Bepaling van vers- en drooggewicht van sla op basis van RGB-camerabeelden met een convolutional neural network (CNN)
Sla (Lactuca sativa L.) is wereldwijd één van de belangrijkste bladgroenten met een breed scala aan toepassingen, van salades tot medicinale producten. In het jaar 2023 bedroeg de wereldwijde productie van sla ongeveer 28,08 miljoen ton. De teelt van sla is een interessante teelt voor vele telers aangezien sla een relatief winstgevend gewas is omdat de teeltperiode kort is en de opbrengsten relatief hoog zijn. Sla is over het algemeen een belangrijke en veelzijdige groente die verschillende voordelen biedt en een belangrijke rol speelt in de voedselvoorziening en de gastronomische keuken. Bovendien stijgt de wereldproductie van sla jaarlijks, met gemiddeld ca. 248.333 ton in de afgelopen jaren, wat onder andere te wijten is aan de toenemende vraag naar voedsel ten gevolge van de bevolkingstoename in de wereld.
Door de jaarlijkse toenemende vraag naar sla wereldwijd zijn slatelers genoodzaakt om de productie ervan efficiënter te maken. Dit kan behaald worden door het ontwikkelen van gewasmodellen die de sla-telers helpen voor het verbeteren van klimaat-, nutriënten- en irrigatiebeheerstrategieën om een optimale slaproductie te verkrijgen. Deze gewasmodellen kunnen onder andere bekomen worden door het meten van het vers- en drooggewicht van sla die fungeren als groei-indicatoren omdat deze nauw verband houden met de transpiratie en fotosynthese van de slaplant. Bovendien kunnen deze groei-indicatoren, vers- en drooggewicht van sla, de sla-telers helpen bij het bepalen van geschikte oogsttijden wat zorgt voor de verbetering van de economische status van de slatelers. De traditionele methoden, waarbij doorgaans plantenmonsters worden verzameld en analytische instrumenten in een laboratorium worden gebruikt, voor het meten van het vers- en drooggewicht van sla zijn tijdrovend, arbeidsintensief en destructief. Hierdoor is het gebruik van accurate en niet-destructieve meetmethodes voor het meten van het vers- en drooggewicht van sla noodzakelijk.
Vanwege de nood aan onder andere accurate en niet-destructieve meetmethodes voor het ontwikkelen van gewasmodellen kent de glastuinbouw, waar de teelt van sla onderdeel van uitmaakt, een stelselmatige verschuiving van de traditionele glastuinbouw naar precisietuinbouw onder glas. Momenteel wordt er al veel gebruik gemaakt van computervisie-gebaseerde methoden voor het schatten van groeigerelateerde kenmerken van land- en tuinbouwgewassen. Deze beeldgebaseerde methoden extraheren specifiek laag-niveau kenmerken, zoals kleur- en structuurgerelateerde kenmerken, uit digitale beelden en leggen een verband tussen deze lage-niveau kenmerken en handmatig gemeten groeigerelateerde eigenschappen. Ondanks dat verschillende computervisie-gebaseerde methoden veelbelovende resultaten opleveren voor het schatten van groeigerelateerde kenmerken kampen deze methoden met enkele problemen. Ten eerste zijn deze methoden gevoelig voor ruis wat de beeldsegmentatie en extractie van kenmerken beïnvloedt en de schattingsnauwkeurigheid mogelijks doet afnemen. Omdat het vastleggen van beelden in praktijkomstandigheden gepaard gaat met ongelijkmatige belichting en rommelige achtergronden is ruis onvermijdelijk. Daarnaast zijn computervisie-gebaseerde methoden sterk afhankelijk van handmatig ontworpen beeldkenmerken en zorgt hierdoor voor een grote rekenkundige complexiteit. Bovendien is het generalisatievermogen van de geëxtraheerde lage-niveau beeldkenmerken beperkt.
Een potentieel alternatief voor de traditionele methoden alsook voor de computervisie-gebaseerde methoden is het gebruik van convolutional neural networks (CNN’s), een techniek behorende tot het domein van artificiële intelligentie (AI). Een CNN is een artificieel model voor het verwerken van gegevens met een rasterpatroon, zoals afbeeldingen, en is ontworpen om automatisch en adaptief ruimtelijke hiërarchieën van kenmerken te leren. Het gebruik van RGB-camera’s (waar RGB staat voor Rood Groen en Blauw), voor RGB-beeldvorming, in combinatie met een CNN, voor de verwerking van RGB-beelden, bieden voor het bepalen van het vers- en drooggewicht van sla op een accurate en niet-destructieve manier potentieel. Dit aangezien RGB-camera’s breed toepasbaar zijn en CNN's visuele data, zoals RGB-afbeeldingen, met een accurate en hoge efficiëntie kunnen verwerken en analyseren. Het is dan ook nodig om de combinatie van deze twee zaken te onderzoeken en na te gaan of deze een accurate en efficiënte oplossing kunnen bieden voor het niet-destructief meten van het vers- en drooggewicht van sla in de praktijk.
