Tomaat Multi-Hoek Multi-Pose Dataset voor Fijnmazige Fenotypering

Waarom tomaten en slimme camera’s ertoe doen

Tomaten zijn niet alleen een saladebasis; ze behoren tot ’s werelds belangrijkste gewassen en vormen een pijler van plantkunde. Veredelaars en onderzoekers bestuderen tomatenplanten voortdurend in detail—hoe bladeren groeien, wanneer bloemen openen, hoe vruchten van kleur veranderen—om robuustere, smaakvollere en veerkrachtigere rassen te ontwikkelen. Deze nauwkeurige inspectie gebeurt echter meestal visueel, wat traag is, moeilijk reproduceerbaar en kan variëren tussen waarnemers. Dit artikel introduceert TomatoMAP, een grote, zorgvuldig ontworpen verzameling tomatenfoto’s waarmee computers planten vanuit meerdere hoeken kunnen beoordelen en zo het giswerk van menselijke waarnemers verminderen.

Een nieuwe beeldbibliotheek van tomaatgroei

TomatoMAP is een uitgebreide afbeeldingsdataset gericht op de gekweekte tomaat, Solanum lycopersicum. Het bevat 68.080 kleurenfoto’s die het levensverloop van 101 kassenplanten gedurende meer dan vijf maanden vastleggen. In plaats van enkele momentopnames wordt elke plant herhaaldelijk gefotografeerd terwijl ze groeit, waarbij verschillende stadia zoals bloei en rijping van vruchten worden vastgelegd. Voor elke afbeelding leveren deskundigen gedetailleerde labels: eenvoudige kaders die zeven belangrijke interesseregionen markeren—bladeren, bloemklusters, vruchtklusters, scheuten en meer—en groeistadiumlabels op basis van een gestandaardiseerde schaal die veel door agronomen wordt gebruikt. In een aparte set close-ups worden individuele knoppen, bloemen en vruchten tot op pixelniveau omtrekgetekend, wat uiterst fijnmazige analyse mogelijk maakt.

Planten van alle zijden bekijken

Om deze dataset te verzamelen bouwden de onderzoekers een speciale afbeel­dingsstandaard die een roterend platform combineert met vier gesynchroniseerde camera’s. Tomaatplanten die onder gecontroleerde kasomstandigheden groeien, worden op de draaitafel geplaatst, die in stappen van 30 graden roteert om een volledige cirkel te maken. Bij elke stap maken camera’s op vier hoogtes en hoeken gelijktijdig opnamen, waardoor een meervoudig perspectief van dezelfde plantpose ontstaat. In 163 dagen produceerde deze opstelling meer dan 64.000 beelden van matige resolutie voor groeistadiumclassificatie en orgaandetectie, plus 3.616 close-ups met hoge resolutie voor gedetailleerde segmentatie. Dit multi-view ontwerp behoudt driedimensionale structuur—zoals hoe bladeren elkaar overlappen of hoe bloem- en vruchtklusters gerangschikt zijn—wat moeilijk vast te leggen is met enkele platte beelden.

Computers leren plantkenmerken lezen

TomatoMAP is niet alleen een fotogalerij; het is ook een testomgeving voor moderne kunstmatige intelligentie. Het team trainde en evalueerde lichte, snelle computer-vision modellen die gekozen zijn met het oog op potentiële realtime toepassing in kassen. Een compact netwerk voor beeldclassificatie leerde groeistadia toe te wijzen. Een efficiënt objectdetectiemodel leerde plantonderdelen te lokaliseren, zoals bladeren, bloemklusters en vruchtklusters in elk frame. Voor de close-ups traceerde een instance-segmentatiemodel de precieze omtrek van individuele knoppen, bloemen en vruchten en onderscheidde vroege van late ontwikkelingsstadia op basis van grootte en kleur. De auteurs tonen aan dat deze modellen hoge nauwkeurigheid bereiken, vooral voor grotere bloemen en vruchten, en snel genoeg kunnen draaien om praktisch te zijn voor continue monitoring.

Een stapsgewijze digitale werkstroom opbouwen

Om geautomatiseerde fenotypering betrouwbaarder te maken, ontwierpen de onderzoekers een driedelige “cascaderende” workflow. Ten eerste worden gegevens georganiseerd van eenvoudige beelden van de hele plant tot gedetailleerde segmentaties. Ten tweede worden modellen in een keten geplaatst: een groeistadiumclassifier bepaalt welke planten of tijdstippen doorgestuurd worden naar een detector, die vervolgens de meest relevante regio’s markeert voor het segmentatiemodel om te verfijnen. Ten derde worden de outputs van alle modellen gecombineerd tot een geconsolideerde beschrijving van de kenmerken van elke plant, zoals hoeveel vruchten aanwezig zijn en in welke stadia ze verkeren. Door zowel de data als de modellen zo te structureren, is de kans kleiner dat fouten zich opstapelen en kan elke stap verbeterd of vervangen worden zonder het hele systeem opnieuw op te bouwen.

Hoe goed machines overeenkomen met menselijke ogen

Aangezien menselijke experts niet altijd overeenstemming bereiken, controleerde het team zorgvuldig hoe nauw AI-modellen en specialisten overeenkomen. Ze vergeleken honderden afbeeldingen die onafhankelijk waren gelabeld door vijf experts en door een getraind detectiemodel. Met behulp van een standaard maat voor overeenstemming toonden zowel expert–expert als AI–expert vergelijkingen een “bijna perfecte” consistentie. Dit suggereert dat, althans voor de structuren en stadia die hier zijn bestudeerd, de geautomatiseerde methoden de betrouwbaarheid van getrainde menselijke waarnemers kunnen evenaren, terwijl ze vermoeidheid en inconsistentie vermijden.

Wat dit betekent voor toekomstige gewassen

TomatoMAP laat zien dat met de juiste beeldopstelling en zorgvuldige annotatie computers tomaatgroei vanuit vele hoeken in rijke details kunnen volgen en dat op een manier die dicht bij expertbeoordeling ligt. Voor plantveredelaars en telers opent dit de deur naar snellere, objectievere screening van nieuwe rassen en teeltvoorwaarden, van het beoordelen van vruchtbelasting tot het opsporen van subtiele verschillen in plantarchitectuur. Hoewel sommige plantorganen moeilijker perfect vast te leggen blijven en meer werk nodig is om modellen af te stemmen op specifieke apparaten, legt deze dataset een basis voor schaalbare, bias-reducerende digitale fenotypering die uiteindelijk kan helpen om productievere en veerkrachtigere gewassen van kasexperimenten naar het bord te brengen.

Bronvermelding: Zhang, Y., Struckmeyer, S., Kolb, A. et al. Tomato Multi-Angle Multi-Pose Dataset for Fine-Grained Phenotyping. Sci Data 13, 309 (2026). https://doi.org/10.1038/s41597-026-06926-9

Trefwoorden: tomaatfenotypering, plantbeeldvorming, meervoudig-view dataset, computer vision in de landbouw, gewasveredeling