Onderzoekers van de Huazhong Landbouwuniversiteit hebben een autonome veldrobot ontwikkeld, PhenoRob-F, die met behulp van kunstmatige intelligentie en geavanceerde beeldtechnologie plantgegevens verzamelt en analyseert. Het systeem, beschreven in een peer-reviewed artikel dat op 13 augustus 2025 verscheen in Plant Phenomics (DOI: 10.1016/j.plaphe.2025.100085), is ontworpen om de beperkingen van handmatige metingen, drones en vaste meetsystemen in het landbouwonderzoek te overbruggen.
PhenoRob-F is uitgerust met RGB-, hyperspectrale en dieptesensoren en kan zelfstandig door gewasvelden navigeren om gegevens over groei en stressreacties van planten te verzamelen. De robot werd getest op tarwe, rijst, maïs en koolzaad, waarbij zijn prestaties op het gebied van opbrengstschatting, 3D-reconstructie en droogtestressanalyse werden beoordeeld.
Tijdens proeven met tarwe en rijst maakte PhenoRob-F top-downbeelden van de gewasbedekking en analyseerde deze met de deep learning-modellen YOLOv8m en SegFormer_B0. De robot bereikte een gemiddelde precisie van 0,853 bij het detecteren van tarwearen en een nauwkeurigheid van 98,7% bij het segmenteren van rijstpluimen. Bij maïs en koolzaad reconstrueerde het systeem 3D-plantenstructuren met behulp van RGB-D-camera’s en algoritmen zoals de scale-invariant feature transform en iterative closest point, wat sterke overeenkomsten opleverde met handmatige metingen (R² = 0,99 voor maïs en 0,97 voor koolzaad).
Voor de analyse van droogtestress bij rijst gebruikte de robot hyperspectrale beeldvorming in het bereik van 900–1700 nm. Na gegevensverwerking met het competitive adaptive reweighted sampling-algoritme en een random forest-model, werd een classificatienauwkeurigheid tussen 97,7% en 99,6% bereikt voor vijf niveaus van droogtestress. PhenoRob-F voltooide een fenotyperingsronde in 2 tot 2,5 uur en kon tot 1.875 potplanten per uur verwerken.
Volgens de onderzoekers maakt PhenoRob-F grootschalige, geautomatiseerde en nauwkeurige veldmetingen mogelijk. Het systeem kan worden ingezet voor toepassingen als opbrengstvoorspelling, stressmonitoring en genetische analyse. Daarnaast kan de technologie worden aangepast voor bodemonderzoek, nutriëntenbeheer en plaagdetectie, wat bijdraagt aan een meer datagedreven en efficiënte landbouwpraktijk.
