan om de taak te doen op het kwaliteitsniveau van een mens. Om het simpel te houden duiken wij niet in het grote vakgebied van machine learning algoritmes, de verschillen, voor- en nadelen, maar laten in plaats daarvan zien welke problemen deze technologieën kunnen oplossen.

AI word al veel gebruikt in een groot aantal industrieën en bedrijfsprocessen: ML algoritmes voorspellen het perfecte moment om het onderhoud te doen van een ventiel in een gaspijp, kunnen als chatbots fungeren om je vragen en klachten naar de juiste afdeling te sturen (heb je ChatGPT al geprobeerd?), helpen je om de locatie te vinden op basis van een foto, transformeert een foto van een document naar een bewerkbaar document, genereert foto’s op basis van omschrijving, en veel andere toepassingen! Landbouw is geen uitzondering.

We werken aan een veelvoud van projecten door de hele sector om technologische vooruitgangen naar het agrifood domein te brengen. Om er een paar te noemen: automatisch sorteren van verse producten, het herkennen en tellen van vissen onderwater, het oogsten van fruit en groente met robots, het herkennen van ziektes in planten, het vaststellen van de kwaliteit van fruit en groente, en al deze dingen worden gedaan zonder een menselijke tussenpersoon.

Computers die mensen ondersteunen op een min of meer begeleide manier (wat betekend dat mensen eerst nodig zijn om de computers de taak kunnen aanleren, voordat de computer het kan doen in een soortgelijke context), bestaan al langer. Tegenwoordig worden termen zoals deep learning en neurale netwerken veel gebruikt, wanneer je over ontwikkelingen op het gebied van AI leest. Echter waren voordat neurale netwerken veel gebruikt werden, conventionele machine learning technieken al succesvol geïmplementeerd in bedrijven. Deze methoden gaven bedrijven inzicht in verschillende aspecten van hun activiteiten, hielpen door automatisering van bepaalde processen en veel meer. Echter vragen ze over het algemeen een goed voorbereide dataset, maken ze meerdere aannames en zijn ze niet geschikt voor gebruik in verschillende contexten. Ondanks deze beperkingen leveren conventionele machine learning methodes voordelen zoals stabiele prestaties, goede controle en uitlegbaarheid. Het is dus niet verassend dat ze over het algemeen minder data nodig hebben dan neurale netwerken.

Een aantal voorbeelden van conventionele machine learning binnen het agrofood domein volgen hier onder.

Voorbeeld 1: Geautomatiseerde eierinspectie

In supermarkten worden eieren vaak aangeboden in doosjes van 6 of 10 eieren. Eieren in een doos hebben ongeveer dezelfde kleur en zijn relatief schoon. Dit is niet omdat alle kippen perfecte eieren leggen, maar omdat kwaliteitsinspectie en sorteerstappen plaats vinden tussen de eierproductie en de supermarkt. In industriële eierinspectiebanden, worden eieren geselecteerd op vorm, worden ze geïnspecteerd op de aanwezigheid van viezigheid, zoals uitwerpselen, eigeel of bloed. Eieren die te vies zijn of een vreemde vorm hebben worden uit de partijen voor de consumentenmarkt gehaald, en de overblijvende eieren worden gesorteerd op basis van kleur en formaat. Tot vrij recent werd deze taak gedaan door menselijke werkkrachten. Vandaag hebben eiersorteerlijnen een doorvoer van tienduizenden eieren per soorteer lijn per uur. De hoeveelheid eieren die geïnspecteerd wordt is te veel voor zelfs de meest kundige ei-inspecteurs. Om die reden zijn er verschillende computer vision systeem voor geautomatiseerde visuele kwaliteitsinspectie ontwikkeld (voorbeeld genomen van [5]).

Voorbeeld 2: Kleurleren om percentage blos van appels te bepalen

Een van de factoren om de kwaliteit van appels vast te stellen is door het percentage blos te bepalen. Dit proces kan automatisch gedaan worden door een foto te maken van een krat appels en een algoritme automatisch de appel in twee kleurklassen op te splitsen (groen en rood, of geel en rood), en het ‘rode’ oppervlak vast te stellen als percentage. Het gestandaardiseerde hulpmiddel om dit te doen wordt regelmatig gebruikt in onderzoekslaboratoria voor kwaliteitsinspectie.

