Met+visiontechniek+en+deep+learning+bloembollen+selecteren
Nieuws
© Wageningen University en Research

Met visiontechniek en deep learning bloembollen selecteren

Onderzoekers van de Business Unit Glastuinbouw & Bloembollen van Wageningen University & Research kijken of visiontechniek en deep learning kunnen helpen bij het selecteren van bloembollen. Daarbij gebruiken ze een 3D-camera.

Gerooide bloembollen worden gepeld, gesorteerd en gecontroleerd. Dat is niet goed voor de kwaliteit van de bollen. Ook bestaat de kans dat te kleine of beschadigde bollen over het hoofd worden gezien. Visiontechniek en deep learning kunnen misschien helpen bij het bepalen van het volume van bloembollen en bij het selecteren van bloembollen met afwijkingen.

In de schuur van een bloembollenkweker ondergaan bloembollen na de oogst een aantal bewerkingen. Ze worden ontdaan van kluiten en gepeld. Daarna belanden de bloembollen op een spijlenplaat, waar grote bollen worden gescheiden van kleine exemplaren. Maar hierbij kunnen fouten ontstaan. Zo kan de spijlenplaat kleine bollen met een ovale vorm soms tegenhouden. Gevolg is dat een tulpenbroeier partijen krijgt die niet uniform zijn en dus ongelijk gaan bloeien.

Volume en maat

De Business Unit Glastuinbouw & Bloembollen van Wageningen University & Research onderzocht of met een 3D-camera het volume en de maat van een bol goed zijn te bepalen Hiervoor hebben de onderzoekers enkele honderden bollen gemeten. Ze vergeleken de resultaten met een volumebepaling door onderdompeling. Hieruit bleek dat de 3D-camera hoog scoort.

Met de 3D-camera in combinatie met deep learning kan ook worden onderzocht of de kwaliteit van een bol voldoende is. Hierbij controleert de computer of de bloembol goed is gepeld, of de bol is beschadigd en of de huidkwaliteit voldoende is. Bollen met zulke afwijkingen zijn minder goed te verkopen. Bovendien zijn beschadigde bollen gevoeliger voor een fusariumbesmetting.

© 2020 Smartfarming.nl is een uitgave van AgriPers bv.