AI detecteert knolcyperus op dronebeelden, maar nog niet in elke teelt

Artificiële intelligentie en drones worden steeds vaker genoemd als hulpmiddel in de landbouw, maar hoe bruikbaar zijn ze vandaag in de praktijk? Binnen een onderzoeksproject rond automatische onkruidherkenning onderzochten Proef- en Vormingscentrum voor de Landbouw (PVL), VITO en Hooibeekhoeve of knolcyperus automatisch kan worden opgespoord met dronebeelden en slimme beeldanalyse. Het doel is landbouwers te ondersteunen bij een snellere detectie van beginnende haarden, zodat gerichter kan worden ingegrepen.

Knolcyperus is al jaren een hardnekkig probleem op Belgische landbouwpercelen. De bestrijding is complex en het aantal toegelaten middelen neemt af, terwijl het onkruid ook teeltbeperkingen kan veroorzaken. Daardoor verschuift de aandacht steeds meer naar preventie en vroege opsporing. In de praktijk vraagt dat echter veel veldcontrole en kunnen kleine haarden gemakkelijk over het hoofd worden gezien. Automatische herkenning via drones moet helpen om percelen sneller en systematischer te screenen.

Binnen het project werden dronebeelden verzameld en geanalyseerd via het dataplatform Mapeo. De drones vlogen op ongeveer tien meter hoogte, waardoor beelden met een zeer hoge resolutie konden worden gemaakt. Die detailgraad is nodig om knolcyperus visueel te onderscheiden van andere vegetatie. Duizenden kleine beeldfragmenten werden vervolgens manueel gelabeld als ‘wel’ of ‘geen knolcyperus’, zodat een algoritme kon worden getraind om het onkruid automatisch te herkennen.
De eerste resultaten in 2023 waren veelbelovend. Onder gunstige weersomstandigheden en met kwalitatieve beelden behaalde het model een nauwkeurigheid van ongeveer 92%. Daarbij werd wel vastgesteld dat de detectie later in het seizoen minder betrouwbaar werd, mogelijk door veranderingen in gewasontwikkeling en het beperkte aantal trainingsbeelden uit die periode.

Het natte groeiseizoen van 2024 maakte duidelijk hoe gevoelig zulke modellen zijn voor variaties in beeldkwaliteit en omgevingsomstandigheden. Door de donkere en minder uniforme beelden daalde de betrouwbaarheid wanneer het model werd toegepast op andere datasets. Bovendien bleek detectie in zwaardekkende teelten zoals grasland en granen voorlopig niet haalbaar, omdat het gewas de knolcyperus te sterk bedekt. In 2025 werden de bestaande modellen opnieuw getest met nieuwe beelden van onder meer maïs, aardappelen en braakpercelen. Wanneer de omstandigheden vergelijkbaar waren met 2023, bleven de resultaten opnieuw stabiel.

De proeven tonen aan dat automatische herkenning van knolcyperus technisch mogelijk is, maar sterk afhankelijk blijft van factoren zoals weersomstandigheden, lichtinval, perceelkenmerken en gewastype. Vooral in open teelten zoals maïs en aardappelen kan de technologie bruikbaar zijn, terwijl detectie in dichte gewassen voorlopig moeilijk blijft.