FRAVEBOT

Digital twin van de kas · synthetische trainingsdata voor gewas- en navigatie-AI

Dankzij de digital twin is Scout eerder inzetbaar in uw kas.

We bouwen een fotorealistische kopie van uw kas: buisrails, leidingen, gewas, mensen, wagens en belichting. Daar trainen de modellen van de robot eerst op. Zo zijn bij een nieuwe kas, een nieuw ras of een zeldzame ziekte geen maanden nodig om foto’s te verzamelen en te annoteren.

DE DIGITAL TWIN IN 57 SECONDEN · Digital twins van een tomaten- en een paprikakas: plantdetails, daglicht en ledlicht, synthetische scènes voor navigatie, en modellen die alleen op renders zijn getraind en op echte robotvideo zijn getest.
Klaar vanaf dag éénmodellen getraind voordat de robot arriveert
Geen handmatig annotatiewerkelk object krijgt een exacte contour
Werkt onder uw ledsgetraind op uw lichtrecept
Ook zeldzame gevallenzeldzame ziekten en situaties, nagebootst in de digital twin

Gebaseerd op uw kas

Uw gewas, uw licht, uw rails

We bouwen de digital twin op basis van foto’s en video’s van uw eigen kas. Zo leren de modellen met beelden van wat de robot daadwerkelijk zal zien.

Dezelfde tomatenscène bij daglicht en met twee tuinbouw-lichtrecepten met leds
RENDER · Dezelfde scène bij daglicht en met twee ledlichtrecepten, bij gelijke lichtintensiteit op het gewas.

Daglicht of led, dezelfde scène

Tuinbouw-leds combineren rood, blauw, wit en verrood licht. Die verhouding verandert gedurende de dag. We renderen het gewas onder elk lichtrecept en houden rekening met de kleurgevoeligheid van de camera van de robot. Zo zijn de modellen al aan uw belichting aangepast voordat de robot arriveert.

Render van de kop van een tomatenplant en een close-up van de harige stengel
RENDER · De kop van een tomatenplant en een close-up van de gemodelleerde stengelharen.

Tot aan de haren op de stengel

Planten groeien langs het teelttouw omhoog en vormen trossen die zich van bloem tot rijpe vrucht ontwikkelen. Vruchtkleuren, bladeren en stengelstructuren zijn gebaseerd op echte, geannoteerde foto’s. Zelfs de stengelharen zijn gemodelleerd, omdat die beïnvloeden hoe de camera de stengel ziet.

Render van de paprikakas met Scout op het hoofdpad en paprika’s op dubbele goten
RENDER · Een digital twin van een paprikakas, met paprika’s op dubbele goten.

Ook voor paprika

Dezelfde code, een ander gewas: dubbele goten, twee stengels per plant en planten tot ongeveer 3,5 m hoog. De buisrails worden op de spoorbreedte van uw kas gemodelleerd. De paprikavruchten zijn gebaseerd op een 3D-scan van echte paprika’s. De groene stinkwants (Nezara) kan in alle ontwikkelingsstadia worden geplaatst.

Werkt het op echte foto’s?

Getraind op renders, getest in de kas

We trainen met beelden uit de digital twin en testen op echte robotfoto’s van andere dagen. Een model dat nog nooit een echte foto heeft gezien, herkent al beton, buisrails, vruchten en stengels. Met een beperkte aanvulling van echte foto’s worden de resultaten nog beter.

Tomatendetecties op echte kasfoto’s door een model dat uitsluitend op synthetische beelden is getraind; witte contouren zijn handmatige annotaties
ECHT · Vruchtdetectie op echte foto’s door een model dat nog nooit een echte foto heeft gezien. Witte contouren: handmatige annotaties.
Een hurkende medewerker en een kartonnen doos, gedetecteerd in een echte video uit de kas van Čerstvě utrženo
ECHT · De navigatiecamera van de robot in een echte kas. De medewerker en de doos worden gevonden door een model dat alleen op renders is getraind.
Wat het model herkent op echte foto’sAlleen getraind op rendersRenders + enkele echte foto’s
Beton van het hoofdpad0.870.95
Buisrail voor de robot0.800.90
Lege rij0.750.97
Tomatenvruchten0.870.94
Stengel bij de kop van de plant0.780.95

Scores van 0 tot 1: bij 1 wordt alles gevonden en omlijnd zoals een mens dat zou doen.