Dit onderzoek valt binnen het project “Intelligente klimaatoptimalisatie met en voor tuinders (KlimOp-AI)” van het Expertisecentrum Energie van Thomas More Geel, waarbij AI-technieken worden toegepast op klimaatgegevens om glastuinbouwbedrijven meer inzichten te geven in de klimaatregeling van serres. Gerelateerd aan dit project werd in dit onderzoek het bepalen van het vers- en drooggewicht van sla, gedurende een gehele teeltronde onder praktijkomstandigheden, op basis van RGB-afbeeldingen met behulp van een CNN onderzocht.
Van verschillende sla-cultivars (Emeldia RZ, Limambo RZ en Volumia) werden RGB-afbeeldingen verzameld. De cultivars Emeldia RZ en Limambo RZ werden elks twee keer zelf opgekweekt om slaplanten afkomstig van twee verschillende teeltrondes te bekomen. Daarnaast waren de slaplanten van de cultivar Volumia afkomstig van een externe slateler en van éénzelfde teeltronde. Van de slaplanten werden RGB-afbeeldingen verzameld onder een camerahoek van 0°, 45° en 90° ten opzichte van het grondoppervlak. Na verzameling van de RGB-afbeeldingen van de slaplanten werd een CNN-model ontworpen met het meest accurate schattingsvermogen. Tenslotte werd het schattings- en generalisatievermogen van het ontwikkelde CNN-model onderzocht.
De resultaten tonen aan dat het meest accurate CNN-model, afgestemd op een relatief kleine dataset, bestond uit 5 convolutielagen en volgende hyperparameters: een leerfrequentie van 0,001; een batchgrootte van 10 en 200 epochs. Het ontwikkelde model schat het vers- en drooggewicht van sla accuraat, met R2 ~ 0,92 – 0,97 en NRMSE ~ 0,19 – 0,34, voor cultivars die in de trainingsdata aanwezig zijn en onder gelijkaardige omstandigheden werden geteeld, mits voldoende trainingsdata. De schattings- en generalisatieprestaties variëren echter sterk per cultivar, mogelijks door morfologische verschillen. Het model toont een zekere robuustheid voor variatie in camerahoeken, al resulteerden de beelden onder een camerahoek van 45° en 90° in de beste schattingen.
Dit onderzoek toont aan dat een CNN-model in combinatie met een RGB-camera als niet-destructieve meetmethode voor de bepaling van het vers- en drooggewicht van sla mogelijkheden biedt. Daarentegen blijft, onder andere door de wisselende generalisatieprestaties, de praktische toepasbaarheid voorlopig nog beperkt. Door verder onderzoek te doen naar CNN's in combinatie met RGB-camerabeelden voor de bepaling van het vers- en drooggewicht van sla en het vergroten van de trainingsdataset met camerabeelden van verschillende sla-cultivars onder diverse teeltomstandigheden, kan dit onderzoek een waardevolle bijdrage leveren aan de ontwikkeling van geautomatiseerde, niet-destructieve meetsystemen voor de precisieteelt van sla.
Bibliografie
Abebe, A. M., Kim, Y., Kim, J., Kim, S. L., & Baek, J. (2023). Image-Based High-Throughput Phenotyping in Horticultural Crops. Plants, 12(10), 2061. https://doi.org/10.3390/plants12102061
Araus, J. L., & Cairns, J. E. (2014). Field high-throughput phenotyping: The new crop breeding frontier. Trends in Plant Science, 19(1), 52-61. https://doi.org/10.1016/j.tplants.2013.09.008
Barron, J. T. (2019). A General and Adaptive Robust Loss Function. 4331-4339. https://openaccess.thecvf.com/content_CVPR_2019/html/Barron_A_General_a…
Bennett-Ciaglia, A. (2017, november 10). High Tech Growing Systems Help Improve Efficiencies, Meet Consumer Demand. Greenhouse Product News. https://gpnmag.com/article/automation-high-tech-growing-systems-help-im…
Benoit, F., Pasture, E., Dejonckheere, W., Bleyaert, P., Van Der Elst, J., Baets, Th., D’Hoker, J., Pattou, M., Verstrynge, J., Baets, W., & Verhoyen, M. (1989). De teelt van sla onder glas (Eerste uitgave). Ministerie van Landbouw.
