Boomzorg Scholar: Foto's vanaf de grond kunnen boomgezondheid automatisch beoordelen |
|
|
|
|
 |
| 88 sec |
Beoordeling van boomgezondheid gebeurt vaak nog handmatig. Onderzoek laat zien dat een combinatie van gewone foto's en deep learning bruikbaar is om gezondheidskenmerken van bomen automatisch uit beelden te halen.
| Foto ter illustratie. Dode boom in een parkstrook in Apeldoorn |
Onderzoekers ontwikkelden een geautomatiseerd systeem om de conditie van bomen te beoordelen met foto's vanaf de grond. Aanleiding is dat traditionele inspecties veel tijd kosten, afhankelijk zijn van de beoordelaar en lastig op grote schaal zijn uit te voeren. Ook andere technieken, zoals laserdata of luchtbeelden, zijn niet altijd praktisch of betaalbaar.
Kleurenfoto's
In dit onderzoek ontwikkelden onderzoekers daarom een systeem dat werkt met gewone kleurenfoto's vanaf de grond. Als proef is het systeem getest op es (Fraxinus excelsior). De computer leerde om op foto's vier onderdelen te herkennen: blad, hout, klimop en achtergrond. Daarna werden uit die beelden kenmerken gehaald die iets zeggen over de conditie van de boom.
Computer herkent onderdelen van de boom
Voor de beeldanalyse gebruikten de onderzoekers een deep-learning-model. Dat model moest per pixel bepalen wat te zien is: blad, hout, klimop of achtergrond. De beste versie haalde een totale nauwkeurigheid van 84,3 procent. Blad werd het best herkend. Hout en klimop waren lastiger uit elkaar te houden, vooral als takken, schaduw en begroeiing door elkaar heen liepen. Toch laat de proef zien dat gewone foto's bruikbaar zijn om boomonderdelen automatisch in beeld te brengen.
Bladverlies goed te meten
Uit de gesegmenteerde beelden haalden de onderzoekers meerdere kenmerken. Het ging onder meer om bladverlies, boomhoogte, verhouding tussen kroonlengte en boomhoogte, scheefstand, symmetrie van de kroon en hoeveelheid klimop. Vooral bladverlies bleek goed te schatten. De uitkomsten van het model kwamen sterk overeen met de beoordelingen van menselijke waarnemers. Ook boomhoogte kon redelijk worden geschat, al werden hogere bomen vaker te laag ingeschat.
Voor kenmerken als scheefstand, kroonsymmetrie en kroonverhouding is nog meer controle in het veld nodig. Deze uitkomsten zijn volgens de onderzoekers bruikbaar, maar nog niet hard genoeg onderbouwd.
Risicoscore voor de praktijk
De losse kenmerken zijn samengevoegd in één risicoscore: de Tree Risk Index. Bladverlies woog daarin het zwaarst mee. Ook klimopbedekking telde duidelijk mee, omdat veel klimop kan samenhangen met verminderde groei en meer kans op problemen in de kroon.
Met die index werden bomen ingedeeld als gezond, matig ongezond of ongezond. Ongeveer de helft van de onderzochte bomen viel in de categorie gezond. Een klein deel scoorde als duidelijk ongezond.
Boomzorg Scholar
Boomzorg Scholar is een initiatief van vakblad Boomzorg waarbij wetenschappelijke artikelen worden vertaald naar de praktijk. Dit keer op basis van het artikel van Khunsa Fatima, Ankush Prashar, Andrew Crowe en Paul Brown: Integrated deep learning framework for automating tree health assessment using ground-based images, gepubliceerd in Urban Forestry & Urban Greening (2026, Volume 118).
|
| LOGIN
met je e-mailadres om te reageren.
|
|
|
|
 |
|
Paul van de Wiel
Paul van de Wiel | Beheerder Groene Leefomgeving
maandag 11 mei 2026 |
|
In Boomzorg heeft een artikel gestaan over klimop in bomen. Daarin werd gesteld dat klimop in bomen geen schade aan de boom toebrengt. Ik vraag me dan ook af waarom klimop wordt meegewogen in de risicoscore. Er wordt gesteld dat 'klimop kan samenhangen met verminderde groei en meer kans o problemen in de kroon'. Dit is een aanname en naar mijn idee een onbetrouwbaar onderdeel in een objectieve meting. |
|
|
|
