Machine learning voor geautomatiseerde floraherkenning tijdens bermbeheer

Groenvoorziening Van der Werf voert bermbeheer uit en moet de biodiversiteit in bermen aantoonbaar in kaart brengen en verbeteren. De registratie gebeurt nu handmatig en/of achteraf. Het meerjarige einddoel is een geautomatiseerd systeem dat tijdens het maaien flora herkent en de waarnemingen koppelt aan exacte locaties.

Deze opdracht richt zich op de softwarekant: welke benadering voor floraherkenning is haalbaar en schaalbaar, welke modellen, API's of (taal)modellen zijn beschikbaar of trainbaar, en hoe wordt de herkenning architectonisch ingericht — edge, cloud of hybride. De opdracht loopt parallel aan een Electrical Engineering-opdracht die zich op de hardware- en sensorkant richt.

Een onderbouwd architectuur- en modelkeuze-advies opleveren voor het herkenningsgedeelte van een geautomatiseerd biodiversiteitssysteem, inclusief een werkende proof-of-concept die floraherkenning demonstreert op representatieve beelddata.

Verwachte deliverables

• Requirementsdocument voor het herkenningsgedeelte: welke flora moet herkenbaar zijn, welke nauwkeurigheid is acceptabel, welke latency is werkbaar tijdens het maaien, welke output moet het systeem leveren.
• Vergelijkend onderzoek naar herkenningsbenaderingen: bestaande API's (onder andere Pl@ntNet, iNaturalist, Google Vision), open-source modellen (YOLO-varianten, vision transformers), inzet van vision-language models, en zelf trainen op een domeins pecifieke dataset. Inclusief afweging van nauwkeurigheid, kosten, afhankelijkheid en onderhoudslast.
• Onderbouwde architectuurkeuze: edge computing op het voertuig, verwerking in een (soevereine) cloudomgeving, of een hybride vorm. Expliciete afweging van connectiviteit, latency, kosten, datasoevereiniteit en AVG-implicaties. Europese en Nederlandse clouddiensten moeten in de afweging meegenomen worden.
• Dataflow-ontwerp van camera via herkenning naar opslag en rapportage, afgestemd met de Electrical Engineering-student.
• Proof-of-concept: een werkende pipeline die op testbeelden uit de bermomgeving een herkenningsresultaat oplevert, gekoppeld aan locatiedata.
• Advies voor dataverzameling en modeldoorontwikkeling in de vervolgjaren: annotatiestrategie, datasetopbouw, retraining.