Benton Jones Jr, J. (2016). Hydroponics: A Practical Guide for the Soilless Grower (2de dr.). CRC Press. https://doi.org/10.1201/9780849331671
Bhatt, D., Patel, C., Talsania, H., Patel, J., Vaghela, R., Pandya, S., Modi, K., & Ghayvat, H. (2021). CNN Variants for Computer Vision: History, Architecture, Application, Challenges and Future Scope. Electronics, 10(20). https://doi.org/10.3390/electronics10202470
Boo, H.-O., Heo, B.-G., Gorinstein, S., & Chon, S.-U. (2011). Positive effects of temperature and growth conditions on enzymatic and antioxidant status in lettuce plants. Plant Science, 181(4), 479-484. https://doi.org/10.1016/j.plantsci.2011.07.013
Calou, V. B. C., Teixeira, A. dos S., Moreira, L. C. J., Lima, C. S., de Oliveira, J. B., & de Oliveira, M. R. R. (2020). The use of UAVs in monitoring yellow sigatoka in banana. Biosystems Engineering, 193, 115-125. https://doi.org/10.1016/j.biosystemseng.2020.02.016
Carvalho, R. R. B. de, Cortes, D. F. M., Sousa, M. B. e, Oliveira, L. A. de, & Oliveira, E. J. de. (2022). Image-based phenotyping of cassava roots for diversity studies and carotenoids prediction. PLOS ONE, 17(1), e0263326. https://doi.org/10.1371/journal.pone.0263326
Ceccarelli, A., & Secci, F. (2023). RGB Cameras Failures and Their Effects in Autonomous Driving Applications. IEEE Transactions on Dependable and Secure Computing, 20(4), 2731-2745. https://doi.org/10.1109/TDSC.2022.3156941
Chandel, A. K., Khot, L. R., & C, B. S. (2021). Apple powdery mildew infestation detection and mapping using high-resolution visible and multispectral aerial imaging technique. Scientia Horticulturae, 287, 110228. https://doi.org/10.1016/j.scienta.2021.110228
Chang, A., Jung, J., Yeom, J., Maeda, M. M., Landivar, J. A., Enciso, J. M., Avila, C. A., & Anciso, J. R. (2021). Unmanned Aircraft System- (UAS-) Based High-Throughput Phenotyping (HTP) for Tomato Yield Estimation. Journal of Sensors, 2021(1), 8875606. https://doi.org/10.1155/2021/8875606
Chen, Y., Lee, W. S., Gan, H., Peres, N., Fraisse, C., Zhang, Y., & He, Y. (2019). Strawberry Yield Prediction Based on a Deep Neural Network Using High-Resolution Aerial Orthoimages. Remote Sensing, 11(13). https://doi.org/10.3390/rs11131584
Damon, G. (2025). Definition: Photosite; Photosites; Photo-site; (occ. pixelsite). Photokonnexion. https://www.photokonnexion.com/definition-photosite/
Das, R., & Bhattacharjee, C. (2020). Chapter 9—Lettuce. In A. K. Jaiswal (Red.), Nutritional Composition and Antioxidant Properties of Fruits and Vegetables (pp. 143-157). Academic Press. https://doi.org/10.1016/B978-0-12-812780-3.00009-X
Deery, D., Jimenez-Berni, J., Jones, H., Sirault, X., & Furbank, R. (2014). Proximal Remote Sensing Buggies and Potential Applications for Field-Based Phenotyping. Agronomy, 4(3), 349-379. https://doi.org/10.3390/agronomy4030349
Derden, A., Goovaerts, L., Vercaemst, P., & Vrancken, K. (2005). Beste Beschikbare Technieken (BBT) voor de glastuinbouw. https://emis.vito.be/nl/bbt/publicaties/bbtbref-en-andere-publicaties/g…
El Sakka, M., Ivanovici, M., Chaari, L., & Mothe, J. (2025). A Review of CNN Applications in Smart Agriculture Using Multimodal Data. Sensors, 25(2), Article 2. https://doi.org/10.3390/s25020472
Elliott, K., Berry, J. C., Kim, H., & Bart, R. S. (2022). A comparison of ImageJ and machine learning based image analysis methods to measure cassava bacterial blight disease severity. Plant Methods, 18(1), 86. https://doi.org/10.1186/s13007-022-00906-x