Paprikablad gefotografeerd met een telefoon en vrijstaand gemaakt in Capture FRAVEBOT Capture · capture.fravebot.com Echte foto’s van de telefoons van uw team De digital twin is één bron van trainingsdata; Capture is de andere. Capture breidt onze datasets uit met foto’s van plekken waar Scout niet komt: foto’s die uw medewerkers met hun telefoon maken, worden gecontroleerd en gelabeld en vervolgens toegevoegd aan de datasets waarop de modellen van Scout worden getraind, zodat Scout steeds beter wordt. Voor uw team is het ook een determinatietool, met binnen enkele seconden een antwoord. Bekijk hoe Capture werkt →

Navigatie

Navigatie, geoefend in de digital twin

In een echte kas komt de robot een emmer aan het einde van een rij tegen, een oogstwagen of een medewerker die bij de planten knielt. In de digital twin bereiden we zulke scenario’s in allerlei aantallen en varianten voor. Ook Scout zelf rijdt er als fysisch model, met zijn werkelijke gewicht, aandrijving en buisrailrollen. Zo testen we hoe hij draait, het hoofdpad verlaat en op de verwarmingsbuizen rijdt, voordat hij uw kas inrijdt.

Synthetische beelden van de navigatiecamera van de robot: emmers aan de rijuiteinden, medewerkers op het pad, een medewerker die naast een rij knielt en een medewerker die bij dozen hurkt
RENDER · Renders vanuit de navigatiecamera, ongeveer 20 cm boven het beton: emmers, medewerkers op het pad, een medewerker die naast een rij knielt en een medewerker die bij dozen hurkt.
SIMULATIE · Alleen fysische simulatie, niets met de hand geanimeerd: Scout draait van het betonnen hoofdpad af en de rollen lijnen hem vanzelf uit met de rij. Digital twin van de kas van Čerstvě utrženo.

Waar de grenzen liggen

  • Echte foto’s helpen nog steeds. Alle bovenstaande resultaten worden beter wanneer we echte, handmatig geannoteerde beelden toevoegen.
  • Bladstelen en teelttouw zijn nog niet betrouwbaar te herkennen met alleen renders. Ook na toevoeging van echte foto’s blijven de resultaten zwak.
  • Ledspectra zijn voorlopig gemodelleerd op basis van de beschrijvingen van de fabrikanten en worden later vervangen door spectrometermetingen.
  • De digital twin verkort de kalibratietijd voor een nieuw gewas of ras, maar maakt die niet overbodig.

Volgende stappen

  • De digital twin vergelijkt de dagelijkse foto’s van de robot met zijn eigen renders en past zichzelf aan op basis van de actuele toestand van uw gewas.
  • Navigatiemodellen die op deze scenario’s zijn getraind, bepalen of de robot om een object heen rijdt, wacht of stopt en melden dat.
  • Zeldzame ziekten en plagen worden nagebootst voordat ze in uw kas opduiken.
Render van de digital twin van de tomatenkas
Praktijkverhalen · 20 nov. 2026 · Vratislav Beneš Een digital twin van de kas: van enkele planten in Omniverse tot een complete kas in Blender Hoe we het hebben gebouwd, waarom het drie jaar geleden onmogelijk was en waar echte beelden nog steeds helpen. Lees het volledige verhaal →

Stuur ons foto’s van uw kas

Een paar foto’s en een korte video van uw rijen, hoofdpad en verlichting zijn voldoende om te beginnen met uw digital twin.

Vraag uw Scout aan