Im Rahmen von Experteninterviews mit Mitgliedern des Bundesverbandes der Düngermischer wurden Informationen über die Auswahl von Düngerkomponenten, praxisübliche Mischungen und gängige Mischtechnik gesammelt. Dadurch ergab sich eine Auswahl von 67 typischen Einzelkomponenten, die zur Charakterisierung chemisch (Labor Hochschule Osnabrück) und physikalisch (Labor Amazonen Werke H. Dreyer GmbH & Co.KG) untersucht wurden. Die physikalischen Tests zeigten Unterschiede z. B. in Schüttdichte, Korngrößenspektrum und der "spezifischen Wurfweite". Dabei ließ sich feststellen, dass die durchschnittliche Korngröße und die Schüttdichte in engem Bezug zur Wurfweite stehen.
Welchen Einfluss dies beim Streuvorgang hat, wurde in 89 Streutests in einer speziellen Düngerstreuhalle in Horsens (Dänemark) geprüft. Die Ergebnisse der chemischen Analyse der in Wiegezellen aufgefangenen Düngerproben belegen, dass eine optimale Querverteilung der Düngermenge nicht immer mit einer gleichmäßigen Verteilung der Nährstoffe einhergeht. Dies ist insbesondere dann von Bedeutung, wenn sich die durchschnittliche Korngröße der Einzeldünger stark unterscheidet.
Für die Entwicklung der App-Algorithmen zur Erkennung der Einzelkomponenten wurden mehr als 6.000 Düngerfotos mit einem Spiegelreflexkamerasystem aufgenommen und vom Projektpartner iotec GmbH anhand optischer Merkmale (Farbe, Textur und Form der Körner) mathematisch analysiert. Die daraus erstellten, statistischen Modelle ermöglichten es, Dünger anhand ihrer Merkmale in über 80 % der Fälle voneinander zu unterscheiden. Neben klassischen Verfahren des maschinellen Lernens (Random Forests, Support Vektor Maschines) wurden auch Methoden aus dem Bereich des Deep Learning (Convolutional Neural Nets) trainiert. Auf dieser Basis erfolgte der erste Test der App unter Feldbedingungen im Jahr 2019. Die Querverteilung der Dünger wurde dabei per Smartphone (siehe Abbildung 1), Spiegelreflexkamera und im Labor analysierter Düngerproben erfasst.