Neurale netwerken, ook bekend als deep learning modellen, omvatten een breed scala aan machine learning algoritmes die een specifiek soort algoritme gebruiken om patronen in data vast te stellen, en die kennis toe te passen om taken uit te voeren. Deze algoritmes worden neurale netwerken genoemd, omdat ze geïnspireerd zijn door hoe neuronen in het menselijke brein werken. Vergeleken met andere machine learning technieken, zijn diepe neurale netwerken flexibeler en kunnen ze toegepast worden in meer contexten, wat mogelijk is door de hogere complexiteit van deze modellen (en de hogere rekenkundige kracht in onze computers).

Enkele voorbeelden van zogenaamde 'supervised neurale netwerken' in het agrifood domein volgen hieronder.

Voorbeeld 3: Het detecteren van steelrot in avocado's

Er is veel interesse in het controleren en vaststellen van bederf en rijping en het voorkomen van avocado-ziekten tijdens transport, opslag en in de winkel. Een van de meest voorkomende ziekten na de oogst van avocado’s is steelrot. Steelrot is een schimmelziekte die, wanneer deze op de “juiste” temperatuur en luchtvochtigheid zit, kan uitgroeien en het fruit binnendringen via de steel. Op die manier wordt de vrucht besmet aan de binnenkant. De schade is meestal niet zichtbaar aan de buitenkant en de vrucht lijkt, voor het blote oog, gewoon op een gezonde avocado. Alleen wanneer de schade echt ernstig is worden symptomen van de infectie zichtbaar voor het blote oog. In dit werk hebben wij gekeken naar het scannen van Hass avocado’s in het (hyper)spectrale bereik, waarna met een machine learning (ML) algoritme de steelrot in dit spectrum kon worden vastgesteld.

In alle gevallen, zowel bij de klassieke machine learning als bij de deep learning aanpak, is machine learning onmogelijk zonder data. In veel gevallen moet de data geannoteerd worden. Geannoteerde data betekent dat data, zoals een afbeelding, gemarkeerd wordt met enige vorm van uitleg, zoals een beschrijving wat er in de afbeelding te zien is.

Geannoteerde data laat het gebruik van ‘supervised’ algoritmes toe. Er zijn ook ‘unsupervised’ ML algoritmes die zonder annotaties kunnen functioneren. Deze algoritmes zijn bedoeld om onzichtbare patronen in de data te “ontdekken”. Er zijn ook zelflerende ML benaderingen, zoals ‘reinforcement learning’ algoritmes, waarbij de kunstmatige intelligentie software van zijn fouten leert door trial and error.

Interview met ChatGPT

ChatGPT is mogelijk de meest bekende toepassing van kunstmatige intelligentie in 2023. In het nieuws, op het werk, zelfs op informele bijeenkomsten zal iemand ongetwijfeld de mogelijkheden van ChatGPT benoemen. We dachten dat het een goed idee was om met deze intelligente chatbot te praten om te zien wat het over zichzelf denkt in relatie tot de agrofood wereld. Het is makkelijk om zelf te beginnen met ChatGPT om te gaan, door naar https://chat.openai.com/ te gaan, (gratis) te registreren en gewoon vragen in je eigen taal in te typen over willekeurige onderwerpen.

Laten we is bekijken hoe ChatGPT uitlegt wat het precies is, vanuit zijn eigen standpunt. Overigens is dit interview in het Engels afgenomen en vervolgens door ChatGPT zelf naar het Nederlands vertaald.

Vraag van WFBR: Ik zou graag wat meer over jezelf willen weten.

Antwoord van ChatGPT-3.5: Ik ben een AI-taalmodel genaamd ChatGPT. Ik ben ontwikkeld door OpenAI met behulp van de GPT-3.5-architectuur, een geavanceerd neuraal netwerk dat me in staat stelt mensachtige antwoorden te genereren op natuurlijke taalinvoer. Mijn doel is om mensen te helpen bij verschillende taken, zoals het beantwoorden van vragen, het verstrekken van informatie en het voeren van gesprekken. Ik ben getraind op een grote hoeveelheid tekst van internet, waardoor ik een uitgebreide kennisbasis heb over een breed scala aan onderwerpen. Hoewel ik een kunstmatige intelligentie ben, heb ik geen fysiek lichaam of persoonlijkheid zoals een mens. Ik besta puur als een taalmodel dat reageert op tekstuele input. Ik streef er echter naar om zo goed mogelijk behulpzame en informatieve antwoorden te geven.

V: Ik werk in de agrifoodsector. Zie je een toepassing voor jezelf in die sector?

