Robots in de kas: wat het betekent voor je gewasbescherming
De techniek die een robot leert waar een tomaat hangt, leert hem ook waar een aantasting zit. Dat verschuift je werk van uitvoeren naar beoordelen. Wat je moet weten voordat het zover is.
Op de meeste bedrijven is de discussie over robots in de kas nog theoretisch. Er rijdt misschien een buisrailwagen die zichzelf verplaatst, maar van een machine die zelfstandig het gewas beoordeelt is nog geen sprake.
Toch is het de moeite waard om te begrijpen wat er nu wordt ontwikkeld, want de techniek die daar uit voortkomt raakt je gewasbescherming eerder dan je denkt. En anders dan bij eerdere mechanisatiegolven verandert deze niet vooral je werk, maar vooral je oordeel.
Waarom de kas de lastigste plek is om te automatiseren
Wageningen University & Research maakte in april 2026 bekend dat het werkt aan een gesimuleerde kasomgeving: een digitale kas waarin robot en tomatenplant realistisch met elkaar omgaan. Dat klinkt als een omweg, en dat is het ook. De reden waarom die omweg nodig is, vertelt precies waarom automatisering in de tuinbouw zo traag gaat.
“Robotsimulatie is vrij gebruikelijk in gecontroleerde omgevingen zoals autofabrieken, maar in de tuinbouw is dit echt nieuw”, zegt onderzoeker Arjan Vroegop. “Hier heb je te maken met levende planten, met veel natuurlijke variatie. Dat maakt simulatie veel ingewikkelder.”
Het probleem is herhaalbaarheid. Wil je testen of een aanpassing aan je robot werkt, dan moet je twee keer dezelfde situatie kunnen aanbieden. In een kas kan dat niet: het gewas groeit door, en elke oogsthandeling verandert de plant blijvend. Je meet dus nooit het effect van je aanpassing, maar het effect van je aanpassing plus een gewas dat inmiddels anders is.
Daarom modelleren de onderzoekers het gewas zelf. WUR-onderzoeker Maarten van der Meer meet echte planten op en reconstrueert die virtueel volgens vaste protocollen. Door binnen gemeten grenzen variatie toe te staan in hoogte, bladstand en vruchtpositie ontstaan veel verschillende maar realistische planten.
Die variatie is geen bijzaak. “Een robot moet ook kunnen omgaan met minder ideale situaties, waarin vruchten lastig bereikbaar zijn”, zegt Van der Meer. “Die situaties willen we expliciet kunnen testen.” Het project loopt sinds mei 2024, samen met technologiebedrijf DENSO en dochteronderneming Certhon, die aan een tomatenoogstrobot werken.
Van oogsten naar signaleren
Dit is een oogstproject, geen gewasbeschermingsproject. Dat is belangrijk om vast te stellen, want er wordt in de sector veel geroepen over robots die gaan spuiten en dat is nog niet aan de orde.
De verbinding zit ergens anders: in de detectiemodellen. De simulatie levert namelijk ook synthetische data op, waaronder semantische en instantiesegmentaties. In gewone taal: het systeem weet van elke pixel in een beeld tot welk plantdeel die hoort, en welk exemplaar dat is. Die geëtiketteerde beelden worden gebruikt om herkenningsmodellen te trainen.
Dat is precies het schaarse goed in beeldherkenning. Een model trainen vraagt duizenden voorbeelden waarvan iemand heeft aangegeven wat erop staat, en dat handmatig aanleveren is duur en traag. Een simulatie die dat gratis meelevert versnelt de ontwikkeling aanzienlijk.
En een model dat leert onderscheiden wat blad, steel en vrucht is, staat dicht bij een model dat leert onderscheiden wat gezond blad is en wat niet. Daar raakt deze ontwikkeling jouw vak.
Wat dat praktisch kan betekenen
Als beeldherkenning in de kas betrouwbaar wordt, verschuiven drie dingen.
Eerder signaleren. Nu is monitoring mensenwerk: vangplaten, looprondes, ervaring. Dat werkt, maar het is steekproefsgewijs en afhankelijk van wie er loopt. Een systeem dat elke rij dagelijks langsgaat, ziet een beginnende haard eerder dan een teler die twee keer per week een ronde doet.
Plaatsspecifiek behandelen. Als je weet wáár het probleem zit, hoef je niet het hele vak te behandelen. Dat scheelt middel, het spaart je natuurlijke vijanden buiten de behandelde plek, en het verlaagt de druk op je watercircuit.
Beter registreren. Systemen die waarnemen, leggen ook vast. Dat maakt terugkijken mogelijk: waar begon het, hoe snel breidde het uit, wat deed de behandeling.
Voor de sierteelt en de gesloten groenteteelt, waar de schadedrempel laag ligt en het middelenpakket smal is, is vooral dat eerste punt waardevol. Een week eerder ingrijpen scheelt vaak het verschil tussen een plaatselijke correctie en een bedrijfsbrede behandeling.
