Potector300 bewijst potentie in de praktijk: veelbelovende resultaten tijdens veldproeven

De ontwikkeling van de Potector300, de autonome pootgoedselectierobot van H2L Robotics, heeft opnieuw een belangrijke stap voorwaarts gezet. Tijdens uitgebreide veldproeven op de WuR open teelten in Lelystad is de machine eind juli onder praktijkomstandigheden beoordeeld, samen met ervaren pootgoedselecteur Mario van de Pol. De resultaten laten zien dat de technologie dermate ontwikkeld is dat deze waardevol in de praktijk toegepast kan worden.

Praktijktest onder uiteenlopende veldomstandigheden

De proef vond plaats in een breed scala aan aardappelrassen en onder sterk wisselende groeiomstandigheden. Het groeiseizoen werd gekenmerkt door zowel droogte als plaatselijk hevige regenval net na het poten, waardoor de ontwikkeling van de gewassen aanzienlijk verschilde tussen de rassen.

Bij goed ontwikkelde gewassen presteerde de Potector 300 overtuigend. In de rassen Rudolf, Innovator, Spunta, Fontane en King Russet werden goede resultaten behaald. Rudolf liet tijdens deze proef de beste prestaties zien, mede doordat het ras goed bestand bleek tegen de droge omstandigheden. De goede performance van Rudolf en King Russet zegt iets over de toepasbaarheid van het AI-model in verschillende rassen; tot op heden is het AI-model voornamelijk getraind op herkenning in de rassen Spunta, Fontane, Innovator en Agria.

Komende winter wordt het AI-model verder getraind op andere rassen, met als doel de robot breed inzetbaar te maken.

Vergelijken met de praktijk

Tijdens de beoordeling is bewust gekozen voor dezelfde uitgangspunten die een ervaren pootgoedselecteur in de praktijk hanteert. Wanneer een gewas onvoldoende ontwikkeld is of sterk onder stress staat en bijvoorbeeld sterk begint te knijpen, kiest ook een menselijke selecteur doorgaans voor een later selectiemoment. De prestaties van de robot moeten daarom altijd worden beoordeeld binnen de context van de gewasontwikkeling.

Voor deze proef is gekozen voor een detectiedrempel waarbij het aantal onterecht ziek gemarkeerde planten zo laag mogelijk bleef; de robot markeerde de plant enkel bij hoge zekerheid dat deze ziek is. Onder deze instelling wist de Potector300 in goed ontwikkelde gewassen gemiddeld 50 tot 80 procent van de afwijkende planten te herkennen.

Dat percentage is veelzeggend. In de praktijk wordt algemeen aangenomen dat ook een ervaren menselijke selecteur tijdens één selectieronde ongeveer 50 procent van de daadwerkelijk afwijkende planten detecteert. Onder de normaal gehanteerde selectieomstandigheden presteert de robot daarmee al op een niveau dat in de praktijk relevant is. Deze resultaten komen voort uit een aangelegde proef waarin niet alle mogelijke condities gerepresenteerd zijn, toch geeft de test een goed beeld van waar de technologie vandaag de dag staat.

Slimmer worden door ervaring

Zoals bij iedere vorm van kunstmatige intelligentie bestaat er een afweging tussen gevoeligheid en nauwkeurigheid. Een lagere drempelwaarde levert meer ziek gemarkeerde planten op, maar ook meer foutieve meldingen. Juist die foutieve meldingen vormen waardevolle trainingsdata waarmee het systeem verder verbeterd kan worden.

Een goed voorbeeld hiervan is het aardappelras Spunta. Dit ras kent veel mannetjesplanten, die door hun afwijkende bladstructuur sterk op virusplanten kunnen lijken. Een ervaren selecteur herkent deze direct als niet-bont. De Potector300 ziet deze planten momenteel eveneens als afwijkend, maar kan dit onderscheid nog niet altijd goed maken. Gaandeweg leert het systeem echte virussymptomen en natuurlijke rasverschillen gaandeweg steeds beter herkennen.

Daarmee doorloopt de robot in feite hetzelfde leerproces als een menselijke selecteur: ervaring opdoen, feedback verwerken en steeds nauwkeuriger worden.

Reacties uit de praktijk

Ook vanuit de praktijk groeit het vertrouwen in de technologie. Pootgoedteler Stefan van Dam, die afgelopen selectieseizoen met de robot reed, ziet duidelijke mogelijkheden:

"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."

Volgens Van Dam ligt de kracht vooral in een slimme inzet van de machine naast de menselijke selecteur.

"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.”

Ook deelt hij zijn ervaringen van afgelopen seizoen, wat hem positief stemt over het komende selectiejaar:

“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."

Ook in de Noord-Oost Polder werd met de robot gewerkt, onder andere door pootgoedteler Gebr. de Zeeuw. Volgens de teler is de keuze voor een autonome machine de juiste geweest:

"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."

Blik op volgend seizoen

De nauwkeurigheid van de herkenning staat of valt met het correct trainen van het AI-model in de machine. Dit seizoen zijn daartoe te beelden van zo'n 6000 zieke aardappelplanten geannoteerd door ervaren selecteurs. Komende winter worden daar nog zo'n 14000 zieke aardappelplanten aan toegevoegd. Bij de start van het selectieseizoen van 2027, is de verwachting daarmee dat de herkenning weer een stap heeft gemaakt richting consistente en nauwkeurige selectie van pootgoed. Dit sterkt de overtuiging dat autonome aardappelselectie onder praktijkomstandigheden op korte termijn haalbaar is met de Potector300.