FRAVEBOT

Gewasregistratie

Geautomatiseerde fenotypering en ruimtelijke data-analyse in productiekassen

6 maart 2026 · Vratislav Beneš

In de moderne precisietuinbouw is gewasregistratie de standaard om de plantgezondheid te volgen. Traditionele handmatige metingen beperken zich echter meestal tot een representatieve steekproef: minder dan 0,1% van alle planten. Deze heuristische aanpak is gevoelig voor steekproefvertekening en brengt de grote ruimtelijke verschillen tussen microklimaten in de kas niet volledig in beeld.

Het FRAVEBOT-platform maakt de overstap van steekproeven naar metingen aan alle planten. Ons doel is een doorlopende biometrische tijdreeks met hoge resolutie voor elke afzonderlijke plant in de kas.

Een tomatenstengel gedetecteerd door Scout, met internodelengte en stengeldiameter boven en onder de knoop, gemeten in millimeters
Internodelengte en stengeldiameter van één plant, gemeten op beelden van Scout.

1. Mechanische stabiliteit en data-acquisitie

De betrouwbaarheid van digitale metingen in beweging houdt rechtstreeks verband met de vermindering van mechanische trillingen.

  • Chassisdynamiek: Het platform weegt 230 kg, met het zwaartepunt 15 cm boven de buisrails. Dankzij de hoge massatraagheid en het lage zwaartepunt zijn rol- en stampbewegingen minimaal. Zo blijven de beelden scherp bij rijsnelheden tot 2 m/s.
  • Sensorconfiguratie: Aan elke kant gebruiken we 10 vaste cameramodules met verticale overlap. Die meerlaagse opstelling maakt reconstructie van het volledige verticale plantprofiel mogelijk zonder de sensoren mechanisch te verplaatsen. Dat verlengt de gemiddelde tijd tussen storingen (MTBF) aanzienlijk.

2. Lokalisatie en “tijdschaalanalyse”

Om biometrische veranderingen door de tijd te valideren, zoals de dagelijkse verandering in kopdikte, moet steeds exact dezelfde positie worden gemeten.

  • Sensorfusie: We integreren RTK-GNSS (globale nauwkeurigheid op centimeterniveau) met snelle incrementele wielencoders (lokale resolutie op millimeterniveau).
  • Uitlijning met het vaste coördinatenstelsel: Elke meting wordt gekoppeld aan een vast coördinatenstelsel van de kas. Daardoor kunnen we dezelfde plant op verschillende momenten nauwkeurig vergelijken zonder dat positieverschillen de analyse verstoren: onze ‘tijdschaalanalyse’.

3. Databeheer en edge-architectuur

Beeldopname met hoge resolutie via 20 camera’s levert een grote datastroom op: tot 18 TB per 24 uur.

  • Rekenkracht aan boord: De NVIDIA DGX Spark voert primaire beeldanalyse en sequentiecompressie rechtstreeks op het platform uit om de transmissiebelasting te verminderen.
  • 60 GHz draadloze backbone: De gegevensoverdracht naar het centrale knooppunt in de kas loopt via 60 GHz-peer-to-peerverbindingen van MikroTik. Die bieden een doorvoersnelheid die glasvezel benadert en vermijden de drukte die in industriële omgevingen op de 2,4- en 5 GHz-banden gebruikelijk is.

4. Huidige biometrische gegevens (vegetatief)

Het systeem valideert en exporteert momenteel de volgende parameters voor tomaten-, paprika- en komkommergewassen:

  • Kopdikte: De stengeldiameter vlak bij de kop, een belangrijke indicator voor de vegetatieve/generatieve balans.
  • Internodelengtes: Afstand tussen de knopen om de groeidynamiek en groeikracht te analyseren.
  • Hoogteprofiel: Doorlopend de verticale groei volgen in de hele kas.

5. Generatieve kenmerken: bloemen tellen en classificeren

De volgende fase richt zich op de generatieve ontwikkeling. We voeren automatische bloemdetectie in om het voortplantingspotentieel van het gewas te volgen:

  • Geautomatiseerd tellen: Elke bloemtros en elke afzonderlijke bloem in de hele kas herkennen.
  • Fenologische classificatie: Bloemen indelen naar ontwikkelingsstadium, bijvoorbeeld knop, anthese/volle bloei en na de bloei/verwelking.
  • Bestuivingssucces volgen: Door de overgang van bloem naar vruchtzetting te volgen, krijgen telers realtime inzicht in het bestuivingsresultaat en de potentiële vruchtbelasting.

6. R&D-roadmap: LAI voorspellen met behulp van NeRF

De bladoppervlakte-index (LAI) meten in een dicht gewas is lastig, doordat bladeren elkaar sterk afdekken. Onze ontwikkelplanning voor 2026 omvat een model om de LAI te voorspellen:

  • Volumetrische 3D-reconstructie: We gebruiken NeRF (Neural Radiance Fields) om 3D-scènes uit stereocameragegevens te synthetiseren en complexe bladerstructuren te modelleren.
  • Vergelijking met referentiemetingen: Het model leert verbanden leggen tussen de volumetrische 3D-data van de robot en referentiegegevens die deskundigen handmatig verzamelen.
  • Statistische schatting: Het systeem zal op basis van de 3D-plantstructuur een zeer nauwkeurige statistische schatting van de totale LAI geven.

7. Teeltkundige waarde en oogstprognoses

Het uiteindelijke doel van monitoring van alle planten is een oogstprognose voor zes weken of langer vooruit. Door vegetatieve groeikracht (kopdikte) te combineren met generatieve gegevens (bloemclassificatie), maken we het volgende mogelijk:

  • Lokale afwijkingen detecteren: Realtime identificatie van stresszones.
  • Gestandaardiseerde gewasregistratie: Handmatige logboeken vervangen door geautomatiseerde, objectieve rapporten.
  • Precisielogistiek: Het integreren van gegevens over de bloeifase in groeimodellen zorgt voor de meest nauwkeurige oogstplanning in de sector.
In het productGewasregistratie Bekijk hoe het werkt →

Meer praktijkverhalen

Alle artikelen →
20 nov. 2026 · FRAVEye De volgende generatie FRAVEye: wat we hebben veranderd en waarom Dominik KoníčekLees het artikel → Gerenderde digital twin van een hogedraad-tomatenkas met de Scout-robot 20 nov. 2026 · Technologie Een digital twin van de kas: van enkele planten in Omniverse tot een complete kas in Blender Vratislav BenešLees het artikel → 4 november 2025 · FRAVEye FRAVEye bij GreenCoop: een seizoen lang plagen en natuurlijke vijanden in beeld FRAVEBOT-teamLees het artikel →