Op de teeltlocatie van Noordhuys in Harmelen wordt ‘s ochtends als eerste het scherm van de klimaatcomputer geopend. Het dashboard van het autonome robotplatform staat op een goede tweede plek. Facilitair specialist Wouter van Noord: “Daarmee hebben onze teeltspecialisten direct inzicht in de plantontwikkeling in de hele kas. Hoe staat het met de bloeihoogte? Welke planten hebben de dikste en welke de dunste koppen?”
De verschillen kunnen tot in de paden nauwkeurig worden afgelezen. En met zoveel data komt optimaal produceren weer een stapje dichterbij. Sinds maart wordt op bij Noordhuys in Harmelen (10 ha) ervaring opgedaan met LUNA. De pilot gebeurt in samenwerking met ontwikkelaar IUNU en Enza Zaden. Voor laatstgenoemde is de strategische investering een mogelijkheid om de link tussen genetica, teeltstrategie en gewasprestaties verder te optimaliseren. Deelname aan de pilot stelt hen in staat om de prestaties van hoofdras Fortitude op grote commerciële schaal te volgen.
Frequente dataverzameling
Hoe meer en hoe frequenter informatie wordt verzameld, hoe beter de actuele stand van het gewas is te bepalen. Die informatie helpt Jan-Willem Bolle, teler bij Noordhuys, onder meer bij het nemen van beslissingen. “Het robotplatform is hier optimaal voor uitgerust.”
Van Noord, rechterhand van Bolle, wijst op de installatie die vier dagen per week door 22 paden rijdt om gegevens te verzamelen. “Zie je die hoge mast? Die is aan een buisrailwagen gekoppeld en bestaat bij ons uit zes camera’s en twee klimaatsensoren.” Tijdens het rijden bewegen de camera’s op werkhoogte langs de planten en maken ze op vaste momenten beelden van het gewas. Aan het einde van het pad draaien de camera’s om en wordt de andere kant van het pad gefotografeerd. De sensoren verzamelen continu gegevens over het microklimaat op kop- en oogsthoogte.
De camera’s brengen van elke plant op zeker zestig punten de tomaten, trossen, bladeren en plantkop in beeld, weet de specialist. De beelden worden met computervisie en AI geanalyseerd. De software herkent en telt de verschillende onderdelen van de plant en zet die waarnemingen om in gewasdata.
Historisch beeld opbouwen
“Voorheen liepen we door een aantal paden, keken naar de planten, deden wat handmatige metingen en spraken een gevoel uit”, zegt Van Noord. “Nu kun je bij wijze van spreken vanuit kantoor de ontwikkeling van alle planten in de kas exact volgen. En je kunt zelf ingeven welke parameters je daarbij belangrijk vindt. Bijvoorbeeld het aantal bloemen en vruchten dat wordt geproduceerd en hoe dat per compartiment verschilt.” Door die metingen in de tijd te vergelijken, ontstaat bovendien een beeld van de groeisnelheid en de ontwikkeling van de plantbelasting.
De kracht zit dus niet in één rondje door de kas. Het gaat om herhaling, verduidelijkt Yoeri van der Laan, programmamanager bij IUNU in Nederland. “Door steeds opnieuw dezelfde gegevens te verzamelen, bouwt het systeem een historisch beeld op van het gewas. Zo kan de teler niet alleen zien hoe de plant zich ontwikkelt, maar ook afwijkingen signaleren en voorspellen hoe de productie zich de komende weken ontwikkelt. En met die informatie kan hij vervolgens het gewas gerichter sturen.”
Op dit moment zijn vooral de oogstvoorspellingen nuttig, vult Van Noord aan. “Elke maandag geven we prognoses door aan de verkopers, en met actuele data kan dat veel nauwkeuriger. Want wat we op voorhand verkopen, moet er natuurlijk wel hangen. Hoe beter dit klopt, hoe meer geld we kunnen verdienen.”