Fan, Y., Feng, H., Jin, X., Yue, J., Liu, Y., Li, Z., Feng, Z., Song, X., & Yang, G. (2022). Estimation of the nitrogen content of potato plants based on morphological parameters and visible light vegetation indices. Frontiers in Plant Science, 13. https://doi.org/10.3389/fpls.2022.1012070
FAO. (2025). FAO lettuce. Our World in Data. https://ourworldindata.org/search
Feldmann, M. J., Hardigan, M. A., Famula, R. A., López, C. M., Tabb, A., Cole, G. S., & Knapp, S. J. (2020). Multi-dimensional machine learning approaches for fruit shape phenotyping in strawberry. GigaScience, 9(5), giaa030. https://doi.org/10.1093/gigascience/giaa030
Fu, L., Majeed, Y., Zhang, X., Karkee, M., & Zhang, Q. (2020). Faster R–CNN–based apple detection in dense-foliage fruiting-wall trees using RGB and depth features for robotic harvesting. Biosystems Engineering, 197, 245-256. https://doi.org/10.1016/j.biosystemseng.2020.07.007
Gang, M.-S., Kim, H.-J., & Kim, D.-W. (2022). Estimation of Greenhouse Lettuce Growth Indices Based on a Two-Stage CNN Using RGB-D Images. Sensors, 22(15), Article 15. https://doi.org/10.3390/s22155499
Ge, L., Zou, K., Zhou, H., Yu, X., Tan, Y., Zhang, C., & Li, W. (2022). Three dimensional apple tree organs classification and yield estimation algorithm based on multi-features fusion and support vector machine. Information Processing in Agriculture, 9(3), 431-442. https://doi.org/10.1016/j.inpa.2021.04.011
GeeksforGeeks. (2025, juli 18). Using Early Stopping to Reduce Overfitting in Neural Networks. GeeksforGeeks. https://www.geeksforgeeks.org/deep-learning/using-early-stopping-to-red…
GeeksforGeeks. (2026, februari 20). Activation functions in Neural Networks. GeeksforGeeks. https://www.geeksforgeeks.org/machine-learning/activation-functions-neu…
Gomez Selvaraj, M., Vergara, A., Montenegro, F., Alonso Ruiz, H., Safari, N., Raymaekers, D., Ocimati, W., Ntamwira, J., Tits, L., Omondi, A. B., & Blomme, G. (2020). Detection of banana plants and their major diseases through aerial images and machine learning methods: A case study in DR Congo and Republic of Benin. ISPRS Journal of Photogrammetry and Remote Sensing, 169, 110-124. https://doi.org/10.1016/j.isprsjprs.2020.08.025
Guo, Y., Chen, S., Wu, Z., Wang, S., Bryant, C. R., Senthilnath, J., Cunha, M., & Fu, Y. H. (2021). Integrating Spectral and Textural Information for Monitoring the Growth of Pear Trees Using Optical Images from the UAV Platform. Remote Sensing, 13(9). https://doi.org/10.3390/rs13091795
Gupta, D. (2023). SECOND-NATIONAL-CONFERENCE-ON-NEW-OPPORTUNITIES-AND-CHALLENGES-IN-AGRICULTURE-AND-ALLIED-SECTORS-PROCEEDINGS.
Haar, L. V., Elvira, T., & Ochoa, O. (2023). An analysis of explainability methods for convolutional neural networks. Engineering Applications of Artificial Intelligence, 117, 105606. https://doi.org/10.1016/j.engappai.2022.105606
Hou, L., Zhu, Y., Wei, N., Liu, Z., You, J., Zhou, J., & Zhang, J. (2024). Study on Utilizing Mask R-CNN for Phenotypic Estimation of Lettuce’s Growth Status and Optimal Harvest Timing. Agronomy, 14(6), Article 6. https://doi.org/10.3390/agronomy14061271
Huang, K.-Y., & Cheng, J.-F. (2017). A Novel Auto-Sorting System for Chinese Cabbage Seeds. Sensors, 17(4). https://doi.org/10.3390/s17040886