A: Ja, er zijn verschillende potentiële toepassingen van AI-taalmodellen zoals ikzelf in de agrifoodsector. Hier zijn een paar voorbeelden:

1. Gewasmonitoring en ziektedetectie: AI-taalmodellen kunnen worden gebruikt om grote hoeveelheden gegevens van sensoren en andere bronnen te analyseren om patronen te identificeren die kunnen wijzen op mogelijke gewasziekten of andere problemen. Dit kan boeren helpen proactieve maatregelen te nemen om hun gewassen te beschermen en de opbrengst te verhogen.

2. Precisielandbouw: AI-taalmodellen kunnen worden gebruikt om gegevens over bodemkwaliteit, weerspatronen en andere factoren te analyseren om boeren te helpen hun plant-, irrigatie- en oogstpraktijken te optimaliseren. Dit kan leiden tot een efficiënter gebruik van hulpbronnen en hogere opbrengsten.

3. Optimalisatie van de toeleveringsketen: AI-taalmodellen kunnen worden gebruikt om gegevens over vraag en aanbod in de agrifoodsector te analyseren om bedrijven te helpen hun productie- en distributieprocessen te optimaliseren. Dit kan helpen om verspilling te verminderen, kosten te verlagen en de efficiëntie te verhogen. Dit zijn slechts enkele voorbeelden van potentiële toepassingen van AI-taalmodellen in de agrifoodsector. Naarmate de technologie zich blijft ontwikkelen, zullen er naar verwachting nog veel meer mogelijkheden zijn om AI toe te passen om de efficiëntie, duurzaamheid en veiligheid van voedselproductie en distributie te verbeteren.

V: Ik verwacht dat er in de komende jaren andere vormen van intelligente systemen zullen zijn. Waar zie je het meeste potentieel voor AI, misschien in combinatie met robotica, in de agrifoodsector?

A: Ja, er worden inderdaad veel andere vormen van intelligente systemen ontwikkeld, waaronder robotica en andere op AI gebaseerde systemen. In de agrifoodsector zijn er verschillende gebieden waar AI, in combinatie met robotica, een aanzienlijke impact kan hebben:

1. Precisielandbouw: Robots uitgerust met sensoren en op AI gebaseerde systemen kunnen worden gebruikt om bodemkwaliteit, weerspatronen en andere factoren te analyseren om plant-, irrigatie- en oogstpraktijken te optimaliseren. Dit kan leiden tot een efficiënter gebruik van hulpbronnen en hogere opbrengsten. Robots met op AI gebaseerde systemen kunnen worden gebruikt om gewasgezondheid te controleren, ziekten op te sporen en plagen te beheren. Dit kan boeren helpen proactieve maatregelen te nemen om hun gewassen te beschermen en de opbrengst te verhogen.

2. Voedselverwerking en verpakking: Robots uitgerust met op AI gebaseerde systemen kunnen worden gebruikt om het verwerkings- en verpakkingsproces van voedselproducten te automatiseren, waardoor de behoefte aan handmatige arbeid wordt verminderd en de efficiëntie wordt verbeterd.

3. Autonome voertuigen: Autonome voertuigen uitgerust met op AI gebaseerde systemen kunnen worden gebruikt om gewassen, vee en andere goederen efficiënter en veiliger te vervoeren. Dit kan helpen om de transportkosten te verlagen en het beheer van de toeleveringsketen te verbeteren. Dit zijn slechts enkele voorbeelden van mogelijke toepassingen van AI en robotica in de agrifoodsector. Naarmate de technologie zich blijft ontwikkelen, kunnen we verwachten dat er nog meer innovatieve en impactvolle oplossingen zullen ontstaan die AI combineren met robotica en andere intelligente systemen.

V: Kun je een voorbeeld zien van kwaliteitsinspectie van verse producten?

A: Zeker! AI en robotica hebben het potentieel om de kwaliteitsinspectie van verse producten te revolutioneren, waarbij nauwkeurigheid en efficiëntie worden verbeterd en verspilling wordt verminderd. Traditioneel werd de inspectie van verse producten handmatig uitgevoerd, waarbij werknemers elk stuk product visueel controleerden op gebreken zoals kneuzingen of vlekken. Dit proces kan tijdrovend zijn en onderhevig aan menselijke fouten, met inconsistente resultaten en verhoogde verspilling tot gevolg.

