Klein kruiskruid detectie

Klein kruiskruid is een hardnekkig onkruid dat in een korte tijd grote bossen vormt en zich sterk verspreidt.

Kan iemand mij helpen met de elektronica om een robot te maken die de kleine plantjes detecteert?

Allicht even kijken bij het FarmBot ontwerp?

Dit lijkt me een ideale taak voor beeldherkenning met "edge AI". Dat is een categorie neurale netwerken die zich goed op kleine computertjes zoals een Raspberry Pi laat draaien nadat je hem getraind hebt.

[Bericht gewijzigd door maartenbakker op (12%)]

Al die kleine plantjes bijtijds herkennen en ze dan weghalen ( zonder chemie )
kan overwoekering van een perceel voorkomen.
Is "edge AI " jouw kennisgebied?

[Bericht gewijzigd door m.bouwer op (23%)]

Dat lijkt me nog niet zo eenvoudig...
Deze video laat zien wat er bij komt kijken: https://www.youtube.com/watch?v=FX6DyORafuk
Een bepaald koffiekopje met vaste afmetingen leren herkennen vraagt al aardig wat werk en kennis.
Om een specifieke plant te vinden, in verschillende groeistadia, en tussen allerlei andere planten lijkt me een megaklus van veel complexere orde, of misschien vooral rekenkracht en geheugen.

Het probleem vind ik wel interessant. Met een vriendje die allerlei vliegende objecten bouwt filosofeerden we of je er vervelende flitscamera's mee kan detecteren. Helicoptertje laat je in de buurt er een rondje omheen vliegen, hij herkent het ding in zijn omgeving en met een spuitmondje moet hij er dan automatisch verf opspuiten.

Anderzijds: voor plantherkenning is Google Lens op telefoon aardig succesvol. Ergens lijkt het herken-werk al kant en klaar beschikbaar.

Ik ben geen Edge AI expert, maar theoretisch is dat een typische toepassing daarvan. Het trainen dat veel tijd en stroom kost, doe je niet op de Raspebrry Pi zelf maar op een PC of in de cloud.

Maar spog2 heeft gelijk, het is er al. Ik denk dat Google Lens goed bruikbaar kan zijn en ik herinner me dat er mobiele apps zijn die planten herkennen en dan een naam en eventueel advies geven. Waarschijnlijk is dat ook een toepassing van Edge AI of Cloud AI. Misschien is er dan met een scriptje op de telefoon dat een bepaalde handeling triggert bij herkenning, wat te doen.

Je zou kunnen kijken of je met zo'n app wat kunt.

Die software is maar de helft. Je moet ook nog een autonoom rondrijdende onkruidtrekkende robot ontwikkelen, (rondrijdende robot met autonoom werkende robot arm.) Die altijd een vastgelegd traject aflegt.

Hoeveel bouw/ontwikkel ervaring heb je, en hoeveel is je budget (gewoon grof geschat, komt niet op 1000euro)

Als de locatie alleen doorgegeven moet worden ipv ook laten uittrekken is het al iets makkelijker, mechanisch gezien. Maar nog steeds een klus voor een (dure) specialist.

Als je geluk hebt dan heeft deze plant eigenschappen die het onderscheiden makkelijker kan maken, maar dan moet je eerst onderzoek doen. Bijvoorbeeld, hoe ziet de plant er onder UV uit, of IR, komen er dan speciale bladpatronen naar boven? Of glimt de plant heel erg tov de rest, dan kun je iets met polarisatie proberen.

En waar zoek je tussen, is dat monocultuur of juist diverse plantjes?

EDIT: AI zegt:

For precision weed detection, the objective is to leverage the distinct spectral architecture of Senecio vulgaris (common groundsel) to differentiate it from cash crops or companion vegetation. Groundsel poses a notable contamination risk, especially in leafy green crops like rocket salad (Eruca sativa), making automated detection critical.

The hyperspectral workflows, critical band configurations, and machine learning integration required to isolate Senecio vulgaris in the field are detailed below.

1. Key Discriminatory WavebandsTo optimize a multispectral or subset-hyperspectral sensor (such as a 19-band or 16-band snapshot system), you should focus on bands that capture the physiological differences in pigment density and cellular structure between Senecio vulgaris and typical crops:Blue-Green Carotenoid/Anthocyanin Ratio (450&550 nm): Groundsel leaves often display a higher density of accessory pigments compared to dense crop canopies. Highly sensitive separating wavelengths sit around 475 nm and 515 nm. Chlorophyll Absorption Dips (670&680 nm): While most green vegetation absorbs here, the specific depth of the chlorophyll a valley near 675 nm varies according to leaf thickness and growth stage. The Red Edge Slope (700&750 nm): This is the most vital region for classification. Groundsel features a distinct, rapid shift in cell wall light-scattering compared to crops. Key target bands are 710 nm (early slope), 725 nm (inflection point), and 745 nm (transition to the NIR plateau).Internal Mesophyll Structure (850&950 nm): Near-infrared reflectance yields sharp differences based on leaf tissue thickness and intercellular air spaces. Groundsel leaves show a flattening NIR plateau at 915 nm that separates them clearly from broader leafy greens.