Wat er niet verandert
Hier zit de nuance die in verkooppraatjes zelden voorkomt. Techniek verandert hoe je informatie krijgt, niet welke regels gelden.
Het etiket blijft leidend. Een systeem dat aangeeft waar behandeld moet worden, weet niets van toelatingen, dosering, teeltvrije zones of herbetredingstermijnen. Die afweging blijft bij jou.
De resistentiestrategie blijft mensenwerk. Sterker: bij plaatsspecifiek behandelen wordt afwisseling van werkingsmechanismen belangrijker, want je behandelt vaker en gerichter dezelfde plekken. Zonder aandacht daarvoor kweek je resistentie op precies die haarden waar de druk het hoogst is.
En de verantwoordelijkheid blijft bij een mens liggen. Wie besluit dat er een middel wordt toegepast, en onder wiens vakbekwaamheid dat gebeurt, is een vraag die niet door een sensor wordt beantwoord.
Het vakmanschap dat erbij komt
De denkfout bij nieuwe techniek is dat ze kennis vervangt. In de praktijk vraagt ze er meestal andere kennis bij.
Als een systeem meldt dat er op rij 14 een afwijking is, moet iemand beoordelen of dat klopt. Modellen maken twee soorten fouten: ze zien iets dat er niet is, en ze missen iets dat er wel is. Alleen wie het gewas kent, herkent het verschil tussen een beginnende aantasting en een lichtvlek, tussen een voedingsprobleem en een schimmel.
Dat betekent dat de teler die het meeste uit zulke systemen haalt, niet degene is die er het meest op vertrouwt, maar degene die de meldingen het beste kan wegen. Dat is dezelfde vaardigheid die je nodig hebt bij een looprondje, alleen met een andere aanleiding.
Waar je wel iets nieuws bij moet leren, is het beoordelen van de betrouwbaarheid zelf. Onder welke omstandigheden werkt het systeem slechter? Bij welke gewasstadia is het getraind? Wat gebeurt er als je een ander ras of een andere teeltwijze gebruikt? Dat zijn vragen die je bij een spuitdop niet hoeft te stellen en bij een detectiemodel wel.
Hoe je je hier nu op voorbereidt
Er is geen reden om iets aan te schaffen. Wel om je uitgangspositie op orde te brengen, want de bedrijven die straks profiteren zijn de bedrijven die nu al gestructureerd waarnemen.
- Registreer je waarnemingen op plaats, niet alleen op datum. Wie nu al bijhoudt wáár problemen beginnen, heeft straks een referentie om systeemmeldingen tegen af te zetten.
- Houd je monitoring op een vast ritme. Techniek versterkt een goed proces en verhult een slecht proces.
- Wees kritisch op claims. Vraag bij elk systeem op welke gewassen en omstandigheden het getraind is. Een model dat op tomaat is ontwikkeld, presteert niet vanzelf op een sierteeltgewas.
- Houd je vakkennis actueel. Hoe beter je het gewas leest, hoe meer waarde een systeem toevoegt in plaats van ruis.
De kern is dat deze ontwikkeling het accent verschuift van uitvoeren naar beoordelen. Dat maakt vakinhoudelijke kennis niet minder belangrijk, maar juist bepalender. Een verkeerde beslissing werkt straks sneller door, omdat het systeem hem netjes en op grote schaal uitvoert.
Zie ook: AI bij het herkennen van ziekten en plagen, spotspraying en precisiespuiten en monitoring en schadedrempels.
Veelgestelde vragen
Vervangt een robot straks de spuitlicentie?
Nee. Wie besluit dat er een middel wordt toegepast en onder wiens verantwoordelijkheid dat gebeurt, heeft vakbekwaamheid nodig. Techniek verplaatst het werk van uitvoeren naar beoordelen, maar de verantwoordelijkheid blijft bij een mens liggen.
Waarom is een kas juist moeilijk voor robots?
Omdat planten leven. Ze groeien, verschillen onderling en veranderen na elke oogsthandeling. Waar een autofabriek een stabiele omgeving is, moet een kasrobot omgaan met voortdurende biologische variatie.
Wat is een gesimuleerde kasomgeving?
Een digitale nabootsing van kas, gewas en robot waarin ontwikkelaars steeds onder dezelfde omstandigheden kunnen testen. In een echte kas kan dat niet, omdat het gewas tussen twee proeven door verandert.
Hoe helpt dit bij gewasbescherming?
Dezelfde beeldherkenning die vruchten lokaliseert, kan afwijkingen in het gewas signaleren. Dat maakt eerdere detectie en plaatsspecifiek behandelen mogelijk, waardoor je minder middel over een kleiner oppervlak inzet.