Op AI gebaseerde systemen, in combinatie met robotica, bieden een oplossing voor dit probleem. Bijvoorbeeld, robots uitgerust met camera's en andere sensoren kunnen worden gebruikt om automatisch elk stuk product te inspecteren terwijl het langs een transportband beweegt. De door de camera's vastgelegde beelden kunnen vervolgens worden geanalyseerd door een AI-systeem dat is getraind om gebreken te detecteren en de producten dienovereenkomstig te sorteren. Het AI-systeem kan worden getraind met grote datasets van beelden van zowel hoogwaardige als minder goede producten, zodat het kan leren om gebreken met een hoge mate van nauwkeurigheid te identificeren.

Als gevolg hiervan kan het systeem de producten snel en nauwkeurig sorteren, waarbij hoogwaardige producten die geschikt zijn voor verkoop worden gescheiden van minder goede producten die bijvoorbeeld kunnen worden gebruikt voor het maken van sap of compost.

Deze aanpak heeft verschillende voordelen. Ten eerste vermindert het de behoefte aan handmatige arbeid, waardoor werknemers zich kunnen richten op andere taken. Ten tweede verbetert het de nauwkeurigheid en consistentie van het inspectieproces, waardoor het risico op menselijke fouten wordt verminderd en de kwaliteit van het eindproduct wordt verhoogd. Ten slotte vermindert het verspilling door ervoor te zorgen dat alleen hoogwaardige producten aan consumenten worden verkocht. Kortom, de combinatie van AI en robotica heeft het potentieel om de kwaliteitsinspectie van verse producten aanzienlijk te verbeteren, wat leidt tot verhoogde efficiëntie, nauwkeurigheid en duurzaamheid.

V: Zal dit banen van huidige kwaliteitsinspecteurs wegnemen?

A: De adoptie van AI en robotica voor de kwaliteitsinspectie van verse producten kan leiden tot een vermindering van het aantal banen in de handmatige arbeid in de industrie. Het is echter belangrijk op te merken dat de implementatie van deze technologieën ook nieuwe banen kan creëren op gebieden zoals engineering, gegevensanalyse en systeemonderhoud.
Hoewel AI en robotica bepaalde taken kunnen automatiseren, kunnen ze de behoefte aan menselijke werknemers niet volledig vervangen. Er zal nog steeds behoefte zijn aan werknemers om het functioneren van deze systemen te overzien, onderhoud en reparaties uit te voeren, en ervoor te zorgen dat de technologie naar behoren functioneert.

Bovendien kan de implementatie van AI en robotica de werkomstandigheden voor bestaande kwaliteitsinspecteurs daadwerkelijk verbeteren door de fysieke belasting van repetitieve handmatige taken te verminderen en hen in staat te stellen zich te richten op complexere en lonendere aspecten van hun werk, zoals probleemoplossing en besluitvorming.

Samenvattend, hoewel de adoptie van AI en robotica voor de kwaliteitsinspectie van verse producten kan leiden tot een vermindering van banen in handmatige arbeid, is het belangrijk om de potentiële voordelen van deze technologieën te overwegen op het gebied van verbeterde efficiëntie, nauwkeurigheid en duurzaamheid, evenals de creatie van nieuwe banen in verwante vakgebieden.

Tot slot

Als je de antwoorden van ChatGPT leest, lijkt het net alsof het interview met een persoon gedaan is in plaats van een intelligent agent, wat bewijst dat we dicht bij de Turing test criteria zitten. Het is belangrijk om te weten dat ChatGPT antwoorden uit bestaande data combineert, zoals wetenschappelijke artikelen, webpagina’s en boeken. Het wordt op een slimme manier gecombineerd, maar creëert (nog) geen nieuwe informatie.

Wij geloven dat slimme technologie steeds meer vooruitgang zal boeken, en dat steeds meer toepassingen in het agrofood domein gestuurd zullen worden door kunstmatige intelligentie. Veel lastige taken zullen mogelijk worden door de kracht van het kunnen analyseren van enorme hoeveelheden data. In de volgende decennia zullen we een verschuiving zien van werk zonder AI hulp naar werk waar AI als hulpmiddel ingezet wordt. Het heeft enorm veel potentie in het agrofood domein.

Referenties

[1] NOS, https://nos.nl/artikel/2460976-microsoft-investeert-miljarden-in-bedrijf-achter-chatgpt, website bekeken in maart 2023.

[2] Stanford, https://plato.stanford.edu/entries/turing-test/, website bekeken in maart 2023

[3] Wikipedia, https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence, website bekeken in maart 2023

[4] Wikipedia, https://en.wikipedia.org/wiki/AI_winter, website bekeken in maart 2023

[5] Koenderink, N.J.J.P., 2010, A knowledge-intensive approach to computer vision systems, proefschrift, https://edepot.wur.nl/238633