Selectief oogsten is moeilijk te mechaniseren en daardoor nog altijd een menselijke taak. Robotiseren kan wel. Daarbij kunnen robots in potentie ook veel consistenter hun oogst beoordelen. In het recent op Crkls gepubliceerde literatuuronderzoek is gekeken naar de huidige situatie, trends en toekomstverwachtingen van selectieve oogstrobots.
Samenvatting selectieve oogstrobots
Selectieve oogstrobots kunnen nog niet snel en betrouwbaar genoeg oogsten om een alternatief voor menselijke arbeid te bieden. Zowel in gesloten als open teelten wordt veel onderzoek naar geautomatiseerd oogsten gedaan. Dit heeft de prestaties op verschillende vlakken verbeterd, maar nog niet tot succesvolle commerciële robots geleid.
Gesloten teelt
In de glastuinbouw halen systemen in onderzoek een gemiddeld oogstsucces van 66% en doen ze 33 seconden over het verzamelen van 1 product. In veel gevallen zijn bladeren weggeknipt om het oogsten eenvoudiger te maken.
Boomgaard
Ook in de fruitteelt zijn tijden van rond de halve minuut gebruikelijk. Het oogstsucces ligt iets hoger, boven de 80%. Dit is vooral in kleine proeven onderzocht. Er zijn enkele commerciële robots in ontwikkeling. Eén bedrijf (Abundant Robotics) is inmiddels failliet.
Volle grond
Bij het oogsten van asperges worden tijden van slechts 2 seconden per asperge gehaald. Daar tegenover staat het oogsten van ijsbergsla dat gemiddeld bijna 32 seconde per krop kostte. Er zijn enkele commerciële systemen gelanceerd. Cerescon is inmiddels failliet. Het Britse Roboveg verkoopt nu broccolirobots.
Conclusies
Er zijn vrijwel geen commerciële robots op de markt voor selectief oogsten. Dit komt vooral door de moeilijkheid van het detecteren van deels bedekte objecten (fruit achter bladeren) en het moeten vastgrijpen van producten zonder ze te beschadigen. Door bladeren te verwijderen, kunnen de prestaties flink worden verbeterd. Veiligheid, zowel van de plant als de mens, is nog nauwelijks onderzocht.
- Oogstsucces en -snelheid van selectieve oogstrobots zijn nog te laag om economisch interessant te zijn;
- Door deep learning zijn grote stappen gemaakt in de detectie van door bladeren bedekte objecten;
- Ook de actuatoren (zoals grijpers en messen) beperken oogstsucces en -snelheid;
- Teeltsystemen specifiek ingericht voor oogstrobots kunnen de prestaties verbeteren;
- Een andere oplossing is actieve samenwerking tussen mens en robot.
Toekomstbeeld
Mogelijke oplossingen voor de gevonden problemen zijn om productiesystemen en gewassen specifiek aan te passen aan robotica. Ook kan meer domeinkennis worden toegepast bij het ontwerp van robots en software. Daarnaast kan gebruik worden gemaakt van andere detectiemethoden dan beeldverwerking. Tot slot kan een tussenstap worden gebruikt, waarin robots en mensen samenwerken.
Bron: Groen Kennisnet / Crkls
