Precisiefruitteelt

Precisiefruitteelt is een term die is afgeleid van precisielandbouw: een vorm van landbouw, waarbij planten en dieren heel nauwkeurig die behandeling krijgen die ze nodig hebben. (bron: encyclo.nl)

Precisieniveau's

De voorwaarde voor precisielandbouw is positiebepaling, zodat je weet wat op welke positie aan de hand is of nodig is. Voor positiebepaling wordt GPS (Global Positioning System) gebruikt. GPS heeft verschillende varianten met verschillende nauwkeurigheden. Standaard-GPS heeft een nauwkeurigheid van ca. 20 meter. DGPS heeft een nauwkeurigheid van ca. 2 meter en RTK-GPS is nog nauwkeuriger: tot op een enkele centimeter. Afhankelijk van de toepassing is er een bepaalde precisie nodig.

Precisieteelt heeft verschillende precisieniveau’s, van micro naar macro:

Blad- of vruchtniveau. Bijvoorbeeld detectie van ziekten in een blad. Foto 1:  schurftaantasting in een blad, gedetecteerd met camera’s.

Boomdeel-niveau. Detectie van hoeveelheid bloesem of vruchten per deel van boom (onder, midden, top). Foto 2: de rode vlekken zijn de gedetecteerde vruchten door een camerasysteem.

Boomniveau. Hoeveelheid bloesem, aantal vruchten, biomassa, boomhoogte, etc. Foto 3: voorbeeld van een boomgaardkaart met de hoeveelheid biomassa op boomniveau (elk vakje stelt 1 boom voor).

Zone. Opbrengst, kwaliteit, organische stof in bodem, vochtgehalte? Foto 4: resultaat van bodemscan van een boomgaard; in dit geval een kaart voor organische stof met vakken van 2,5x2,5 meter

Boomgaard. Opbrengst, kwaliteit. Foto 5: zone’s binnen een boomgaard met opbrengstverschillen.

Bedrijf. Inzicht in data op bedrijfsniveau van afzonderlijke boomgaarden. Foto 6: droneopname met meerdere boomgaarden.

Metingen op het laagste niveau (blad) kunnen vertaald worden naar gegevens op hoger niveau, andersom echter niet.  Verschillende technieken zijn nog in ontwikkeling.

Open

Precisieniveau's in de fruitteelt. 

Sensoren

Er worden continu nieuwe sensoren ontwikkeld, soms in eerste instantie voor andere toepassingen. Door nieuwe sensoren in te zetten kan steeds meer data worden verzameld. In dit onderzoek is ervoor gekozen sensoren te gebruiken die al beschikbaar zijn. Een voorbeeld zijn de 3 D-camera’s die in allerlei computer games worden gebruikt of laserscanners die worden toegepast in zelfrijdende auto’s. deze sensoren kunnen ook worden gebruikt om waarnemingen te doen in de boomgaard. Het grote voordeel van het gebruik van al beschikbare sensoren is de relatief lage prijs in vergelijking met sensoren die speciaal moeten worden ontwikkeld. Sensoren kunnen veelal goedkoper meer data verzamelen in vergelijking met b.v. menselijke waarnemingen. Daarnaast zijn de sensorwaarnemingen ook vaak meer gedetailleerd.

De data die wordt verzameld van een bepaald gewas kan in de fruitteelt meerdere jaren worden gestapeld, omdat de levensduur van boomgaarden vaak wel 15 tot 30 jaar is. Zo onderscheidt de fruitteelt zich van andere teelten. 

Ontwikkeling van goede detectietechnieken met sensoren is belangrijk, want het geeft meer inzicht in de teelt en tegelijkertijd is het een voorwaarde voor vervolgstappen. Denk hierbij aan robotisering van bloesem- of vruchtdetectie ten behoeve van vruchtdunning of een plukrobot.

