Graminor har en økende mengde potetprøver som skal analyseres, og i dag foregår denne valideringen stort sett manuelt. Det er personer som scorer plantematerialet ut ifra en skala, men resultatet vil alltid variere fra person til person. Dette gjør oss sårbare, ettersom forsøkene er avhengige av at samme person gjennomfører scoringen for at dataene skal bli korrekte og det er begrenset hvor mange prøver som kan valideres. Som en løsning på denne problemstillingen har vi investert i nytt teknisk utsyr.
VideometerLab500 er en maskin som ved hjelp av 17 strober med bølgelengder fra 405-970 nm kan fange opp refleksjoner fra materialet som analyseres, med denne metoden kan vi få mye informasjon om en plante på kort tid. Plantematerialet som legges i maskinen, bestråles med lys som reflekteres og danner et spekter med bilder, og denne informasjonen kan brukes til å klassifisere ulike egenskaper ved planten, for eksempel måle skala av brunfarging i chips eller smitteomfanget på et blad. Slik kan vi kvantifisere omfanget av egenskapene vi analyserer i de ulike prøvene. Maskinen analyserer prøvemateriale ut ifra en modell og vil samle inn objektive data om plantematerialet vårt. Med denne maskinen kan vi få mer detaljert og presis data fra analysene våre enn det vi kan i dag.

VideometerLab500 kan brukes på et stort utvalg vekster, men det forutsetter at man lager spesifikke modeller for disse. I første omgang skal Graminor bruke maskinen til validering av potet, men den kan brukes til eksempelvis jordbær og eple. I oppstartsfasen skal vi utvikle modeller for spesifikke analyser, blant annet for pommes frites-kvalitet. Dette skal vi gjøre ved å trene maskinen på data vi allerede har. Maskinen lærer å skille mellom underlag og potet, og deretter nyanser, eksempelvis brunfarge som brukes for å gi en score på potetens egnethet til chips produksjon. Etter at modellene for ulike analyser er utviklet, vil forsøkene som tidligere var personavhengige, kunne utføres uavhengig av person.
Ansatte i Graminor har nå gjennomført opplæring i oppsett og trening av maskinen for å lage modeller. Oppstarten med utvikling av de ulike analysemodellene vil kreve både tid og ressurser, men når dette grunnlaget er lagt, vil vi kunne øke effektiviteten og presisjonen betraktelig. Dette verktøyet åpner muligheter for samarbeid, i prosjekt eller med våre samarbeidspartnere som bruker den samme teknologien.