BaleUAVision: Door UAV vastgelegde dataset van hooirollen

Waarom het tellen van hooibalen vanuit de lucht ertoe doet

Hooibalen lijken misschien eenvoudige rollen gedroogd gras, maar precies weten hoeveel er op een veld liggen en waar ze zich bevinden, levert boeren tastbare waarde op. Nauwkeurige tellingen bepalen hoeveel voer beschikbaar is voor vee, hoeveel vrachtwagens nodig zijn en hoe lang de oogstploegen moeten werken. Dit artikel presenteert BaleUAVision, een nieuwe open dataset opgebouwd uit dronebeelden die het makkelijker maakt hooibalen automatisch vanuit de lucht te herkennen en te tellen, en zo bijdraagt aan slimmer en efficiënter landbouwbeheer.

Boerderijen vanuit de lucht bekeken

BaleUAVision is gebaseerd op 2.599 scherpe kleurenfoto’s gemaakt door drones boven 16 hooivelden in Noord-Griekenland. De velden beslaan ongeveer 94 hectare en liggen in twee regio’s met verschillende landschappen: uitgestrekte vlakten rond Xanthi en gevarieerder terrein nabij Drama. Vluchten vonden plaats in de zomer van 2023, onder heldere luchten en lichte wind, op hoogtes tussen 50 en 100 meter en bij gematigde snelheden. Het resultaat is een realistische weergave van velden na de oogst, met balen verspreid in patronen die lokale landbouwpraktijken en terrein weerspiegelen in plaats van een laboratoriumopstelling.

Foto’s omzetten in bruikbare data

Het verzamelen van beelden is slechts de eerste stap. Het team heeft alle foto’s zorgvuldig verwerkt, onscherpe of anderszins onbruikbare beelden weggegooid en ze vervolgens samengevoegd tot gedetailleerde overheadkaarten, zogenaamde orthomosaics, voor elk veld. Deze mosaics werden gebruikt om handmatig elke baal te tellen als betrouwbare referentie. Tegelijkertijd werd elke individuele baal met de hand nagetekend op de oorspronkelijke foto’s als een nauwkeurige omtrek, niet alleen als een ruwe rechthoek. Dit nauwgezette werk creëerde hoogwaardige “ground truth”-data in meerdere gangbare bestandsformaten, zodat uiteenlopende kunstmatige-intelligentiehulpmiddelen getraind en getest kunnen worden zonder extra conversiewerk.

Variatie in vluchten, kracht in modellen

De manier waarop een drone wordt gevlogen — hoe hoog, hoe snel en hoeveel overlap er in de foto’s zit — bepaalt wat hij ziet. BaleUAVision varieert bewust deze vluchtinstellingen zodat detectiesystemen die erop getraind zijn niet falen wanneer de omstandigheden veranderen. Lagere vluchten leggen meer detail vast maar minder grond per frame; hogere vluchten zien een groter gebied maar laten balen kleiner lijken. Door afbeeldingen op verschillende hoogtes en bij wisselende lichtomstandigheden in twee regio’s op te nemen, vangt de dataset zowel geografische diversiteit als de schaalveranderingen van de camera die in de praktijk voorkomen. Tests tonen aan dat deze variatie AI-modellen helpt balen te herkennen, zelfs wanneer ze op nieuwe locaties of vanaf nieuwe hoogtes zijn gefotografeerd.

De dataset op de proef stellen

Om te onderzoeken of BaleUAVision echt bruikbaar is, trainden de auteurs een populair detectiesysteem dat bekendstaat als YOLOv11 om hooibalen in de beelden te vinden. Ze daagden het model op twee manieren uit: door het te laten detecteren in velden uit een andere regio dan waarop het was getraind, en door de vluchthoogte tussen training en test te veranderen. Getraind op de dataset detecteerde het systeem bijna alle balen in nieuwe velden met zeer weinig vals alarm. Het ging ook goed om met hogere vluchthoogtes wanneer het tijdens de training lagere hoogtes had gezien. Een model dat alleen op beelden van grote hoogte was getraind, worstelde echter met close-up beelden totdat de onderzoekers zelfs een klein aantal voorbeelden van lagere hoogte toevoegden, wat laat zien hoe bescheiden maar zorgvuldig gekozen extra data de betrouwbaarheid sterk kan vergroten.

Voorbij generieke AI, naar veldklare hulpmiddelen

Het team vergeleek hun gespecialiseerde, op balen getrainde model ook met grote algemene visiesystemen die zijn ontworpen om “alles te segmenteren” in een afbeelding. Hoewel deze fundamentele modellen krachtig zijn in veel situaties, presteerden ze merkbaar minder goed bij dicht opeengepakte, kleine hooibalen tegen drukke veldachtergronden. Het op maat gemaakte model dat op BaleUAVision was getraind, bleek niet alleen nauwkeuriger maar ook praktischer voor gebruik op echte drones en boerderijcomputers. Dit onderstreept hoe zorgvuldig samengestelde, veldspecifieke data brede AI-vooruitgang kunnen omzetten in hulpmiddelen die op boerenschaal daadwerkelijk werken.

Van betere tellingen naar slimmer boeren

Simpel gezegd biedt BaleUAVision onderzoekers en bedrijven een rijke, vrij beschikbare verzameling dronebeelden en baalomtrekken om balentellende robots en software te bouwen en te testen. Daarmee kunnen ze tools maken die snel en betrouwbaar aangeven hoeveel balen een boer heeft, waar ze liggen en hoe ze het beste verzameld kunnen worden — wat brandstof, tijd en arbeid bespaart. Dezelfde data kan ook studies naar veldtoestanden, logistieke planning en toekomstige boerderijsrobots ondersteunen. Door deze dataset openbaar te maken, leggen de auteurs een basis om eenvoudige hooibalen te veranderen in een toegangspoort naar meer precieze, datagedreven landbouw.

Bronvermelding: Karatzinis, G.D., Gkelios, S. & Kapoutsis, A.C. BaleUAVision: Hay Bales UAV Captured Dataset. Sci Data 13, 313 (2026). https://doi.org/10.1038/s41597-026-06622-8

Trefwoorden: precisie landbouw, dronebeelden, detectie van hooibalen, computer vision, dataset voor remote sensing