In plaats van data op te sluiten in robots of propriëtaire platforms, worden beelden opgeslagen in door boeren beheerde eVaults in een open, machineleesbaar formaat. Zo blijven eigenaarschap, toegangsbeheer en herkomst bij de boer, terwijl datasets vindbaar en herbruikbaar zijn over gewassen, bodemtypes en groeistadia. Deze gedecentraliseerde opzet vormt een krachtige waardeketen voor AI-training: boeren en robotbedrijven kunnen kiezen uit diverse datasets en modellen; AI-ontwikkelaars trainen nauwkeurigere modellen; bijdragers worden erkend en in de toekomst gecompenseerd.

Wij zullen (i) een gedeelde bibliotheek opbouwen (~10.000 beelden van 3–5 gewassen, 10 onkruiden/ziekten, 2 bodemtypes), (ii) apps leveren voor kaartgebaseerd zoeken, annotatie en reputatie, (iii) adapters ontwikkelen voor robots en (iv) modellen trainen en benchmarken tot 95% veldnauwkeurigheid. Het project telt 9 werkpakketten: projectmanagement, versterking W3DS, adapters, applicaties, hergebruik van bestaande data, nieuwe veldbeelden, collaboratieve annotatie, modeltraining/benchmarking en disseminatie/opschaling. Het resultaat is een open, gedecentraliseerd AI-ecosysteem dat onkruidbestrijding effectiever maakt, de afhankelijkheid van chemie vermindert, biodiversiteit en bodem-/waterkwaliteit versterkt en robotica schaalbaar en betaalbaar maakt voor de Nederlandse landbouw.

Beoogde resultaten

Het project zal de volgende concrete resultaten en verwezenlijkingen opleveren:

Telers-gecontroleerd data-eigenaarschap - Alle beelden die door robots worden verzameld, worden opgeslagen in eVaults die eigendom zijn van de telers. Dit garandeert dat telers de juridische en praktische eigenaars blijven van hun beeldmateriaal, in plaats van dat de data opgesloten blijft in de systemen van robotleveranciers.
Gedeelde bibliotheek van beelden en modellen - Een grote collectie van zo'n 10.000 onkruidafbeeldingen (nieuw en historisch) van 3-5 gewassen en 10 onkruidsoorten, verspreid over 2 veelvoorkomende bodemtypen in Noord-Holland. Deze afbeeldingen zullen beschikbaar zijn voor alle belanghebbenden in eVaults, verrijkt met metadata en kwaliteitsscores, samen met een bibliotheek met AI-modellen die tijdens het project zijn getraind en gebenchmarkt. Dit stelt boeren in staat de meest geschikte datasets en modellen te selecteren voor effectief gebruik in een specifiek gebied en voor een specifiek gewastype.
Gebruikersapplicaties - Krachtige applicaties worden geleverd voor dagelijks gebruik: - een kaartgebaseerde representatie-app om beelden en annotaties te verkennen met filters (gewassen, bodems, groeistadia, reputatie, enz.), - annotatietools (desktop & mobiel) voor efficiënt labelen, - zoek- en beoordelingsinterfaces om datasets en modellen te vinden en te evalueren.
Annotatie-eigenaarschap en herkomst - Annotaties die tijdens het project worden gemaakt, worden opgeslagen in de eVaults van de annotatoren (telers, studenten, onderzoekers). Ze worden cryptografisch ondertekend, wat duidelijke herkomst en verantwoordelijkheid van bijdragen waarborgt.
Collaboratieve annotatieworkflows - Telers, studenten en onderzoekers annoteren en valideren gezamenlijk beelden, wat resulteert in ongeveer 10.000 hoogwaardige geannoteerde beelden met herkomst- en reputatiescores.
Interoperabel AI-trainings-ecosysteem - Beelden die in eVaults zijn opgeslagen, kunnen direct worden gekoppeld aan verschillende AI-trainingsomgevingen zoals YOLO, RoboFlow en anderen. Dit stelt boeren, AI-ontwikkelaars en robotbedrijven in staat dezelfde datasets te gebruiken in meerdere systemen zonder duplicatie.
Verbeterde nauwkeurigheid van onkruiddetectie - Gedeelde data en collaboratieve AI-training verhogen de herkenningsnauwkeurigheid van ~90% naar ~95%, waardoor de totale effectiviteit van onkruidverwijdering in echte veldomstandigheden stijgt van ~60–80% naar ~90%.
Reputatie- en transparantiesysteem - Alle bijdragen (beelden, annotaties, modellen) bevatten metadata en reputatiescores, wat vertrouwen en verantwoording tussen stakeholders creëert.
Basis voor nieuwe verdienmodellen - Telers en annotatoren kunnen worden gecompenseerd wanneer hun data wordt hergebruikt, robotbedrijven en AI-ontwikkelaars krijgen sneller toegang tot hoogwaardige modellen en het ecosysteem als geheel profiteert van lagere kosten en betere prestaties.
Impuls voor het innovatie-ecosysteem - De demonstratie van deze gedecentraliseerde aanpak zal een sterke impuls geven aan de ontwikkeling van betere AI-modellen en robotoplossingen. Boeren behalen hogere opbrengsten en nieuwe inkomenskansen, robotbedrijven kunnen de hardware-innovatie versnellen en AI-ontwikkelaars krijgen toegang tot diverse, hoogwaardige trainingsdata.
Langetermijnimpact op duurzaamheid - Minder gebruik van herbiciden zal direct de watervervuiling verminderen en biodiversiteitsherstel ondersteunen, terwijl lichte elektrische robots de uitstoot van broeikasgassen verlagen en de klimaatbestendigheid van landbouwsystemen verbeteren.

W3DS voor AI onkruidbestrijding

Projectstatus

Lopend

Looptijd

Regio

Noord-Holland

Thema

Onkruidbestrijding, robots

Projectregeling

EIP Noord-Holland 2025