Grimme har utvecklat CropAnalyser, ett system som använder en ljussnittssensor för att noggrant övervaka storlek och kvalitet på potatis under skörd. Teknologin kan särskilja potatis från andra främmande föremål genom att använda laserspridning, som känner igen skillnader i vatteninnehåll mellan objekt.
Den insamlade datan genomgår en tvåstegs klassificeringsprocess. Först identifieras alla pixlar som tillhör potatis eller restmaterial, och därefter segmenteras individuella objekt. Baserat på objektidentifieringen och höjdprofilen från ljussnittet kan avkastningen beräknas.
Denna information integreras sömlöst i maskinens användargränssnitt, vilket gör att lantbrukare kan få tillgång till den i realtid. Denna innovation förbättrar inte bara noggrannheten i avkastningsbedömningar utan effektiviserar även beslutsfattande kring marknadsföring och leveranskedjor genom att tillhandahålla insikter direkt från fältet.
Vid potatisodling, förutsatt en modern maskinpark, är faktorer som uppkoppling och GNSS-baserad positionering, alltså positionering baserad på satellitnavigationssystem, att betrakta som givna. På samma sätt finns variabla ställdon tillgängliga på marknaden, i form av applikationer med variabel dosering för utsäde, gödsel, växtskydd och justerbar jordbearbetning. Det samma gäller anpassad övervakning av insatserna i odlingsprocessen.
Det finns dock ett gap när det gäller sensorer för att bestämma skördens avkastning i termer av kvantitet och kvalitet. I synnerhet variationerna i skördeutbyte vad gäller storlek på exempelvis potatis. Det har fram till nu inte funnits många sensorer inom potatisodling.
Bandvågars tillförlitlighet är begränsad
Bandvågar har funnits på marknaden i ungefär ett decennium, men deras tillförlitlighet är begränsad. Till exempel vid potatisskörd på fält med olika jordtyper är det mycket vanligt att vikten per yta för restmaterial som samlas in tillsammans med potatisen varierar betydligt mer än själva potatismängden. Därför är utsignalen från bandvågar endast meningsfull för ett begränsat antal fält med relativt lite restmaterial.
Detta understryker vikten av optiska tekniker som kan skilja mellan gröda och restmaterial som stenar, jordklumpar och växtmaterial. Sedan 2000-talet har enkla 2D-kamerabaserade metoder testats för detta ändamål. Till exempel implementerade Hofstee och Molema ett 2D-kamerabaserat tillvägagångssätt för kartläggning av potatisskörd samt för att skilja mellan potatis och jordavfall.
Dessa metoder har dock inte fått någon bred marknadsanpassning på grund av bristande precision, särskilt när det gäller karaktäristik för potatisstorlek.
Vid utvärdering av potatisodlingen är storleksfördelningen nämligen minst lika viktig som själva avkastningen. För många användningsområden av potatis, såsom sättpotatis eller matpotatis, utgör den marknadsmässiga delen av avkastningen endast potatis inom ett visst storleksintervall. Potatis som ska användas till bakning eller pommes frites behöver till exempel ha en relativt stor storlek, medan potatis till sallad inte får överskrida en viss storlek.
I alla fall är potatis som faller utanför önskad storlek inte säljbar till bästa pris och därför måste odlingsprocessen justeras så att andelen av dessa i skörden minskar. Detta visar tydligt vikten av kunskap om storleksfördelningen för vidare optimering av odlingsprocessen.