ILVO lanceert een open Test- en Experimenteer Faciliteit (TEF) voor bedrijven om innovaties met artificiële intelligentie, data en robotica in agrifood versneld op de markt te krijgen. Concreet biedt het bedrijven infrastructuur en services aan zoals prototypebouw, beeldanalyse, training van algoritmes en testing onder realistische praktijkomstandigheden.
De Vlaamse AgrifoodTEF krijgt daarvoor van Europa (Horizon), de Vlaamse overheid (departement EWI) en het instituut voor landbouw-, visserij- en voedingsonderzoek zelf (ILVO) in totaal 5 miljoen euro ter beschikking.
Op de AgriTechDag ’23 bij ILVO in Merelbeke kregen bezoekers een voorproefje van de versnelling die de TEF kan realiseren. Drie nieuwe prototypes voor de Vlaamse landbouwmarkt maakten in een ketting van live demo’s hun publieke primeur.
Eerste elektrisch aangedreven autonome tractor: Djust-E
ILVO en mechanisatiebedrijf Verschueren bouwden een bestaande dieselmodel tractor van CNH om tot een volledig elektrisch aangedreven, zelfrijdend model. Het éérste in Vlaanderen. Daarvoor maakten ze onder meer een nieuw chassis en een fronthef met verwisselbaar batterijpakket.
"In de toekomst zouden daar ook fuel cells of een generator op passen, die bijvoorbeeld op waterstof of methanol draait. De aandrijving blijft elektrisch. Dat maakt het concept future proof voor de Vlaamse markt", aldus Simon Cool
Om autonoom en dus zonder chauffeur te kunnen rijden, remmen, de hefinrichting in te stellen en werktuigen aan te sturen, rustte ILVO de tractor uit met op maat geschreven software, sensoren en actuatoren. ILVO koos voor een compacte tractor om verschillende redenen. Zo’n relatieve lichtgewicht is minder belastend voor de bodem. Tegelijk staat het symbool voor de toekomstige trendbreuk van steeds zwaardere machines met grotere werkbreedte naar opnieuw kleinere machines die met veel tegelijk, dag en nacht, autonoom het veld kunnen bewerken.
Simon Cool: "We hebben dit prototype mee ontworpen, gebouwd en uitvoerig getest. Het is een voorbeeld van de services die we bedrijven bieden in AgrifoodTEF."
Slimme plantmachine onthoudt en deelt waar planten staan
Tijdens de demo demonstreerde ILVO ook het prototype van een slimme plantmachine, ontwikkeld in samenwerking met de firma Lauwers. Het bijzondere is dat de plantmachine uitgerust is met een sensor die tijdens het planten detecteert op welk moment elk plantje de grond ingaat en hun GPS-coördinaten (gemeten door de GPS antennes op de plantmachine) in de cloud opslaat. Die plantdata maakt een hele ketting aan innovatieve precisiebewerkingen mogelijk.
Robot gebruikt plantdata om heel precies het onkruid te wieden
Dat werd duidelijk in het slotstuk van de demoreeks. De CIMAT-robot, uitgerust met een ‘gewone’ schoffelmachine en een prototype precisieschoffelaar ontwikkeld door Vanhoucke in samenwerking met ILVO, schoffelde autonoom (en elektrisch) volledig foutloos het onkruid tussen de geplante rijen én tussen de kolen ín de rijen weg. Hij baseerde zich hiervoor op de GPS-data uit de slimme plantmachine.
Reinout Godaert (ILVO): "Plantdata capteren en delen maakt precies, mechanisch schoffelen mogelijk op een kostenefficiënte manier. Als de computer weet waar de planten staan, kan hij heel makkelijk een taakkaart maken waarmee een schoffelmachine of een ander werktuig plaatsspecifiek het onkruid kan verwijderen. Dit is een quick-win die precisielandbouw sneller bruikbaar maakt in de praktijk."
Onmisbare stap: datadelen
Een essentiële schakel in dit proces is datadelen en integreren uit verschillende bronnen. Met DjustConnect heeft de agrifood sector een datadeelplatform dat de nodige services en garanties kan bieden. Het data-eigenaarschap, de privacy en veiligheid zijn netjes geregeld.
Robot capteert intussen data voor snellere machine learning (AI)
De CIMAT-robot is een autonoom rijdend, multifunctioneel robotplatform dat uitgerust kan worden met verschillende standaard werktuigen én met camera’s voor datacaptatie. Tijdens de mechanische onkruidbestrijding nam de robot foto’s die gebruikt worden om een AI-model te trainen op het herkennen van onkruid.
Simon Cool (ILVO): "Dankzij de plantdata kunnen we de modellen op een semiautomatische, en dus snellere manier trainen. De zelflerende algoritmes leren dat alles op de beelden onkruid is, behalve wat op de exacte plantlocaties staat. Hierdoor sparen we heel wat arbeidsuren en kosten uit."
Bron: ILVO