Beoogde resultaten

Ontwikkeling en praktijkvalidatie van AI-algoritmen voor abiotische plantstress - Een kernresultaat van dit project is de ontwikkeling van reeds als eerste prototypen bestaande AI-algoritmen voor detectie van abiotische stress – zoals droogte, nutriëntentekorten en watergift – naar een praktijkrijpe, robuuste toepassing. De algoritmen worden niet alleen geoptimaliseerd, maar ook getraind en gevalideerd met realworld data die afkomstig is van meerdere praktijklocaties met verschillende rassen en teeltomstandigheden. Hierdoor ontstaat een bewezen, generaliseerbaar detectiesysteem dat al in het vroege stressstadium (vóór visuele symptomen) waarschuwingssignalen geeft en telers in staat stelt preventieve acties te ondernemen.
Ontwikkeling van AI-modellen voor biotische stressherkenning - Parallel aan het abiotische traject wordt binnen dit project gewerkt aan het ontwikkelen van AI-modellen voor herkenning van biotische stressfactoren, zoals meeldauw, trips en luizen. Via gecontroleerde besmettingstoetsen worden elektrofysiologische plantreacties verzameld, gelabeld en gebruikt voor training van nieuwe algoritmen. Deze modellen moeten uiteindelijk in staat zijn om ziekten en plagen te detecteren ruim voordat zichtbare symptomen optreden. Het eindresultaat is een eerste, werkende versie van een AI-systeem dat de aanwezigheid van specifieke ziektebeelden realtime signaleert.
Integratie met bestaande teelt- en klimaatsystemen via open API - De AI-algoritmen en plantfeedbacksystemen worden gekoppeld aan bestaande kasautomatisering via open API’s. Dit resulteert in directe aansturing van irrigatie-, klimaat- of voedingssystemen op basis van signalen die de plant zelf afgeeft. Hiermee ontstaat een nieuwe vorm van autonome teeltsturing waarbij de plantbehoefte leidend is voor teeltinterventie, zonder afhankelijkheid van menselijke interpretatie of handmatige scouting. De interoperabiliteit met systemen zoals Priva of Hoogendoorn vergroot de toepasbaarheid in de bestaande markt.
Valideerbare inputreductie en opbrengstverbetering in de praktijk - Het project beoogt aantoonbare inputbesparing op water, meststoffen en gewasbeschermingsmiddelen (tot 20%) én opbrengstverhoging (tot 10%) te realiseren bij telers die deelnemen aan de pilot. Door realtime te meten wat een plant daadwerkelijk nodig heeft en gerichter te interveniëren, worden middelen efficiënter ingezet en verliezen beperkt. Tegelijkertijd wordt het energieverbruik verlaagd, doordat onnodige belichting, koeling of verwarming wordt voorkomen.
Validatie op drie verschillende teeltlocaties in commerciële setting - Alle innovaties worden gedurende het project getest in operationele teelten van drie verschillende telers, met uiteenlopende teeltstrategieën. Deze praktijkvalidatie zorgt ervoor dat de technologie niet alleen theoretisch, maar ook onder realistische omstandigheden functioneert. De feedback van telers wordt continu verzameld om de technologie iteratief te verbeteren. De veldproeven vormen bovendien de basis voor bredere adoptie en certificeringstrajecten.
Strategische voorbereiding voor opschaling en marktintroductie - Het project levert een volledig marktklaar product op, inclusief sensortechnologie, software, API-koppelingen en gebruikersinterface. Ook wordt een adoptie- en businessmodel geformuleerd waarmee de technologie breed uitgerold kan worden in de Nederlandse en Europese tuinbouwsector. De technologie wordt modulair opgebouwd, zodat toekomstige uitbreiding naar andere gewassen en sectoren eenvoudig mogelijk is.

Autonome, AI-gestuurde gewassturing op basis van elektrofysiologische plantsignalen

Projectstatus

Lopend

Looptijd

Regio

Nederland

Thema

Sensoren, AI

Projectregeling

EIP Algemeen 2025