Jamil, B., & Akhtar, N. (2017). Comparative analysis of diffuse solar radiation models based on sky-clearness index and sunshine period for humid-subtropical climatic region of India: A case study. Renewable and Sustainable Energy Reviews, 78, 329-355. https://doi.org/10.1016/j.rser.2017.04.073
Jang, G., Kim, J., Yu, J.-K., Kim, H.-J., Kim, Y., Kim, D.-W., Kim, K.-H., Lee, C. W., & Chung, Y. S. (2020). Review: Cost-Effective Unmanned Aerial Vehicle (UAV) Platform for Field Plant Breeding Application. Remote Sensing, 12(6), Article 6. https://doi.org/10.3390/rs12060998
Javaid, M., Haleem, A., Khan, I. H., & Suman, R. (2023). Understanding the potential applications of Artificial Intelligence in Agriculture Sector. Advanced Agrochem, 2(1), 15-30. https://doi.org/10.1016/j.aac.2022.10.001
Jayasuriya, N., Guo, Y., Hu, W., & Ghannoum, O. (2024). Image based Crop Monitoring Technologies in Protected Horticulture: A Review (arXiv:2401.13928). arXiv. https://doi.org/10.48550/arXiv.2401.13928
Johansen, K., Morton, M. J. L., Malbeteau, Y., Aragon, B., Al-Mashharawi, S., Ziliani, M. G., Angel, Y., Fiene, G., Negrão, S., Mousa, M. A. A., Tester, M. A., & McCabe, M. F. (2020). Predicting Biomass and Yield in a Tomato Phenotyping Experiment Using UAV Imagery and Random Forest. Frontiers in Artificial Intelligence, 3. https://doi.org/10.3389/frai.2020.00028
Ketkar, N., & Moolayil, J. (2021). Convolutional Neural Networks. In N. Ketkar & J. Moolayil (Red.), Deep Learning with Python: Learn Best Practices of Deep Learning Models with PyTorch (pp. 197-242). Apress. https://doi.org/10.1007/978-1-4842-5364-9_6
Khun, K., Tremblay, N., Panneton, B., Vigneault, P., Lord, E., Cavayas, F., & Codjia, C. (2021). Use of Oblique RGB Imagery and Apparent Surface Area of Plants for Early Estimation of Above-Ground Corn Biomass. Remote Sensing, 13(20), 4032. https://doi.org/10.3390/rs13204032
Kim, D.-W., Yun, H. S., Jeong, S.-J., Kwon, Y.-S., Kim, S.-G., Lee, W. S., & Kim, H.-J. (2018). Modeling and Testing of Growth Status for Chinese Cabbage and White Radish with UAV-Based RGB Imagery. Remote Sensing, 10(4). https://doi.org/10.3390/rs10040563
Kim, H.-Y. (2013). Statistical notes for clinical researchers: Understanding standard deviations and standard errors. Restorative Dentistry & Endodontics, 38(4), 263-265. https://doi.org/10.5395/rde.2013.38.4.263
Kior, A., Sukhov, V., & Sukhova, E. (2021). Application of Reflectance Indices for Remote Sensing of Plants and Revealing Actions of Stressors. Photonics, 8(12), Article 12. https://doi.org/10.3390/photonics8120582
Kior, A., Yudina, L., Zolin, Y., Sukhov, V., & Sukhova, E. (2024). RGB Imaging as a Tool for Remote Sensing of Characteristics of Terrestrial Plants: A Review. Plants, 13(9), Article 9. https://doi.org/10.3390/plants13091262
Kliman, R., Huang, Y., Zhao, Y., & Chen, Y. (2025). Toward an Automated System for Nondestructive Estimation of Plant Biomass. Plant Direct, 9(3), e70043. https://doi.org/10.1002/pld3.70043
Kumar Sharma, D., Chatterjee, M., Kaur, G., & Vavilala, S. (2022). Deep learning applications for disease diagnosis. In Deep Learning for Medical Applications with Unique Data (pp. 31-51). Academic Press. https://doi.org/10.1016/B978-0-12-824145-5.00005-8
Lakhani, P. (2020). The Importance of Image Resolution in Building Deep Learning Models for Medical Imaging. Radiology. Artificial intelligence, 2(1), e190177. https://doi.org/10.1148/ryai.2019190177
Lal, B. (2024). Lettuce: A dive into its nutritional value and economic significance.
