Drogestofsensor op de maaier: beter kuilvoer met AI

Een paar procentpunt verschil in drogestof lijkt klein, tot je het terugziet in kuilkwaliteit, opname en melk uit ruwvoer. De meeste bedrijven sturen nog steeds met “gevoel”: hoe het gras aanvoelt, hoe hard de zon was, of het ‘s ochtends dauwde. Dat werkt… tot het niet werkt. Want één perceel kan in dezelfde middag véél droger zijn dan het andere.

Precies daar raakt de nieuwe ontwikkeling van Vicon de kern. Op 17-12-2025 werd bekend dat Vicon een drogestofsensor op de maaier heeft getoond (NIR-techniek) die tijdens het maaien realtime het drogestofgehalte meet. In deze aflevering van onze reeks AI in Landbouw en Voedselproductie kijk ik verder dan de introductie: wat kun je er in de praktijk mee, welke AI-kansen liggen erachter, en waar moet je als veehouder of loonwerker scherp op zijn?

Waarom realtime drogestof meten tijdens het maaien telt

Realtimemeting maakt sturen mogelijk vóórdat het gras de kuil in gaat. En dat is precies het moment waarop je nog knoppen hebt om aan te draaien.

Wie pas na inkuilen via een kuilanalyse ontdekt dat de drogestof niet klopt, is te laat. Dan ga je corrigeren met krachtvoer, bijproducten of een andere kuil ernaast. Dat kost geld en het maakt je rantsoen onrustiger.

Drogestof is het stuurwiel van je kuil

Drogestof beïnvloedt tegelijk meerdere dingen:

• Inkuilverliezen: te nat vergroot perssap- en fermentatierisico’s.
• Aandrukbaarheid: te droog maakt het lastiger om voldoende dicht te rijden, met meer broei als gevolg.
• Fermentatieprofiel: het bepaalt hoe ‘stabiel’ en smakelijk de kuil wordt.
• Voederwaarde per kg product: je voert uiteindelijk kilo’s drogestof, niet kilo’s “vers”.

Een drogestofsensor op de maaier brengt dat terug naar een simpele waarheid:

“Meten tijdens het maaien is de laatste kans om goedkoop te corrigeren.”

Wat Vicon precies introduceert (en wat dat praktisch betekent)

De Vicon-oplossing gebruikt een near-infraroodsensor (NIR) die boven de kneuzer het gewas meet dat door de maaier gaat. Een app verzamelt de data en bouwt een droogtekaart per perceel: waar is het gras droger, waar natter, en hoe verdeeld is dat.

Vicon Benelux ontvangt volgens planning begin 2026 sensoren uit een nulserie voor tests. Marktintroductie is voorzien voor 2027.

Van “gemiddelde drogestof” naar variatie binnen een perceel

Het interessante is niet alleen het getal. Het interessante is de variatie.

In Nederland en België zie je vaak percelen met verschillen in:

• draagkracht en bodemtype (zandkop/laagte)
• vochttoestand door beregening of afwatering
• schaduwstroken langs houtwallen
• opbrengst- en grasmatdichtheid

Een gemiddelde drogestof verbergt dat. Een kaart maakt het zichtbaar. En zichtbaar betekent: je kunt besluiten om het werk anders te organiseren.

De brug naar AI: van sensor-data naar betere beslissingen

Een sensor is pas écht waardevol als je er beslissingen mee automatiseert of structureel verbetert. Daar komt AI in beeld. Niet als “magisch brein”, maar als heel praktische rekenmotor die patronen leert uit jouw data.

1) AI helpt je droogtijd voorspellen per perceel (en soms per strook)

Droogtijd plannen blijft lastig omdat het afhangt van veel factoren: zon, wind, luchtvochtigheid, graslengte, zwadbreedte, kneuzerinstelling, schudmomenten. Met realtime drogestofdata voeg je een cruciaal startpunt toe.

Een AI-model kan dan bijvoorbeeld:

• de gemeten drogestof bij maaien combineren met weersverwachting
• leren hoe jouw percelen “drogen” onder verschillende omstandigheden
• een advies geven: wanneer schudden, wanneer harken, wanneer inkuilen

Praktisch voordeel: je voorkomt dat je standaard “een dag wacht” terwijl het ene perceel al klaar is en het andere nog niet.

2) Slimmer schakelen met bewerkingen: maaien, schudden, harken

De RSS-tekst noemt al concrete ingrepen: eerder van het land halen, extra schudden, maaierinstellingen aanpassen. Met data kun je dit veel preciezer maken.

Denk in scenario’s:

• Scenario A: te nat bij maaien → zwad breder leggen, sneller schudden, mogelijk extra schudgang.
• Scenario B: al behoorlijk droog bij maaien → voorzichtig met te agressief schudden (bladverlies), sneller harken/inkuilen.

