Nieuws

PreciSIAlandbouw: inventariserend onderzoek naar het gebruik van precisielandbouw door de akkerbouwer en robotisering in dienst van kringlooplandbouw

Precisielandbouw - Papamoon via Shutterstock
Bron foto: Papamoon, Shutterstock
Samenvatting
  • Onderwerp
    Onderzoek toekomstbestendige landbouw
  • Interessant voor
    Onderzoekers en pioniers
Bekijk de bronnen
CoE Groen presenteert twee resultaten van een nieuwe project PreciSIAlandbouw, dat loopt van juni 2021 tot eind mei 2023. Bij het project PreciSIAlandbouw staat het ontwikkelen van kennis in samenwerking met Wageningen Universiteit, hbo, mbo, bedrijfsleven, brancheorganisaties, praktijkcentra en overheid centraal. In werkpakket 2 ligt de focus op precisielandbouw in de akkerbouw en in werkpakket 3 onderzoekt het team de kansen van robotisering in de kringlooplandbouw. De resultaten van deze onderzoeken zullen straks op Groen Kennisnet te vinden zijn.
In samenwerking met

PreciSIAlandbouw Akkerbouwer

Wat weerhoudt de akkerbouwer om precisielandbouw toe te passen? In de periode van september 2021 t/m februari 2022 is er door een team van de HAS (2 docenten en 2 junior adviseurs) een onderzoek uitgevoerd om te inventariseren waarom de implementatie van precisielandbouw technieken langzamer gaat dan verwacht. Daarvoor is literatuuronderzoek en veldonderzoek gedaan onder andere met behulp van interviews.

Hedendaags zijn er veel technieken en data beschikbaar om precisielandbouw (PL) toe te passen. PL is op het juiste moment, op de juiste plek de juiste teeltmaatregel toepassen. Veel experts zien dit als de toekomst van de landbouw, maar het slaat nog niet overal aan. De voornaamste knelpunten die ervoor zorgen dat een akkerbouwer niet met PL begint zijn:

  • De Return On Investment (ROI) niet duidelijk is. Voordat er aan PL wordt begonnen is voor velen niet duidelijk wat een investering in PL op gaat brengen, waardoor er onzekerheid is of er wel tijd en geld in geïnvesteerd moet worden. Hierbij komt ook aan de orde dat de vervangingstijd van de precisiemachines onduidelijk is. Veel akkerbouwers zijn onzeker dat een investering van nu over enkele jaren onnodig is geweest, omdat de machines dan alweer verouderd zijn.
  • De interoperabiliteit is ook een belangrijk knelpunt. Veel systemen die aangeschaft moeten worden kunnen niet met elkaar samenwerken, waardoor het heel ingewikkeld of bijna onmogelijk is om data met verschillende systemen uit te wisselen. Dit bemoeilijkt het om PL toe te passen. Een onderdeel hiervan is het ontbreken van standaardisatie van PL-data en systemen.
  • PL is erg complex en er is daarom is geen sprake van plug & play.
  • Een volgend knelpunt is het wantrouwen bij de akkerbouwers om hun data te delen met derden en elders op te slaan. Zij vragen zich af wat er met hun data gebeurt en of er geen misbruik van wordt gemaakt als zij data delen. Omdat data een essentieel onderdeel is van PL, weerhoudt dit hen ervan om met PL te beginnen of dit verder te ontwikkelen.

Vervolgstappen

In het vervolgonderzoek zal een team van de HAS (docenten en junior onderzoekers) een praktijkcase gaan volgen en analyseren om te onderzoeken of het mogelijk is door gerichter advies te geven deze drempel lager gemaakt kan worden. Dit onderzoek loopt van feb 2022 t/m juli 2022.

ONDERWERP 2: WP2: Implementeren van data gestuurde landbouw.

Precisie landbouw kan men onderverdelen in 4 verschillende niveaus, van PL1.0 tot en met PL4.0. Onder PL1.0 worden de Global Navigation Satellite Systems (GNSS) en het Controlled Traffic Farming (CTF) verstaan. Vooral GNSS, waarbij specifiek het RTK-GPS-systeem wordt momenteel bij een groot gedeelte van de open teelt bedrijven toegepast. PL2.0 heeft vervolgens betrekking op de monitoring van verschillende factoren, zoals opbrengst, gewasstand, bodem informatie. Dit wordt gedaan aan de hand van satellieten en sensoren. Hier worden modellen, ICT en mechanisatie in meegenomen. Hiermee worden vervolgens VRA (variabele toepassingen) mee uitgevoerd.

