Verbeterde YOLO12 met ruimtelijke piramidepooling voor realtime detectie van insecten in katoen

Waarom het uitmaakt om kleine insecten te herkennen

Katoen lijkt misschien een eenvoudige plant, maar de wereldwijde rol is enorm: het kleedt miljarden mensen, biedt miljoenen banen en voedt industrieën van bakolie tot cosmetica. Toch kunnen hele katoenpercelen ongemerkt worden aangetast door insecten die nauwelijks groter zijn dan een rijstkorrel. Boeren vertrouwen vaak op frequente controles te voet en intensief pesticidegebruik om deze plagen te bestrijden—methoden die tijdrovend, kostbaar en belastend voor het milieu zijn. Deze studie onderzoekt hoe een nieuwe vorm van kunstmatige intelligentie katoenvelden realtime kan volgen en automatisch schadelijke insecten op bladeren kan herkennen, zodat behandelingen gerichter en veel minder verspillend worden ingezet.

Van handmatig speuren naar slimme camera’s

Vandaag de dag lopen veel boeren of veldwerkers nog steeds door de katoenrijen om bladeren en bloemen visueel te controleren op plagen. Die aanpak wordt beperkt door menselijke vermoeidheid, ongelijke dekking en veranderende licht- en weersomstandigheden. Breedwerkende pesticiden, vaak gespoten volgens een schema in plaats van op basis van daadwerkelijke noodzaak, kunnen nuttige insecten doden, bodem en water verontreinigen en de productiekosten verhogen. De auteurs betogen dat een duurzamere weg vooruit erin bestaat computers insecten rechtstreeks te laten “zien” in veldfoto’s, zodat boeren een geautomatiseerd waarschuwingssysteem krijgen dat bestrijdingsmaatregelen precies kan richten op plaatsen waar plagen aanwezig zijn.

Computers leren kleine beestjes te herkennen

Om zo’n systeem te bouwen, wendden de onderzoekers zich tot deep learning, een tak van AI die uitblinkt in het herkennen van patronen in beelden. Ze gebruikten een familie modellen genaamd YOLO (“You Only Look Once”), die in een fractie van een seconde een afbeelding kan scannen en vakjes om objecten kan tekenen. Uitgaande van de nieuwste YOLO12-modelserie bouwden ze een nieuwe, verbeterde versie op maat voor katoenplagen. Eerst curateerden en verfijnenden ze een hoogwaardige open dataset van 3.225 foto’s uit echte katoenvelden, met 13 veelvoorkomende insectensoorten zoals lieveheersbeestjes, stinkdieren (stinkbugs) en bolwormen. Ze zetten de oorspronkelijke labels om naar een standaardformaat dat het model kan lezen en balanseerden zorgvuldig het aantal afbeeldingen per insectklasse zodat de AI niet bevooroordeeld raakt naar de meest voorkomende soorten.

In kleine insecten doen opvallen

Insecten op bladeren detecteren is veel moeilijker dan het vinden van grote objecten zoals auto’s of mensen. De beestjes zijn klein, vaak gecamoufleerd en kunnen in veel schalen en hoeken voorkomen. Om dit aan te pakken verbeterde het team de YOLO12-architectuur op meerdere manieren. Ze voegden gespecialiseerde bouwblokken toe die het model helpen fijne details vast te leggen terwijl het de algehele scène begrijpt. Een module voor “spatial pyramid pooling” laat het netwerk hetzelfde gebied tegelijkertijd op meerdere schalen bekijken, wat cruciaal is om zowel zeer kleine als iets grotere insecten in dezelfde afbeelding te zien. Een attention-mechanisme helpt het model vervolgens de meest informatieve delen van de afbeelding te benadrukken—subtiele vormen, kleuren en texturen die het ene insect van het andere onderscheiden—terwijl achtergrondruis wordt genegeerd.

De modellen op de proef stellen

De auteurs stelden niet slechts één model voor; ze bouwden en vergeleken zes verschillende op YOLO gebaseerde ontwerpen, waaronder standaard YOLO11 en YOLO12 en meerdere aangepaste varianten. Alle modellen werden getraind en getest op dezelfde katoen-insectendataset om een eerlijke vergelijking te garanderen. Het opvallende model, Enhanced Hybrid YOLO12 genoemd, behaalde zeer hoge scores op gangbare maatstaven voor detectiekwaliteit en vond een balans tussen hoe vaak het insecten correct detecteert en hoe nauwkeurig de begrenzingskaders worden getekend. Vergeleken met de oorspronkelijke YOLO12 verhoogde het zowel de algehele detectiekwaliteit als de consistentie over veel testomstandigheden, terwijl het nog steeds snel genoeg werkte voor realtime gebruik op moderne grafische hardware. Hoewel dit verbeterde model iets zwaarder is in rekenkracht, tonen de auteurs aan dat de winst in betrouwbaarheid bijzonder waardevol is in de praktijk van de landbouw.

Wat dit betekent voor boeren en het milieu

In alledaagse termen laat de studie zien dat een camera plus een getraind AI-model kan fungeren als een onvermoeibare digitale verkenner die dag en nacht katoenbladeren op plagen scant. Omdat het Enhanced Hybrid YOLO12-systeem beter is in het vermijden van valse alarmen dan eerdere versies, kan het boeren helpen alleen te spuiten waar en wanneer insecten echt aanwezig zijn, waardoor chemisch gebruik wordt verminderd, kosten worden bespaard en schade aan nuttige soorten en omliggende ecosystemen wordt beperkt. Hoewel verder werk nodig is om het model op lagere-kostenaardige apparaten te laten draaien en het uit te breiden naar meer insectensoorten en teeltregio’s, wijst dit onderzoek op een toekomst waarin precisielandbouw plaagbestrijding transformeert van giswerk naar datagedreven actie.

Bronvermelding: Saif, D., Askr, H., Sarhan, A.M. et al. Enhanced YOLO12 with spatial pyramid pooling for real-time cotton insect detection. Sci Rep 16, 4806 (2026). https://doi.org/10.1038/s41598-026-35747-4

Trefwoorden: katoenplagen, precisielandbouw, deep learning, objectdetectie, duurzame landbouw