Met data-analyse ontstaat meer inzicht in de variatie in een boomgaard of een individuele boom. Afhankelijk van de toepassing kan dit leiden tot verbeterde strategieën met als resultaat hogere productie (bijvoorbeeld extra aandacht voor achterblijvende plekken in boomgaard) en een hogere efficiëntie (bijvoorbeeld arbeidsvermindering bij de handdunning). Dit vraagt om meer samenwerking in de keten (uitwisselen data met machinebouwer, loonwerker en/of verkooporganisatie). Standaardisatie van data is ook van belang, zodat iedereen ''dezelfde taal spreekt''. 

De drie stappen van precisielandbouw

Open

De drie stappen van precisielandbouw.

Precisielandbouw bestaat uit drie stappen: 

1. Waarnemen

2. Data-analyse

3. Actie

Waarnemen gebeurt meestal met sensoren, al dan niet gekoppeld aan een voertuig, bijvoorbeeld een trekker of drone. De waarnemingen die worden gedaan gaan over biomassa, vruchtherkenning, pH-waardes, vochtgehaltes, etc. Sensoren meten meestal een afgeleide waarde, die een verband heeft met de werkelijke situatie in de boomgaard. De lichtreflectie van het gewas kan bijvoorbeeld iets zeggen over de biomassa. De elektrische geleiding kan iets zeggen over het vochtgehalte. Sensoren kunnen vruchten herkennen tussen bladeren op basis van verschil in kleur en vorm.

De data-analyse wordt gedaan in combinatie met de GPS-locatie. De geografische variatie wordt zichtbaar op bijvoorbeeld een bodemkaart, biomassakaart of opbrengstkaart. 

De acties die daarop volgen is bijvoorbeeld het aansturen van machines met zogenoemde taakkaarten. Een taakkaart geeft aan op welke positie wat moet gebeuren. Het is aan te raden om op de aangestuurde machine ook sensoren te plaatsen, zodat wordt vastgelegd wat daadwerkelijk is uitgevoerd. Deze nieuwe waarnemingen leiden dan weer tot een verbeterde data-analyse, wat vervolgens weer leidt tot een verbeterde actie.

Basistechnieken

Perceelsindelingen op GPS

Bij toepassing van precisiefruitteelt is het handig dat zoveel mogelijk informatie van het perceel al wordt gekoppeld aan de GPS-locatie. In oudere boomgaarden is deze informatie vaak nog niet beschikbaar. 

Nieuwe boomgaarden worden steeds vaker voorbereid op de komst van precisiefruitteelt. De inrichting van nieuwe boomgaarden kan met hulp van GPS worden bepaald. Op een kaart wordt het hele perceel ingetekend, zoals ligging van rijpaden, drainage, fertigatie (combinatie van fertilisatie en irrigatie), sproeipalen, boompalen, leidingwerk en de boomposities. Hierbij kan de boomgaard optimaal worden ingedeeld. Deze informatie is noodzakelijk bij volgende stappen in precisielandbouw. Bijvoorbeeld boompalen of leidingwerk wil je niet beschadigen bij automatisch wortelsnijden. 

Op basis van perceelsindeling kan vervolgens op GPS worden geplant. De gatenboor boort dan op exact de juiste positie het plantgat. 

Perceelsindeling met behulp van GPS.

Autonome voertuigen

Autonome voertuigen spelen een belangrijke rol in precisielandbouw. De voertuigen kunnen pleksgewijs waarnemingen verrichten en/of acties uitvoeren. Er bestaan verschillende concepten voor autonome voertuigen: 

Wijze van besturing:

• Teach and playback: De route en alle handelingen voor de machine wordt een keer ingereden/''ingeleerd''. Hierbij wordt gebruik gemaakt van GPS-technologie. Hierna kunnen de ingereden routes door de machine eindeloos vaak zelfstandig (zonder chauffeur) worden gereden. De Greenbot van Precisionmakers (zie afbeeldingen hieronder) werkt met dit principe. Er zijn ook ombouwpakketten gemaakt voor bestaande tractoren. 