2. Tailored Vegetation Indices (VIs)Using standard indices like NDVI is excellent for separating vegetation from soil, but insufficient for species-to-species discrimination. Instead, deploy these highly targeting indices in your processing pipeline:Vegetation IndexFormula / Focus WavebandsPurpose in Weed DetectionNDRE (Normalized Difference Red Edge)\(\frac{R_{780}-R_{705}}{R_{780}+R_{705}}\)Capitalizes on minor differences in the red edge slope where crops and weeds diverge.PRI (Photochemical Reflectance Index)\(\frac{R_{531}-R_{570}}{R_{531}+R_{570}}\)Detects carotenoid pigment shifts, isolating the distinct light-use efficiency of Senecio.REP (Red Edge Position)Linear/Lagrangian interpolation between 670&760 nm Tracks the precise wavelength shift of the inflection point to separate broadleaf species.

3. Machine Learning Classification ArchitectureBecause the standalone spectral curves of groundsel and leafy crops can appear visually similar in raw format, pixel-wise classification requires robust machine learning classifiers:Background Masking: Utilize a basic NDVI + Otsu s global thresholding technique to instantly strip away soil, shadows, and plastic mulch.Dimensionality Reduction: Apply Principal Component Analysis (PCA) or successive projections algorithms (SPA) across your hyperspectral cube to isolate the 6&10 high-variance bands.Classification Models:Random Forest (RF): Consistently achieves 93% to 95% accuracy in weed discrimination by identifying morpho-spectral irregularities, handling imbalanced field data exceptionally well. Support Vector Machines (SVM): Best for real-time binary segmentation (Crop vs. Senecio) when utilizing narrowed, pre-selected wavebands.Spatial-Spectral CNNs (SS-CNN): If dealing with complex, overlapping canopies, deep learning models analyze both the pixel spectrum and the leaf edge shapes simultaneously.

[Fred101] Je moet ook nog een autonoom rondrijdende onkruidtrekkende robot ontwikkelen,

Je kunt ook aan bestrijding met hetelucht denken, alhoewel ik geen autonome robots zou vertrouwen met dat soort werk in deze droogte; teveel brandgevaar. Heb het bij iemand hier in de buurt met eigen ogen zien misgaan; gelukkig net niet uit de hand gelopen, maar ik was al naar binnen gegaan en had de brandblusser al gepakt; het kan snel uit de hand lopen.

Een andere optie is kokend water, mits er geen andere planten omheen staan die niet beschadigd mogen worden.

Dat klein kruiskruid is trouwens heel makkelijk handmatig uit te trekken, met wortel en al. Wat dat betreft is het één van de makkelijkste soorten onkruid, i.t.t. tot bijv. klaverzuring, hondsdraf of paardenbloemen.

Geen idee wat de toepassing van deze robot is; misschien dat er een aantal voetbalvelden bijgehouden moeten worden? De 1000m² tuin hier kan ik in elk geval prima met de hand schoonhouden. En zoals gezegd, klein kruiskruid is de minste van m'n problemen. (eigenlijk m'n lievelingsonkruid, omdat het zo makkelijk in z'n geheel te verwijderen is).

Benadski, zou je niet steeds LLM gegenereerde tekst hier neer kunnen zetten?

De kracht van CO is dat we echte mensen zijn, niet een LLM. Ik vind het zéér onwenselijk om CO daarmee te gaan vervuilen. Precies omdat als iemand de "mening" van een LLM wil hebben, dat die dat gewoon in google in kan tikken en het op een zilveren bordje toegereikt krijgt. CO moet menselijk blijven.

[Bericht gewijzigd door Ledlover op (31%)]

AI: "If you couldn't be bothered to write it, why should I be bothered to read it?"

Inderdaad irritant. AI-gegenereerde teksten lees ik zelf sowieso niet; da's automatisch doorscrollen. En de 'wall of text' maakt het nog makkelijker om het over te slaan.

Als je een robotarm als de ABB Flexpicker op een karretje zet met de juiste herkenningssoftware, kun je zeer snel werken... :)
Kan zeer snel en selectief dingen verplaatsen... : https://www.youtube.com/watch?v=v9oeOYMRvuQ

Op woensdag 24 juni 2026 13:47:53 schreef Ledlover:
Benadski, zou je niet steeds LLM gegenereerde tekst hier neer kunnen zetten?

De kracht van CO is dat we echte mensen zijn, niet een LLM. Ik vind het zéér onwenselijk om CO daarmee te gaan vervuilen. Precies omdat als iemand de "mening" van een LLM wil hebben, dat die dat gewoon in google in kan tikken en het op een zilveren bordje toegereikt krijgt. CO moet menselijk blijven.