AI kan hier zelfs loonwerkplanning ondersteunen: als je 6 klanten op dezelfde dag maait, wil je weten waar de kans op “te nat in de kuil” het grootst is.

3) Van kuil naar rantsoen: koppeling met voerstrategie

Dit is de stap die veel bedrijven nog laten liggen: sensor-data uit het veld terugkoppelen naar voermanagement.

Als je per snede/perceel de drogestof (en later analyse) netjes vastlegt, bouw je een dataset op waarmee je:

• partijen kuil beter kunt labelen en scheiden
• variatie in drogestof in het rantsoen kunt dempen (minder schommelingen in opname)
• sneller ziet waarom melk uit ruwvoer stijgt of daalt

Wie hier consistent in is, heeft in de winter minder “gedoe” aan het voerhek. Mijn ervaring: rust in ruwvoer is vaak een grotere winst dan nóg een additief.

Wat levert het op? Concreet rekenen in plaats van hopen

De directe opbrengst zit in minder verliezen en minder noodcorrecties.

Waar je winst meestal vandaan komt

• Minder inkuilverliezen en broei door beter mikken op het juiste drogestofbereik.
• Minder perssap/fermentatieproblemen bij (te) nat gras.
• Constanter rantsoen → betere voeropname en minder schommelingen.
• Efficiënter werk: minder “extra rondjes” schudden omdat je niet zeker bent.

Je hoeft niet te geloven in futuristische beloftes om het voordeel te zien. Het is hetzelfde principe als bij melkrobots: niet de robot zelf is de winst, maar het feit dat je continu data hebt en afwijkingen eerder ziet.

Implementatie: zo haal je écht waarde uit een drogestofsensor

De sensor monteren is één ding. Het in je proces krijgen is de echte klus.

1) Spreek vooraf een doel af (per snede)

Maak het tastbaar. Bijvoorbeeld:

• “We willen deze snede inkuilen op 32–38% DS.”
• “We willen variatie in DS binnen de kuil beperken tot maximaal 4–5 procentpunt.”

Zonder doel verzandt data in ‘interessant’.

2) Leg vast wat je doet in het veld

AI heeft context nodig. Noteer (desnoods simpel in een app of spreadsheet):

• maaitijd en maaibreedte/zwadbreedte
• kneuzerinstelling
• schudmoment(en) en -intensiteit
• harkmoment
• inkuiltijd

Pas dan kun je achteraf leren: “op perceel X betekent 26% DS bij maaien dat we met deze weersomstandigheden 18 uur later moeten hakselen.”

3) Kalibratie en kwaliteitscontrole zijn niet optioneel

NIR-metingen staan of vallen met betrouwbaarheid. Verwacht dat je:

• periodiek moet kalibreren
• metingen moet checken met steekproeven (bijv. magnetron/DS-bepaling of lab)

Een vuistregel die ik hanteer: als je meting geen vertrouwen wekt, gaat niemand ernaar handelen. En dan is het vooral dure decoratie op de machine.

Veelgestelde vragen (zoals ze in de praktijk aan de keukentafel klinken)

“Is dit vooral iets voor loonwerkers?”

Nee. Loonwerkers kunnen er veel planning- en kwaliteitswinst mee pakken, maar juist veehouders die zelf maaien winnen omdat ze sneller leren hoe hun percelen drogen en hoe dat doorwerkt in de kuil.

“Kan AI straks automatisch zeggen wat ik moet doen?”

Ja, als je de basis op orde hebt: consistente metingen, logboek van bewerkingen en terugkoppeling met kuilresultaten. Zonder die drie blijft het bij ‘dashboard-kijken’.

“Wordt dit niet nóg een app erbij?”

Dat risico is er. De beste aanpak is integratie: één plek waar percelen, bewerkingen, sensordata en kuilpartijen samenkomen. Als je systemen niet koppelt, ben je dubbel aan het invoeren.

Wat dit betekent voor AI in Landbouw en Voedselproductie in 2026–2027

De timing is interessant. Eind 2025 zie je in de sector een duidelijke beweging: meer sensoren op werktuigen en meer behoefte aan beslissingsondersteuning in plaats van alleen meten. Vicon’s drogestofsensor past daar logisch in.

De grotere belofte zit niet in één sensor, maar in de keten:

1. meten (maaier)
2. voorspellen (droogtijd en bewerkingsmoment)
3. borgen (kuilpartij en kwaliteit)
4. optimaliseren (rantsoen en voerefficiëntie)

Als je die keten sluit, komt “AI in landbouw” ineens heel nuchter over: minder verliezen, minder stress, beter voer.

Wie nu al begint met structuur in data en werkwijze, is in 2027 niet bezig met wennen, maar met verfijnen. En dat verschil zie je terug op de voerkosten.

Welke beslissing in jouw graslandmanagement zou makkelijker worden als je tijdens het maaien al exact wist hoe droog het gewas is?