Li, B., Xu, X., Han, J., Zhang, L., Bian, C., Jin, L., & Liu, J. (2019). The estimation of crop emergence in potatoes by UAV RGB imagery. Plant Methods, 15(1), 15. https://doi.org/10.1186/s13007-019-0399-7
Li, L., Zhang, Q., & Huang, D. (2014). A Review of Imaging Techniques for Plant Phenotyping. Sensors, 14(11), Article 11. https://doi.org/10.3390/s141120078
Li, Y., Zhang, Z., Azizi, A., Kabir, M. H., Igathinathane, C., Wang, X., Tahir, M. N., Han, X., & Zhang, M. (2024). Seeding detection and distribution evaluation using the developed automatic maize seeding machine. Computers and Electronics in Agriculture, 220, 108872. https://doi.org/10.1016/j.compag.2024.108872
Lin, R. (2022). Analysis on the Selection of the Appropriate Batch Size in CNN Neural Network. https://ieeexplore.ieee.org/document/9763653
Liu, S., Zeng, X., & Whitty, M. (2020). A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field. Computers and Electronics in Agriculture, 173, 105360. https://doi.org/10.1016/j.compag.2020.105360
Liu, X., Zhang, Z., Igathinathane, C., Flores, P., Zhang, M., Li, H., Han, X., Ha, T., Ampatzidis, Y., & Kim, H.-J. (2024). Infield corn kernel detection using image processing, machine learning, and deep learning methodologies under natural lighting. Expert Systems with Applications, 238, 122278. https://doi.org/10.1016/j.eswa.2023.122278
Mostafa, S., Mondal, D., Panjvani, K., Kochian, L., & Stavness, I. (2023). Explainable deep learning in plant phenotyping. Frontiers in Artificial Intelligence, 6. https://doi.org/10.3389/frai.2023.1203546
Mou, B. (2008). Lettuce. In J. Prohens & F. Nuez (Red.), Vegetables I: Asteraceae, Brassicaceae, Chenopodicaceae, and Cucurbitaceae (pp. 75-116). Springer. https://doi.org/10.1007/978-0-387-30443-4_3
Nawara, S., Berckmoes, D., Baets, D., & Melis, P. (2019). OUTPUT 5.2A: TWEE LIJSTEN MET SELECTIECRITERIA VOOR DE VERSCHILLENDE ZUIVERINGSSTAPPEN SPECIFIEK VOOR DE WATERZUIVERING VAN I.) TRAYVELDEN VOOR AARDBEI EN II .) MOBIELE GOTENSYSTEEM VOOR SLA. Proefstation voor de Groenteteelt.
Olenskyj, A. G., Sams, B. S., Fei, Z., Singh, V., Raja, P. V., Bornhorst, G. M., & Earles, J. M. (2022). End-to-end deep learning for directly estimating grape yield from ground-based imagery. Computers and Electronics in Agriculture, 198, 107081. https://doi.org/10.1016/j.compag.2022.107081
Owen, W. G., & Lopez, R. G. (2015). End-of-production Supplemental Lighting with Red and Blue Light-emitting Diodes (LEDs) Influences Red Pigmentation of Four Lettuce Varieties. https://doi.org/10.21273/HORTSCI.50.5.676
Petropoulou, A. S., van Marrewijk, B., de Zwart, F., Elings, A., Bijlaard, M., van Daalen, T., Jansen, G., & Hemming, S. (2023). Lettuce Production in Intelligent Greenhouses—3D Imaging and Computer Vision for Plant Spacing Decisions. Sensors, 23(6), Article 6. https://doi.org/10.3390/s23062929
Pinheiro, J. M. H., Oliveira, S. V. B. de, Silva, T. H. S., Saraiva, P. A. R., Souza, E. F. de, Godoy, R. V., Ambrosio, L. A., & Becker, M. (2025). The Impact of Feature Scaling in Machine Learning: Effects on Regression and Classification Tasks. IEEE Access, 13, 199903-199931. https://doi.org/10.1109/ACCESS.2025.3635541
Ramos, R. P., Gomes, J. S., Prates, R. M., Simas Filho, E. F., Teruel, B. J., & dos Santos Costa, D. (2021). Non-invasive setup for grape maturation classification using deep learning. Journal of the Science of Food and Agriculture, 101(5), 2042-2051. https://doi.org/10.1002/jsfa.10824
Renaud, O., & Victoria-Feser, M.-P. (2010). A robust coefficient of determination for regression. Journal of Statistical Planning and Inference, 140(7), 1852-1862. https://doi.org/10.1016/j.jspi.2010.01.008
Rijk Zwaan. (2009, juli 10). Hydroteelt onder de loep. https://www.groentennieuws.nl/article/48725/hydroteelt-onder-de-loep/
Rijk Zwaan. (2026). VOLUMIA RZ | Botersla | Groentezaden | Rijk Zwaan. https://www.rijkzwaan.nl/sla/VOLUMIA-RZ-prdLS11219-ctgCrops.lettuce
Roman, A., & Ursu, T. (2016). Multispectral satellite imagery and airborne laser scanning techniques for the detection of archaeological vegetation marks (pp. 141-152).