Als het relevante informatie is zoals hier het geval is, dan ga ik het niet onthouden. Maar ik zal het voortaan wat beperken, dit is wel veel. Er zijn imho verschillen tussen slop en bruikbare info. Maar ik zet het er in ieder geval altijd bij zodat je het zelf kan overslaan. (Formatteren heb ik zojuist even gedaan, ik had niet goed opgelet en de formattering was niet meegenomen met kopieren.)

[Bericht gewijzigd door Benadski op (11%)]

Als je toch AI tekst wilt gebruiken, doe dan wel wat moeite om het leesbaar te maken/formatten.
Het plaatsten van zo'n woordenbrij is zinloos, geen mens gaat dat lezen...

Op woensdag 24 juni 2026 14:21:49 schreef Benadski:
[...]

Als het relevante informatie is zoals hier het geval is, dan ga ik het niet onthouden. Maar ik zal het voortaan wat beperken, dit is wel veel. Er zijn imho verschillen tussen slop en bruikbare info. Maar ik zet het er in ieder geval altijd bij zodat je het zelf kan overslaan. (Formatteren heb ik zojuist even gedaan, ik had niet goed opgelet en de formattering was niet meegenomen met kopieren.)

Ook met formattering is het een ontmoedigende brij van woorden. Dit lijkt erg op een foutzoekactie die ik een keer toegestuurd kreeg... De leek wordt het bos ingestuurd en de kenner verzandt halverwege in de omslachtig geformuleerde halve waarheden.

Aan de andere kant... Met een beetje geluk saboteer je zo op meerdere manieren het toekomstig gebruik van AI voor dit soort doeleinden.

Zoals ik al schreef, voor patroonherkenning is het een van de aangewezen technologiëen. Voor het schrijven van stukken is het dat niet persé.

[Bericht gewijzigd door maartenbakker op (16%)]

Zelfs nu (met aangepaste beperkte formatting) is de tekst nog een onleesbare brij...

Chemische middelen in onze voedselgewassen:
Hoe kunnen we dat vermijden? Creativiteit?
Ongewenste plantjes herkennen en op milieuvriendelijke manier hun groei stoppen.

Hoe kunnen we dat vermijden? Creativiteit?

Of gewoon arbeid? Twee keer per week een half uurtje schoffelen 's avonds is voldoende om de moestuin hier onkruidvrij te houden. Geen bestrijdingsmiddelen in mijn eten.

Maar de startpost blinkt uit in vaagheid wat dan weer leidt tot allerlei veronderstellingen en suggesties die mogelijk volstrekt onzinnig zijn. Misschien zou het handig zijn om gewoon eens uit te leggen wat nou precies de bedoeling is....?

Gaat het hier om de grasvelden van een voetbalvereniging, de oneindige akkers in de Zeeuwse polders, het voortuintje van 2.5m² van tante Truus, ....? Wat voor soort grond? Welke gewassen? Gaat het hier om een (potentiëel) commercieel project? Of uw privé-moestuintje?

En waarom alleen maar de focus op deze ene soort onkruid en niet alle andere soorten? Want klein kruiskruid is hier alvast volstrekt geen enkel issue.

@ Nonius,
Het gaat om de oneindige akkers met uien die totaal overwoekerd worden.

Het herkennen is natuurlijk de eerste stap, maar daarna moet het ook nog worden vernietigd.
Ik zag deze week op tv een oplossing waarbij een plantje met hoogspanning werd vernietigd.
Zou dat hiervoor ook gebruikt kunnen worden?

Dit was niet wat ik gezien had, maar mogelijk kan je hier iets mee: https://www.andela-tni.nl/product/andela-elektro-weeder/

Op woensdag 24 juni 2026 16:50:17 schreef m.bouwer:
@ Nonius,
Het gaat om de oneindige akkers met uien die totaal overwoekerd worden.

Dan ben je te laat. Dat wordt alles omfrezen.

Op woensdag 24 juni 2026 16:50:17 schreef m.bouwer:
@ Nonius,
Het gaat om de oneindige akkers met uien die totaal overwoekerd worden.

Dan is dit net iets voor jou.
https://www.youtube.com/watch?v=9yduag_wD9w

[Bericht gewijzigd door ohm pi op (36%)]

Op woensdag 24 juni 2026 16:50:17 schreef m.bouwer:
@ Nonius,
Het gaat om de oneindige akkers met uien die totaal overwoekerd worden.

daarvoor heb je toch gewoon een schoffelmachine voor achter de trekker voor.

die autonome onkruidmachines zit tonnen dan niet miljoenen euro's ontwikkeling achter, die maak je niet even op een forum

Je zou ook de coördinaten van alles wat er moet staan kunnen opslaan. De rest is onkruid. De Farmdroid doet dat zo dacht ik.

@ Stynus,
Uien staan op rijtjes vlak bij elkaar en dan werkt dat niet.
Je moet nu de bossen klein kruiskruid uittrekken ( en meedragen in een emmer )
Want zo gauw ze de grond raken zaaien ze gelijk weer uit.

Als die machine al bestaat, filmpje Ohm pi, waarom wil je er dan zelf een ontwikkelen?