Automatische onkruidherkenning van knolcyperus
Kan artificiële intelligentie (AI) landbouwers helpen in de strijd tegen een van de hardnekkigste onkruiden? Wat een vijftal jaren geleden nog toekomstmuziek leek, krijgt vandaag steeds meer vorm op het veld. Met behulp van drones en slimme beeldanalyse werken praktijkcentra en onderzoeksinstellingen aan een systeem dat knolcyperus automatisch detecteert. Hoe robuust is die technologie?
Knolcyperus rukt al decennia op als invasieve exoot en is intussen een van de meest problematische onkruiden op Belgische landbouwpercelen. De bestrijding ervan is complex, het aantal toegelaten middelen daalt, en het lastige kruid heeft ook teeltbeperkingen als gevolg. Daardoor verschuift de focus steeds meer naar preventie en vroege detectie, maar in de praktijk is dit vaak arbeidsintensief en kunnen beginnende haarden over het hoofd worden gezien. Vanuit die uitdaging sloegen het Proef- en Vormingscentrum voor de Landbouw (PVL), de Vlaamse Instelling voor Technologisch Onderzoek (VITO), de Hooibeekhoeve en de Vlaamse overheid de handen in elkaar in het project ’Automatische onkruidherkenning ter optimalisatie van landbouwteelten’. Het doel van het project is een betrouwbaar model ontwikkelen dat knolcyperus automatisch herkent op dronebeelden, en dat zo landbouwers ondersteunt bij preventie en gerichte bestrijding.
Van dronebeeld tot detectie
Binnen dit project werd gewerkt met het dronegebaseerde dataplatform Mapeo, waarop beelden worden geanalyseerd en modellen worden getraind om knolcyperus automatisch te herkennen. Voor de opbouw van het detectiemodel werden gedurende de eerste 2 jaar van het project meerdere dronevluchten uitgevoerd: in het voorjaar, de zomer en het najaar. Er werd gevlogen op een hoogte van ongeveer 10 m, goed voor een resolutie van circa 1 mm. Die hoge nauwkeurigheid is essentieel om knolcyperus visueel te onderscheiden van andere vegetatie en om het model gericht te kunnen trainen.
Door die combinatie van een zeer hoge resolutie en een groot aantal beelden liep het datavolume echter snel op. Daarom werd bij de start van het project bewust gekozen om met niet-overlappende beelden te werken. Zo bleef de dataset beheersbaar en konden de beelden efficiënt worden verwerkt op een standaardcomputer, zonder in te boeten aan bruikbaarheid voor modeltraining. De verzamelde beelden werden vervolgens manueel aangeduid: duizenden kleine beeldsegmenten kregen een label ‘wel knolcyperus’ of ‘geen knolcyperus’.
Drie jaar leren
Het project kende een veelbelovende start in 2023. Goede weersomstandigheden leverden kwalitatieve dronebeelden op, wat resulteerde in een model met een validatienauwkeurigheid van 92%. Wel werd vastgesteld dat latere vluchten in het seizoen minder accuraat waren, mogelijk door veranderingen in gewasontwikkeling en door minder beschikbare trainingsdata. Tegelijk riep dit eerste projectjaar nieuwe vragen op: hoe betrouwbaar is detectie op beelden na de oogst, en wat is het optimale moment in het seizoen om te vliegen met drones?
In 2024 gooiden de weersomstandigheden roet in het eten. Door het natte weer waren de beelden donkerder en minder homogeen. Gewassen ontwikkelden zich anders, en knolcyperus vertoonde een atypisch uiterlijk. Het model dat op deze beelden werd getraind, behaalde 89% validatie op eigen data, maar zakte tot 58% wanneer het werd toegepast op beelden uit 2023. Dit onderstreept hoe gevoelig AI-modellen zijn voor variatie in beeldkwaliteit en voor omgevingsfactoren. Daarnaast werd duidelijk dat herkenning in zwaardekkende teelten (zoals grasland en granen) niet haalbaar is: het gewas bedekt de knolcyperus namelijk te sterk.
In 2025 werden geen nieuwe modellen opgebouwd, maar bestaande modellen werden opnieuw gevalideerd op nieuwe beelden van onder meer maïs, aardappelen en braak. Dankzij gunstige weersomstandigheden, vergelijkbaar met die van 2023, waren deze beelden opnieuw van hoge kwaliteit en werkte het herkenningsmodel van 2023 gelijkaardig op de beelden van 2025.
Wat bepaalt het succes?
De resultaten tonen duidelijk aan dat weersomstandigheden en perceelskenmerken een grote impact hebben op de betrouwbaarheid van automatische detectie. Variaties in licht, bodemkleur en gewasontwikkeling beïnvloeden de beeldkwaliteit en dus ook de modelprestaties. Daarnaast vormen zwaar veronkruide percelen een extra uitdaging, zeker wanneer er grasachtige onkruiden aanwezig zijn. Die lijken visueel sterk op knolcyperus en ver-hogen de kans op foutieve detectie. Belangrijk is ook dat de techniek momenteel enkel toepasbaar is in niet-zwaardekkende teelten, zoals maïs en aard-appelen.
Automatische herkenning van knolcyperus is vandaag de dag dus technisch haalbaar, maar enkel onder de juiste omstandigheden van gewas, perceel en weer.
Van onderzoek naar praktijk
De toepassing van deze technologie blijft niet beperkt tot onderzoekscontexten. Intussen is de aanpak opgenomen in de Kennisportefeuille van de Vlaamse overheid als preventieve maatregel. Concreet kunnen landbouwers een dronevlucht aanvragen via een onafhankelijk onderzoeksinstituut (zoals PVL), dat een afgeschermde Mapeo-omgeving beheert. De beelden worden verwerkt en geanalyseerd, waarna de landbouwer een rapport ontvangt met detectieresultaten en gericht advies. De privacy blijft hierbij gewaarborgd: gegevens worden enkel gebruikt voor analyse en kunnen nadien worden verwijderd.
Kostprijs
De richtprijs voor een aanvraag met bijbehorende advisering bedraagt circa 410 euro/ha, bij beeldmateriaal met een resolutie van 2 mm, exclusief de inzet van een dronepiloot. Actieve Vlaamse landbouwers kunnen via de Kennisportefeuille (www.lv.vlaanderen.be/steun/vorming-en-advies/kennisportefeuille) tot 70% van dit bedrag laten subsidiëren (met een maximum van 2.000 euro in 2026). Daardoor daalt de effectieve kostprijs tot ongeveer 123 euro/ha, eveneens exclusief dronepiloot en exclusief btw.
De operationele kosten voor de dronevlucht zelf zijn afhankelijk van de schaalgrootte: naarmate een groter aaneengesloten areaal wordt gevlogen, daalt de kostprijs per hectare door een efficiëntere spreiding van vaste opstart- en verplaatsingskosten.
Besluit
Automatische onkruidherkenning van knolcyperus is geen fictie meer, maar evenmin een wonder-oplossing. De technologie biedt een duidelijke meerwaarde voor gerichte detectie en preventie van knolcyperus, maar blijft afhankelijk van omgevingsfactoren en teeltomstandigheden. Voor landbouwers betekent dit vooral een bijkomende tool in hun gereedschapskist: een die, indien ze correct wordt ingezet, kan bijdragen aan een efficiëntere en duurzamere onkruidbestrijding.