Ropelewska, E., & Rutkowski, K. P. (2021). Cultivar discrimination of stored apple seeds based on geometric features determined using image analysis. Journal of Stored Products Research, 92, 101804. https://doi.org/10.1016/j.jspr.2021.101804
Rui, Z., Zhang, Z., Zhang, M., Azizi, A., Igathinathane, C., Cen, H., Vougioukas, S., Li, H., Zhang, J., Jiang, Y., Jiao, X., Wang, M., Ampatzidis, Y., Oladele, O. I., Ghasemi-Varnamkhasti, M., & Radi, R. (2024). High-throughput proximal ground crop phenotyping systems – A comprehensive review. Computers and Electronics in Agriculture, 224, 109108. https://doi.org/10.1016/j.compag.2024.109108
Seki, K., & Toda, Y. (2022). QTL mapping for seed morphology using the instance segmentation neural network in Lactuca spp. Frontiers in Plant Science, 13. https://doi.org/10.3389/fpls.2022.949470
Shafi, S., & Assad, A. (2023). Exploring the Relationship Between Learning Rate, Batch Size, and Epochs in Deep Learning: An Experimental Study. In M. Thakur, S. Agnihotri, B. S. Rajpurohit, M. Pant, K. Deep, & A. K. Nagar (Red.), Soft Computing for Problem Solving (pp. 201-209). Springer Nature. https://doi.org/10.1007/978-981-19-6525-8_16
Shafiekhani, A., Kadam, S., Fritschi, F. B., & DeSouza, G. N. (2017). Vinobot and Vinoculer: Two Robotic Platforms for High-Throughput Field Phenotyping. Sensors, 17(1), 214. https://doi.org/10.3390/s17010214
Shahinfar, S., Meek, P., & Falzon, G. (2020). “How many images do I need?” Understanding how sample size per class affects deep learning model performance metrics for balanced designs in autonomous wildlife monitoring. Ecological Informatics, 57, 101085. https://doi.org/10.1016/j.ecoinf.2020.101085
Si, Y., Sankaran, S., Knowles, N. R., & Pavek, M. J. (2017). Potato Tuber Length-Width Ratio Assessment Using Image Analysis. American Journal of Potato Research, 94(1), 88-93. https://doi.org/10.1007/s12230-016-9545-1
Sinha, S. N. (2021). Occlusion. In Computer Vision (pp. 1-4). Springer, Cham. https://doi.org/10.1007/978-3-030-03243-2_806-1
Sng, B. J. R., Mun, B., Mohanty, B., Kim, M., Phua, Z. W., Yang, H., Lee, D.-Y., & Jang, I.-C. (2021). Combination of red and blue light induces anthocyanin and other secondary metabolite biosynthesis pathways in an age-dependent manner in Batavia lettuce. Plant Science, 310, 110977. https://doi.org/10.1016/j.plantsci.2021.110977
Snoeck, N. J., Dekkers, W., Lumkes, L., Titulaer, H. H. H., van der Zweep, F., van Kruistum, G., Jonkers, J., de Moel, C. P., Meier, R., van Kruistum, G., & van der Ham, G. (1985). Teelt van sla (Eerste oplage). Proefstation voor de Akkerbouw en Groenteteelt in de Vollegrond, Lelystad.
Song, J., Huang, H., Hao, Y., Song, S., Zhang, Y., Su, W., & Liu, H. (2020). Nutritional quality, mineral and antioxidant content in lettuce affected by interaction of light intensity and nutrient solution concentration. Scientific Reports, 10(1), 2796. https://doi.org/10.1038/s41598-020-59574-3
Soufi, H. R., Roosta, H. R., Stępień, P., Malekzadeh, K., & Hamidpour, M. (2023). Manipulation of light spectrum is an effective tool to regulate biochemical traits and gene expression in lettuce under different replacement methods of nutrient solution. Scientific Reports, 13(1), 8600. https://doi.org/10.1038/s41598-023-35326-x
Sugiura, R., Tsuda, S., Tamiya, S., Itoh, A., Nishiwaki, K., Murakami, N., Shibuya, Y., Hirafuji, M., & Nuske, S. (2016). Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle. Biosystems Engineering, 148, 1-10. https://doi.org/10.1016/j.biosystemseng.2016.04.010
Supertrek. (2024, december 20). Wat is een RGB-camera? https://www.supertekmodule.com/what-is-rgb-camera/
Surya Prabha, D., & Satheesh Kumar, J. (2015). Assessment of banana fruit maturity by image processing technique. Journal of Food Science and Technology, 52(3), 1316-1327. https://doi.org/10.1007/s13197-013-1188-3
Tan, J., Hou, J., Xu, W., Zheng, H., Gu, S., Zhou, Y., Qi, L., & Ma, R. (2023). PosNet: Estimating lettuce fresh weight in plant factory based on oblique image. Computers and Electronics in Agriculture, 213, 108263. https://doi.org/10.1016/j.compag.2023.108263