• Omgeving aftasten met sensoren, bijvoorbeeld met gewasvoelers of laserscanners. Deze methode biedt mogelijkheden in de fruitteelt. Een laserscanner zendt pulsen uit en vangt de reflectie op. De tijd hiertussen geeft informatie over de afstand tussen sensor en het object. De Pluk-o-Trac heeft dergelijke sensoren voor het automatisch recht rijden in boomgaarden. Dit is in het algemeen een goedkopere vorm van navigatie, omdat geen GPS nodig is. Nauwkeurig navigeren op RTK-GPS (>2 cm) is relatief kostbaar. Ook kan het GPS-signaal onder een dicht bladerdek zwakker zijn, dus minder nauwkeurig. 

Greenbot van Precisionmakers. 

Pluk-o-Trac is voorzien van GPS. Hiermee wordt de route van de pluk vastgelegd. Ook is er een ''lichtsensor'' gemonteerd op de hendel voor het lossen van de volle kist. Zora de hendel wordt overgehaald wordt de GPS-locatie geregistreerd als positie van een volle bak. De volle bewaarbakken zijn in deze case nog handmatig gelabeld met baknummers. In de toekomst zou dit kunnen met een barcode of RFID. 

Type voertuigen:

• Bestaande voertuigen aanpassen met sensoren, bijvoorbeeld Pluk-o-Trac of autonome Fendt-trekker.

• Voertuigen die specifiek zijn ontworpen voor autonoom rijden/vliegen, bijvoorbeeld Greenbot. Deze robottrekker heeft geen cabine voor de chauffeur. Drones vallen ook in deze categorie: vooraf wordt een vruchtplan gemaakt, die de drone vervolgens zelfstandig uitvoert. 

Terugkoppeling sorteerdata naar boomgaard

Sorteermachines verzamelen data op het niveau van individuele appels. De appels worden beoordeeld met diverse sensoren op basis waarvan de appel naar de juiste kleur/maat/klassesortering gaat. De teler krijgt deze informatie alleen op partijniveau terug. Deze detaildata kunnen worden gebruikt om meer informatie te krijgen over de boomgaard indien de pluklocatie van de voorraadbak bekend is. 

Het plukplatform is in deze proef voorzien van GPS, waarmee de route en de positie van volle kisten bekend is. De voorraadbakken worden gelabeld. Aweta is een leverancier van sorteermachines, waarmee werd samengewerkt. De sorteerdata wordt gekoppeld aan de kist-nummer. Omdat bekend is welke kist waar is volgeplukt kunnen de sorteerdata worden terugvertaald naar de boomgaard. 

Zoals al eerder aangegeven, fruitteelt is een meerjarige teelt en dus kan verzamelde data over de jaren heen worden gestapeld.

Informatie uit sorteerlijn

Op een Aweta-sorteermachine (wellicht ook andere) is het mogelijk om de sensordata per appel (op basis waarvan de appel gesorteerd wordt) te verzamelen. Dit levert gegevens op over het aantal vruchten, vruchtgewicht, -maat, -beschadiging en sorteerklasse. Per voorraadbak is het traject bekend, waar deze is volgeplukt. Echter de exacte pluklocatie per appel (boomniveau) is niet meer te achterhalen. In de case zijn gemiddelde waarden op kistniveau berekend.

Aweta-sorteermachine

Aweta-sorteermachine in actie

In deze case zijn de voorraadbakken handmatig gelabeld. In de toekomst moet dit geautomatiseerd worden.

In deze case zijn de voorraadbakken met enige tussenruimte gesorteerd om de appels per kist apart door de sorteermachine te laten gaan en vermenging van bakken tegen te gaan. Dit zou aangepast kunnen worden: technische aanpassing in de waterbaan of aanpassing in de dataverzameling (randen uit data knippen).

In opbrengstkaarten kunnen diverse gegevens worden geprojecteerd, bijvoorbeeld waar is meer of minder opbrengst behaald. In de afbeelding hieronder zie je een vergelijking tussen de totale oogst (kg/m boomrij) (links) en het aantal vruchten per meter boomrij (rechts) van een Elstar-perceel op Proeftuin Randwijk. In de rechterhelft van de boomgaard in beide figuren werden beduidend minder appels geplukt en daarmee ook minder kg’s behaald.

