Veldproeven in Lelystad laten zien dat de autonome selectierobot Potector300 in goed ontwikkelde gewassen afwijkende planten kan herkennen. Ook vanuit de praktijk groeit het vertrouwen in de technologie. Pootgoedteler Stefan van Dam werkte afgelopen seizoen met de Potector300 van H2L Robotics. Van Dam wil de machine komend seizoen gericht inzetten naast menselijke selecteurs. Komende winter wordt het AI-model verder getraind, zodat het systeem verschillende rassen en afwijkingen beter leert onderscheiden.
Tijdens een veldproef op de WUR-locatie voor open teelten in Lelystad onderzochten H2L Robotics en ervaren pootgoedselecteur Mario van de Pol hoe de machine onder praktijkomstandigheden presteert.
Rijden met hoge detectiedrempel
Stefan van Dam werkte afgelopen selectieseizoen met de Potector300. Zijn ervaring maakt hem positief over een vervolg. Vooral de mogelijkheid om de robot eerst met een hoge detectiedrempel door een perceel te laten rijden, spreekt hem aan. De robot markeert een plant bij een hoge detectiedrempel alleen wanneer de zekerheid over een afwijking hoog is. “Als hij het doet zoals hij het nu doet, dan laat ik hem volgend jaar rijden en haal ik er blind uit wat hij aanstipt.”
Van Dam ziet daarbij vooral een combinatie van mens en machine voor zich. “Ik zou hem eerst laten rijden met een hoge drempelwaarde, zodat alleen de meest zekere afwijkingen worden gemarkeerd. Deze laat ik eruit halen door derden om de robot vervolgens nog een tweede keer door hetzelfde perceel rijden met een lagere drempelwaarde, daar loop ik zelf nog doorheen.”
Volgens Van Dam leverde de robot daarnaast detecties op die pas later konden worden beoordeeld. “Ik heb ook het idee dat de machine op een gedetailleerd niveau detecteert, want er waren in de laatste week behoorlijk wat detecties waarvan ik initieel zei dat ze onterecht ziek gemarkeerd waren. Maar toen ik een week later terugkwam, bleken dat uiteindelijk toch zieke planten.”
“Dag en nacht rijden is een groot voordeel”
Ook pootgoedteler Gebr. de Zeeuw uit de Noordoostpolder werkte met de Potector300. Daar ligt volgens de teler vooral een voordeel in het autonome karakter van de machine. “Dag en nacht rijden is een groot voordeel. Die machine rijdt wel door zonder dat er mensen voor nodig zijn. Er is steeds minder arbeid beschikbaar, dus alles wat autonoom kan, moet je autonoom doen.”
De ervaringen van de telers sluiten aan bij de veldproeven die eind juli zijn uitgevoerd op de WUR-locatie voor open teelten in Lelystad. Daar werd de Potector300 beoordeeld onder verschillende groeiomstandigheden en in meerdere aardappelrassen. Het groeiseizoen kende zowel droge omstandigheden als plaatselijk hevige regenval kort na het poten. Daardoor verschilden de gewassen in ontwikkeling.
De proef werd uitgevoerd samen met ervaren pootgoedselecteur Mario van de Pol. Daarbij zijn de prestaties van de robot beoordeeld vanuit dezelfde uitgangspunten als bij handmatige selectie. Een gewas dat onvoldoende ontwikkeld is of sterk onder stress staat, wordt ook door een menselijke selecteur niet altijd direct geselecteerd.
Robot herkent 50 tot 80 procent van afwijkende planten
Bij de proef is gekozen voor een hoge detectiedrempel. Volgens Kverneland herkende de Potector300 onder deze instelling in goed ontwikkelde gewassen gemiddeld 50 tot 80 procent van de afwijkende planten. De resultaten verschilden per ras. In Rudolf, Innovator, Spunta, Fontane en King Russet werden goede resultaten gemeten. Rudolf presteerde tijdens deze proef het best. Het ras hield zich volgens de betrokken partijen relatief goed onder de droge omstandigheden.
De uitkomsten moeten volgens Kverneland wel binnen de omstandigheden van de proef worden bekeken. Niet alle mogelijke gewas- en weersituaties waren vertegenwoordigd. Ook is het huidige AI-model nog vooral getraind op Spunta, Fontane, Innovator en Agria. De resultaten bij Rudolf en King Russet geven daarom vooral aanwijzingen voor de verdere ontwikkeling van het model.
AI-model leert onderscheid tussen virusplanten en rasverschillen
De detectiedrempel blijft daarbij een belangrijke factor. Een lagere drempel zorgt voor meer meldingen, maar vergroot ook de kans op foutieve signaleringen. Die meldingen kunnen vervolgens worden gebruikt als trainingsdata. Zo kan het systeem leren onderscheid te maken tussen zieke planten en natuurlijke verschillen binnen een ras. Spunta is daarvan volgens Kverneland een voorbeeld. Het ras kent veel mannetjesplanten. Door hun afwijkende bladstructuur kunnen deze planten lijken op virusplanten. Een ervaren selecteur kan dat verschil doorgaans herkennen. De Potector300 maakt dat onderscheid momenteel nog niet in alle gevallen.
Juist dergelijke situaties leveren informatie op voor verdere training van het systeem. Het AI-model moet leren welke kenmerken wijzen op een daadwerkelijke aantasting en welke afwijkingen bij het ras horen. Daarmee wordt de werking van de robot verder afgestemd op de praktijk.
Tijdens het huidige seizoen zijn daarvoor beelden van ongeveer 6.000 zieke aardappelplanten geannoteerd door ervaren selecteurs. In de komende winter komen daar volgens Kverneland nog ongeveer 14.000 planten bij. Het doel is om het model verder te trainen op verschillende rassen en ziektebeelden.
Volgend seizoen moet nieuwe stap brengen
De ontwikkeling van de Potector300 gaat daarmee verder dan alleen het verbeteren van de detectie. Ook de manier waarop telers de robot kunnen inzetten, speelt een rol. Komende winter wordt het AI-model verder getraind op andere rassen. Volgens Kverneland moet de extra trainingsdata ervoor zorgen dat de herkenning richting het selectieseizoen van 2027 verder verbetert. De veldproef in Lelystad laat volgens het bedrijf zien dat autonome selectie in goed ontwikkelde gewassen inmiddels onder praktijkomstandigheden kan worden toegepast. De ervaringen van telers moeten vervolgens duidelijk maken hoe de technologie het beste in de dagelijkse bedrijfsvoering past.
Tekst: Esmee Groot Roessink