Heatmap van kopdikte
De teler heeft al goede ervaringen opgedaan met de signaleringsfunctie. “Onlangs zagen we op het dashboard dat de lengtegroei bij een aantal paden lager was dan bij de rest. Toen we de data analyseerden, bleek vooral de CO₂-gift op die plek af te wijken.” Na een gericht bezoek aan het betreffende pad bleek er inderdaad vocht in de CO₂-leiding te zitten. “Door de snelle signalering hebben we opbrengstverlies kunnen voorkomen.”
Maar de echte meerwaarde moet volgend jaar blijken “Dan willen we meer reactief gaan telen.” Want alhoewel de robot na aankomst op het bedrijf binnen twee dagen zijn rondjes over de paden reed, kon vanwege de eenmalige kalibratieperiode de datastroom pas in juni worden gebruikt. “En dan ben je te laat om nog te kunnen sturen. Bij de volgende teelt kunnen we vanaf de start alles aflezen en al in januari, februari en maart anticiperen op de meetresultaten.”
Bolle is dan vooral benieuwd naar de kopdikte, bloeihoogte en lengtegroei. Het systeem kan een ‘heatmap’ van de hele kas samenstellen: waar staan de koppen het krachtigst en waar hebben ze extra ondersteuning nodig? Met die handvatten hoopt hij het gewas te kunnen sturen richting optimale groei en een optimale productie.
Onderdeel van dagroutine
De tomatentelers overleggen regelmatig met de ontwikkelaar over lopende zaken en nieuwe ontwikkelingen. Vorige week introduceerde Van der Laan bijvoorbeeld een vraag- en antwoordfunctie. “Met deze AI-assistent kun je sparren. Je typt in gewone taal een vraag over het eigen gewas, waarna de computer het antwoord uit de verzamelde plant-, klimaat- en teeltdata haalt. Dus niet zelf grafieken en tabellen interpreteren, maar simpelweg vragen welke paden aandacht nodig hebben en waarom.”
En ja, dat vraagt om vertrouwen. Bolle geeft aan dat dat de afgelopen maanden zeker is gegroeid. “De gewasregistratie-data die het systeem per compartiment verzamelt, komt overeen met onze eigen observaties. Bovendien, hoe meer data je verzamelt, hoe groter de betrouwbaarheid.”
Het interpreteren van de output is inmiddels een vast onderdeel van de dagroutine geworden, vult Van Noord aan. ”Als we ’s ochtends op het scherm ergens afwijkende waarden aflezen, gaan we daar direct op af. Voorheen was je meer afhankelijk van wat de gewasmedewerkers vertelden.”
Biologie en arbeidskwaliteit
Het tomatenbedrijf is gretig op een verdere uitrol. “We willen opschalen naar zo’n veertig paden en stappen over op een volledig autonoom systeem. Nu rijdt er nog iemand mee op de buisrailwagen om de route te bepalen, bij de autonome versie is dat niet langer nodig. Je zet de trolley voor het eerste pad, drukt op start en vanaf dan doet-ie het zelf. Het voordeel is dat je bijvoorbeeld ook ’s nachts en op zondag data verzamelt. Dan ben je de volgende ochtend helemaal up-to-date.”
Ook wordt uitbreiding overwogen met modules voor biologie en arbeidskwaliteit. De biologietool is nog in ontwikkeling. Op termijn kunnen gebruikers hiermee plaaginsecten scouten, herkennen en integreren in het AI-brein. Bolle: “Arbeidskwaliteit is een waardevolle aanvulling op arbeidsregistratie. We weten dan welke werkzaamheden zijn uitgevoerd en hoe de handelingen zijn verricht. De camera’s beoordelen bijvoorbeeld de kwaliteit van de stompjes na het blad snijden of oogsten.”
“Uiteindelijk moet het systeem ons vooral helpen om eerder te zien wat er in het gewas gebeurt en waar het naartoe gaat. Dan kun je misschien eerder ingrijpen als iets niet goed loopt en de teelt gerichter sturen. We verwachten dat die optimalisatie tot een betere opbrengst leidt.”
Tekst: Jojanneke Rodenburg, beeld: Marcel Ottenspeer
