Een nieuwe methode voor het tellen van bladeren bij tabaksplanten in het veld op basis van UAV-beelden en een verbeterde PointNext

Waarom bladeren tellen vanuit de lucht ertoe doet

Weten hoeveel bladeren een gewas heeft klinkt misschien als een kleinigheid, maar voor tabaksteelt geeft het direct inzicht in de gezondheid van de plant en de verwachte opbrengst. Tegenwoordig lopen arbeiders nog steeds door de velden om bladeren met de hand te tellen — een langzaam, vermoeiend en kostbaar werk dat niet schaalbaar is voor moderne bedrijven. Deze studie laat zien hoe drones, 3D‑beeldvorming en kunstmatige intelligentie kunnen samenwerken om automatisch bladeren te tellen bij tabaksplanten in echte velden, en zo een snellere en nauwkeurigere manier te bieden om bemesting te sturen, oogsten te voorspellen en bij het kweken van betere rassen te ondersteunen.

Van dronevluchten naar een 3D‑weergave van het veld

De onderzoekers zetten drones in als vliegende camera’s. Ze vlogen met een commerciële quadcopter over tabakspercelen in Yunnan, China, en maakten foto’s met hoge resolutie vanaf meerdere hoogtes en onder scherpe hoeken rond de onderzochte proefvakken. Met fotogrammetrie‑software werden deze overlappende beelden aan elkaar gezet tot gedetailleerde driedimensionale modellen van de planten. Elke plant werd vervolgens geëxtraheerd als een eigen puntenwolk in 3D‑ruimte, waarbij elk punt een klein stukje van een stengel, blad of omgevingsruis zoals bodem en naburige begroeiing vertegenwoordigt. Deze stap transformeert platte foto’s in een rijke 3D‑beschrijving die bladeren kan onthullen zelfs wanneer ze in gewone foto’s overlappen.

Een computer leren individuele bladeren te zien

Om met deze 3D‑puntenwolken te werken bouwde het team een grote, zorgvuldig gelabelde dataset. Ze verzamelden 1.000 individuele plantmodellen en tagden elk punt handmatig als behorend tot doelbladeren, stengels, andere planten of ruis. Met dit trainingsmateriaal verfijnden ze een moderne 3D‑deep‑learningnetwerk genaamd PointNext tot een nieuwe versie, afgestemd op veldgewassen, SRW‑PointNext genaamd. Drie belangrijke verbeteringen werden toegevoegd: een attentiemodule die het netwerk helpt te focussen op de meest informatieve ruimtelijke en kleurpatronen; een aangepaste verliesfunctie die voorkomt dat de overvloed aan bladpunten zeldzamere klassen zoals stengels en achtergrond overschaduwt; en een versterkt uitvoer‑gedeelte dat fijnere details beter herstelt wanneer delen van de puntenwolk ontbreken of ongelijk verdeeld zijn.

Gestructureerde wolken omzetten in bladtellingen

Toen SRW‑PointNext had geleerd elk 3D‑punt te labelen, kon het model de puntenwolk van een enkele plant opdelen in blad‑ en niet‑bladdelen. Wetenschappers moesten echter nog weten hoeveel daadwerkelijke bladeren aanwezig waren. Hiervoor gebruikten ze een clusteringsmethode genaamd MeanShift. Simpel gezegd zoekt het algoritme naar dichte clusters van bladpunten in drie dimensies, waarbij elke dichte cluster correspondeert met één blad. De keuze voor één “bandbreedte”‑instelling bepaalt hoe strak of los het algoritme punten groepeert. Een te kleine instelling splijt één blad in kunstmatige clusters en blaast het aantal op; een te grote instelling voegt nabijgelegen bladeren samen en verlaagt het aantal. Door deze instelling zorgvuldig af te stemmen konden de onderzoekers de gesegmenteerde bladpunten groeperen tot realistische, individuele bladeren.

Hoe goed de methode presteerde

Om de nauwkeurigheid te testen vergeleek het team geautomatiseerde tellingen met nauwgezette handmatige tellingen voor 230 veldplanten. Hun keten — drone‑beelden, 3D‑reconstructie, SRW‑PointNext‑segmentatie en vervolgens MeanShift‑clustering — bereikte een bladentelnauwkeurigheid van ongeveer 92,6 procent. Het verbeterde netwerk leverde ook hoogwaardige segmentatie: ruwweg 92 procent precisie en een gemiddelde intersection‑over‑union van 76 procent, waarmee het beter presteerde dan verschillende populaire 3D‑puntenwolkmethoden zoals PointNet, PointNet++, RandLA‑Net en de originele PointNext. Belangrijk is dat deze winst in nauwkeurigheid gepaard ging met slechts een bescheiden toename in rekenkosten, wat suggereert dat de aanpak praktisch toepasbaar is voor grootschalige opsporing.

Wat dit betekent voor de landbouw van de toekomst

Voor niet‑specialisten is de kernboodschap helder: door drones, 3D‑modellering en een verbeterd AI‑model te combineren kunnen onderzoekers nu tabaksbladeren in echte velden bijna even betrouwbaar tellen als mensen, maar veel sneller en over veel grotere gebieden. Dit verplaatst bladentelling van clipboards en laarzen in de klei naar een geautomatiseerd, datarijk proces dat kan worden gevoed aan digitale gewasbeheersystemen. Hoewel het huidige werk zich richt op tabak in één groeifase en afhankelijk is van goede 3D‑reconstructies, kan dezelfde strategie worden uitgebreid naar andere gewassen en seizoenen. Mettertijd kunnen zulke hulpmiddelen routine worden voor boeren, hen helpen plantengroei te monitoren, inputs te verfijnen en beter presterende rassen te selecteren met veel minder handmatig werk.

Bronvermelding: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Trefwoorden: tabaksfenotypering, drone-landbouw, 3D-puntenwolken, bladentelling, deep learning in de landbouw