Hoe data de Nederlandse tuinbouw zijn voorsprong teruggeeft

De voorsprong van de Nederlandse tuinbouw is wereldwijd aan het afnemen door de opkomst van nieuwe tuinbouwlanden – die sneller met datagedreven oplossingen en toepassingen werken. De (hightech) kennis over data, technologie en nieuwe innovaties is al jaren aanwezig in Nederland, maar begint nu pas zijn weg te vinden naar de tuinbouwsector, aldus Richard Wilms van Itility, een Eindhovens consultancybedrijf dat in de vorm van een joint venture met Wageningen University & Research ook met o.a. oogstvoorspelling in de tuinbouw actief is.

Agritechnologie neemt steeds grotere vormen aan in alle landen. Nieuwe technieken, zoals the Internet of Plants, Deep Learning en 5G netwerken, maken de glas-, land- en tuinbouw hightech en bieden inzichten en toepassingen die tot voor kort onmogelijk leken.

Autonoom tomatenzaailingen classificeren en sorteren
Nederland is inmiddels weer bij de les en heeft vol ingezet op deze nieuwe mogelijkheden: van autonome sorteeroplossingen tot het digitaal in kaart brengen van percelen, planten, diergedrag, ziekten en plagen. Daarnaast dragen kwaliteitsverbeteringen tijdens en na de oogst bij aan oplossingen voor de bekende maatschappelijke problemen: de beschikbaarheid van voldoende (gekwalificeerde) arbeid, productkwaliteit en het milieu.

Een goed voorbeeld is het autonoom classificeren en sorteren van (ab-)normalen in tomaten zaailingen via beeldherkenning. Via het labelen van een beperkte set gestandaardiseerde foto’s van deze tomatenplanten (te classificeren naar normaal of abnormaal) is met behulp van machine learning een model getraind om volautomatisch en razendsnel partijen zaailingen te scoren en te sorteren. Hiermee bespaart de teler arbeidsuren, worden partijen uniform en neemt de kwaliteit van de afgeleverde planten toe.

Mooie bijkomstigheid is dat de geclassificeerde data ook gebruikt kan worden ten behoeve van veredeling: telers kunnen sneller en doelgerichter werken aan hun veredelingsprogramma.

Andere gewassen
Ook voor andere gewassen kunnen zo snel uniforme partijen gesorteerd worden, maar er zijn nog legio andere toepassingen. Bijvoorbeeld bij de export van mango’s. Eenzelfde type machine learning model die werkt met beelden uit scanners kan gebruikt worden om het stadium van rijping te bepalen. Hiermee wordt bepaald naar welk werelddeel de mango’s geëxporteerd worden (ver weg of dichtbij), zodat ze de juiste rijping hebben wanneer ze in de winkel liggen.

Datacollecties koppelen
Bewust én onbewust wordt er op tuinbouwbedrijven enorm veel data verzameld. Niet alleen de bekende oogstgegevens, waterverbruik en zaken als CO2 en temperatuur. Ook de sorteercomputer genereert data over elk product dat de kas verlaat. Het spuitschema, en welke middelen (en wanneer, waar en hoeveel) zijn gebruikt, het logboek wie wanneer welke oogsthandeling heeft gedaan, en zo nog veel meer.

Al deze data is meestal bedrijfsgebonden en wordt alleen ingezet voor het doel waarvoor het is verzameld. Maar wat als men deze datastromen (beter) gaan koppelen? Of gaan benchmarken met collega’s? Dan blijkt er ineens veel meer mogelijk: want als je weet wie wanneer welke oogsthandeling heeft uitgevoerd en je dit vergelijkt met de afgeleverde kwaliteit (van de buurman), dan krijg je inzicht in mogelijkheden om met minder middelen een vergelijkbare of betere opbrengst te verkrijgen.

En er kan meer. Door teeltspecifieke uitdagingen vanuit dataperspectief te benaderen, zijn oplossingen mogelijk, waar je waarschijnlijk niet eerder aan gedacht hebt. Wellicht brengen bestaande sensoren meer informatie dan tot nu toe bekend, of kunnen nieuwe sensoren informatie verzamelen die veel gedetailleerder inzage geven in processen.

Al deze data is te fragmenteren, te labelen, te combineren en te modelleren tot nieuwe kennis. Denk bijvoorbeeld aan multispectrale foto’s, die met behulp van AI inzage geven in de rijpheid van het gewas en zo ineens bijdragen aan de voorspelling van de aanstaande oogst.

Pas het begin van digitale transformatie van de agri-sector
De vraag naar dergelijke toepassingen zal de komende jaren alleen maar toenemen. Richard ziet nu al marktvragen die tot voor kort ondenkbaar leken. Op basis van (realtime) data wordt via sensoren of satellietbeelden gekeken naar de juiste oogsttijdstippen van gewassen. En worden er op basis van GPS en lokale sensoren plantspecifieke handelingen ‘voorgeschreven’ door het systeem, zonder directe tussenkomst van de teler.

En nee, de teler zal niet verdwijnen. Maar de rol van de teler verandert wel: begrip van automatisering en datagebruik wordt een voorwaarde voor elke teler, producent en werknemer. Machines gaan helpen bij het juiste teeltrecept en bij het nemen van beslissingen (deels of volledig autonoom), ze nemen werk uit handen (letterlijk) of komen tot mogelijkheden die tot nu toe onbenut bleven.

Hoewel er nog veel onderzoek gedaan moet worden en investeringen in nieuwe technologieën nodig zijn, is de huidige dataset van de teler een goed startpunt. Het slimmer omgaan met data die al verzameld wordt, is vaak al een eyeopener en kan nieuwe toepassingen zichtbaar maken. Een mooie en relatief gemakkelijke eerste stap van digitale transformatie.

Voor meer informatie: 
Itility
www.itility.nl

 


Publicatiedatum:



Ook onze nieuwsbrief ontvangen? | Klik hier


Ander nieuws uit deze sector:


© GroentenNieuws.nl 2020

Schrijf je in voor onze dagelijkse nieuwsbrief om al het laatste nieuws direct per e-mail te ontvangen!

Inschrijven Ik ben al ingeschreven