Bij PL3.0 gaat het meer over ‘on the go’ toepassingen. Waarbij realtime metingen meteen worden omgezet in actie, waardoor preciezer en kleiner werken mogelijk wordt gemaakt. Dit houdt in dat er meer op plantniveau gewerkt kan worden. Ook speelt robotisering hierbij een rol. Vervolgens heeft niveau PL4.0 betrekking op data delen, IOT en big data-analyse. Hierbij wordt ook gekeken naar data governance. (Kempenaar. C, 2018)

PreciSIAlandbouw Robotisering

In werkpakket 3 richten we ons op robotisering in dienst van kringlooplandbouw. In het werkpakket werkt het lectoraat Mechatronica van Saxion samen met Tech in Motion/Mechatronica en Agrotronics van Aventus. In de eerste fase van het project hebben we verkend wat de state-of-the-art is op het gebied van autonome navigatie, onkruidherkenning en precisiebestrijding en waar de uitdagingen liggen.

Op basis van deze verkenning hebben we in samenspraak met de stuurgroep besloten om ons te richten op onkruidherkenning. We hebben hiermee een heldere focus in dit project en hebben we een goede aansluiting met andere projecten die al lopen of in ontwikkeling zijn. In het RAAK-mkb project “Onkruidbeheersing met Robots: Onkruidvrij in de Rij” wordt momenteel onderzoek gedaan naar precisiebestrijding. Er wordt daar een mechanische tool ontwikkeld om onkruid te verwijderen. Het rijden over de akker kwam ook als uitdaging naar voren. Om de focus binnen dit werkpakket beheersbaar te houden, hebben we daar een nieuw onderzoeksvoorstel “Autonomous Agricultural Navigation (AAN)” voor ingediend voor subsidie.

Binnen werkpakket 3 richten we ons op detectie en plaatsbepaling van onkruid. De onderzoeksvraag die we hebben opgesteld is: Hoe kunnen we het beste (klein) onkruid detecteren en lokaliseren? We zoeken hiervoor bij voorkeur naar commerciële oplossingen op het gebied van onkruiddetectie, omdat dit het dichts bij de praktijk staat. In dat geval komt de nadruk te liggen op validatie en testen van het product in de praktijk. Als blijkt dat er nog geen commerciële oplossing is dan komt de nadruk te liggen op de ontwikkeling van een prototype en wordt het werkpakket meer experimenteel ingestoken. In ieder geval moet er aan het eind van het project een systeem zijn dat onkruid kan detecteren.

Externe Interfacing

We hebben gekozen voor een modulaire benadering, waarbij deelsystemen van verschillende partijen kunnen worden gecombineerd voor een bepaalde toepassing. Op deze manier kunnen we de problemen van rijden, verwijderen en onkruiddetectie gescheiden houden en toch samen laten werken. Goede externe interfacing is daarmee een essentieel onderdeel geworden.

Het gaat dan om interfacing binnen een machine, bijvoorbeeld via ISOBUS/ISOXML, maar ook met externe systemen, zoals farmmanagement software en systemen zoals Akkerweb / Farmmaps. We hebben hiervoor sessies gehad met Agrirouter en Agroconnect. De conclusie daar was dat als we een commerciele oplossing kunnen vinden we echt naar de industriele standaarden en integratiemogelijkheden met externe systemen gaan kijken. Als we een prototype gaan ontwikkelen, dan wordt hier in eerste instantie minder nadruk op gelegd, omdat technieken als ISOBUS de ontwikkeling een lastiger kunnen maken.

Detectie en lokalisatie

We zijn dus op zoek naar een component waarmee we nauwkeurig de locatie van gewassen kunnen bepalen. In principe kijken we heel breed. Het kunnen oplossingen zijn op basis van vision, multispectraal, near infrared, laser, NDVI, enz. Tot op heden hebben we nog geen commercieel verkrijgbare component gevonden die zelfstandig onkruid kan detecteren. We hebben contact gehad met distributeurs zoals Abemec en Kverneland, maar ook met bedrijven als BBleap en Homburg Holland. We gaan dit proces in samenwerking met Tech in Motion verder uitdiepen. Als iemand een systeem kent, dan horen wij het graag: w.j.bonestroo@saxion.nl

Als blijkt dat dergelijke systemen nog niet commercieel beschikbaar zijn, dan richten we ons dus op de ontwikkeling van een prototype. Op Saxion heeft een groep studenten de eisen voor een dergelijk detectie systeem al uitgewerkt. Deze groep werkt momenteel aan het proof-of-principle om een specifiek onderdeel uit de eisen verder uit te werken. Daarnaast hebben verschillende bedrijven (PixelFarming, BBleap en Homburg Holland) camera’s en (embedded) computers die geschikt zijn voor plaatsing op voertuigen. Naast dat we in de breedte zoeken naar mogelijke oplossing richten we ons ook parallel op een aantal 3D camera’s om beelden te verzamelen. Dit zijn de Intel Realsense camera (1000 euro), ZED 2 camera (500 euro) en de AOK-D (200 euro). Het plan is om op korte termijn alvast beelden te gaan maken met die drie 3D camera’s en om deze beelden te gebruiken voor het trainen van een netwerk. Het doel is dan om gewassen en onkruid in een afbeelding te detecteren.

Dit onderzoek is medegefinancierd door Regieorgaan SIA, onderdeel van de Nederlandse Organisatie voor Wetenschappelijk Onderzoek (NWO).

Betrokken partners