Het kaartje geeft inzicht in de verschillen. De fruitteler kan met deze informatie op zoek gaan de oorzaak van de verschillen (bodem, water, ziekten, etc.) en vervolgens proberen op te lossen.

Vergelijking totale oogst (links) en aantal vruchten per meter per boomrij (rechts).

Data is beschikbaar op voorraadbakniveau en daarmee ook op plukmoment. De data kan gecombineerd worden naar een totaalplaatje van de hele oogst.

In de afbeelding hieronder zie je de maatverdeling van een Elstar-boomgaard op Proeftuin Randwijk.

In pluk 1 werden grotere appels geplukt en vooral aan rechterzijde (rode zone).

In pluk 3 werden kleinere appels geplukt, vooral in linkerbovenhoek (blauwe zone).

Gecombineerd levert dit het totaalplaatje op (rechterplaatje), waarbij in linkerbovenhoek gemiddeld kleinere appels werden geplukt als in rechter zijkant. In dit geval was er correlatie met het aantal appels: in gebieden met minder appels per meter boomrij was de gemiddelde maat per appel groter (verklaarbaar effect).

Maatverdeling van een boomgaard, pluk 1, 2 en 3. 

Na enkele jaren van dataverzameling is er vergelijking van meerdere jaren mogelijk. In de afbeelding hieronder zie je de totale oogst (kg/m boomrij) van dezelfde boomgaard in 2017 en 2018. In 2018 was de oogst flink groter. In 2017 waren er vrij grote verschillen binnen de boomgaard. In 2018 veel minder. Het is nog niet bekend waarom de oogst in 2018 veel homogener was.

Totale oogst van de boomgaard in 2017 en 2018. 

Automatische wortelsnoei met dronebeelden. 

Wortel snoei is nodig bij te krachtig groeiende bomen om een nieuwe balans te krijgen tussen scheutgroei en bloemknopvorming. Nu worden bomen die wortelsnoei nodig hebben, door de fruitteler op het oog geselecteerd. Dit kan in het groeiseizoen door bomen of boomvakken te markeren of kan het in het najaar het tijdens het wortelsnoeien zelf gebeuren door een ervaren fruitteler. In dat geval moet het voor de snoei plaatsvinden, omdat daarna het verschil in groeikracht moeilijker te zien is.

Momenteel ontwikkelt WUR met diverse partijen een tool voor Conference-peren om dit te automatiseren op basis van dronebeelden en een wortelsnijmachine op GPS. Daarbij is het de ambitie om de precisie te verhogen tot boomniveau. Als dit automatisch kan, ‘weet’ de machine op basis van de taakkaart waar wortelsnoei moet plaatsvinden. Daarmee wordt het mogelijk de wortelsnoei in een groter tijdsvenster uit te voeren en/of de handeling (wel of niet wortelsnijden) door een niet-deskundige medewerker uit te laten voeren.

Voor de ontwikkeling van de tool zijn 3 beoordelingsmomenten uitgekozen:

1. Volle bloei (aanname: weinig bloei in te zwakke of te sterk groeiende bomen).

2. Rond langste dag (aanname: maximale scheutgroei is bereikt, dus verschillen in biomassa en/of boomhoogte zouden zichtbaar moeten zijn; sterk groeiende bomen hebben meer biomassa dan zwak groeiende bomen).

3. Rond bladverkleuring (oktober) (aanname: sterk groeiende bomen blijven langer groen dan zwak groeiende bomen → hoeveelheid chlorofyll kan onderscheid maken tussen zwak- en sterk groeiende bomen).

De drone-data wordt dan op boomniveau teruggerekend. Zodra er een geschikt model is (welke data heeft de goede correlatie met groeikracht) kan op basis van de drone-data een taakkaart worden gemaakt, die de wortelsnijmachine aanstuurt.

Toekomst

In de (nabije) toekomst zullen er allerlei nieuwe manieren van precisiefruitteelt worden ontwikkeld. Denk hierbij aan:

• Bemesting op boomniveau

• Vruchtdunning op boomniveau

• Plukinfo op boomniveau

• Verdere ontwikkelingen voor de snoeirobot

• Verdere ontwikkelingen voor de plukrobot