TechNexion. (2025). RGB cameras: Definition, components, and integration. TechNexion. https://www.technexion.com/resources/rgb-cameras/
Thomas More. (2021, september 1). Exp-E Intelligente klimaatoptimalisatie met en voor tuinders (KlimOp-AI) | Thomas More. https://thomasmore.be/nl/onderzoek/projecten/exp-e-intelligente-klimaat…
van Dijk, M., Morley, T., Rau, M. L., & Saghai, Y. (2021). A meta-analysis of projected global food demand and population at risk of hunger for the period 2010–2050. Nature Food, 2(7), 494-501. https://doi.org/10.1038/s43016-021-00322-9
VLAM. (2025). Knowledge base | Vlaams Centrum voor Agro- en Visserijmarketing. https://www.vlaanderen.be/vlam/kennisbank?page=0
Wasonga, D. O., Yaw, A., Kleemola, J., Alakukku, L., & Mäkelä, P. S. A. (2021). Red-Green-Blue and Multispectral Imaging as Potential Tools for Estimating Growth and Nutritional Performance of Cassava under Deficit Irrigation and Potassium Fertigation. Remote Sensing, 13(4). https://doi.org/10.3390/rs13040598
Wu, J., Yang, G., Yang, H., Zhu, Y., Li, Z., Lei, L., & Zhao, C. (2020). Extracting apple tree crown information from remote imagery using deep learning. Computers and Electronics in Agriculture, 174, 105504. https://doi.org/10.1016/j.compag.2020.105504
Xiong, J., Liu, Z., Chen, S., Liu, B., Zheng, Z., Zhong, Z., Yang, Z., & Peng, H. (2020). Visual detection of green mangoes by an unmanned aerial vehicle in orchards based on a deep learning method. Biosystems Engineering, 194, 261-272. https://doi.org/10.1016/j.biosystemseng.2020.04.006
Xu, D., Chen, J., Li, B., & Ma, J. (2023). Improving Lettuce Fresh Weight Estimation Accuracy through RGB-D Fusion. Agronomy, 13(10), Article 10. https://doi.org/10.3390/agronomy13102617
Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018). Convolutional neural networks: An overview and application in radiology. Insights into Imaging, 9(4), Article 4. https://doi.org/10.1007/s13244-018-0639-9
Yu, C., Yan, C., Liu, Y., Liu, Y., Jia, Y., Lavelle, D., An, G., Zhang, W., Zhang, L., Han, R., Larkin, R. M., Chen, J., Michelmore, R. W., & Kuang, H. (2020). Upregulation of a KN1 homolog by transposon insertion promotes leafy head development in lettuce. Proceedings of the National Academy of Sciences, 117(52), 33668-33678. https://doi.org/10.1073/pnas.2019698117
Zhang, L., Su, W., Tao, R., Zhang, W., Chen, J., Wu, P., Yan, C., Jia, Y., Larkin, R. M., Lavelle, D., Truco, M.-J., Chin-Wo, S. R., Michelmore, R. W., & Kuang, H. (2017). RNA sequencing provides insights into the evolution of lettuce and the regulation of flavonoid biosynthesis. Nature Communications, 8(1), 2264. https://doi.org/10.1038/s41467-017-02445-9
Zhang, L., Xu, Z., Xu, D., Ma, J., Chen, Y., & Fu, Z. (2020). Growth monitoring of greenhouse lettuce based on a convolutional neural network. Horticulture Research, 7, 124. https://doi.org/10.1038/s41438-020-00345-6
Zhang, Y., Xu, S., Cheng, Y., Peng, Z., & Han, J. (2018). Transcriptome profiling of anthocyanin-related genes reveals effects of light intensity on anthocyanin biosynthesis in red leaf lettuce. PeerJ, 6, e4607. https://doi.org/10.7717/peerj.4607
Zhao, H., Gallo, O., Frosio, I., & Kautz, J. (2017). Loss Functions for Image Restoration With Neural Networks. IEEE Transactions on Computational Imaging, 3(1), 47-57. https://doi.org/10.1109/TCI.2016.2644865
Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M. (2024). A review of convolutional neural networks in computer vision. Artificial Intelligence Review, 57(4), 99. https://doi.org/10.1007/s10462-024-10721-6
Zheng, C., Abd-Elrahman, A., Whitaker, V. M., & Dalid, C. (2022). Deep Learning for Strawberry Canopy Delineation and Biomass Prediction from High-Resolution Images. Plant Phenomics, 2022. https://doi.org/10.34133/2022/9850486
Zhu, Y., Gu, Q., Zhao, Y., Wan, H., Wang, R., Zhang, X., & Cheng, Y. (2022). Quantitative Extraction and Evaluation of Tomato Fruit Phenotypes Based on Image Recognition. Frontiers in Plant Science, 13. https://doi.org/10.3389/fpls.2022.859290
