Efficiëntere fruitteelt met data en precisietechnologie
De beschikbaarheid van arbeid in de land- en tuinbouw neemt af, terwijl de vraag naar efficiëntie en duurzaamheid toeneemt. Aurea Imaging onderzoekt hoe technologieën zoals robotica, beeldanalyse, AI en dataplatforms kunnen bijdragen aan arbeidsefficiëntie en verbeterde teeltstrategieën. Dit project valideert de inzet van sensoren voor precisie-dunning en de impact ervan op opbrengst en fruitkwaliteit.
Innovatiepakket, use case en type test
Open Teelten
Handsfree Orchards
Status: evaluatieverslag
Technische functionaliteit
Brede kennisvraag
Hoe kan technologie arbeid en vakmanschap in de fruitteelt ondersteunen?
Handmatige dunning en gewasbeoordeling vragen veel arbeid en expertise. Dit onderzoek richt zich op de vraag of sensor- en datagestuurde methoden een betrouwbaar alternatief kunnen bieden om efficiënter en met hogere precisie vruchtdunning toe te passen.
Aanpak
Sensoren en precisie-dunning in vier boomgaarden
In vier boomgaarden, waaronder Proeftuin Randwijk, zijn waarnemingen en validaties uitgevoerd. De Treescout-camera’s op een tractor verzamelden data over bloesem en groeikracht, die werden vergeleken met handmatige metingen. Op basis van deze gegevens werden precisie-dunningsbehandelingen toegepast en geëvalueerd ten opzichte van conventionele methoden.
Doel
Valideren van Treescout-technologie en impact op opbrengst
Het project test de nauwkeurigheid van Treescout-sensoren en beoordeelt hoe precisie-dunning de opbrengst en fruitkwaliteit beïnvloedt. Daarnaast wordt onderzocht hoe deze datagestuurde aanpak zich verhoudt tot traditionele dunningsstrategieën en of het kan bijdragen aan een efficiëntere bedrijfsvoering.
Resultaat en reflectie
Betrouwbare sensordata en verbeterde vruchtzetting
De resultaten tonen aan dat de Treescout-sensoren een betrouwbare indicatie geven van bloesem en groeikracht, met enige variatie afhankelijk van meetmoment en locatie.
Geslaagd:
Precisie-dunning zorgde voor een betere balans in vruchtzetting en had een positieve invloed op de opbrengst en vruchtkwaliteit.
De sensordata bleek bruikbaar om handmatige metingen te ondersteunen en te optimaliseren.
Leerpunten:
De effectiviteit van dunningsmiddelen hangt mede af van weersomstandigheden en locatie-specifieke factoren.
Verdere verfijning van de meetmethoden kan de nauwkeurigheid van sensor-gestuurde beslissingen verder verbeteren.