Tuinrozen zijn gevoelig voor schimmelziekten zoals: sterroetdauw ziekte en valse meeldauw. Wij bouwen een slim camerasysteem dat zaailingen snel en objectief controleert. Elke tray rijdt langs twee sensoren: een snelle RGB-camera voor zichtbare signalen en een hyperspectrale camera die subtiele veranderingen ziet, vaak dagen vóórdat infectie plekken van ziekten ontstaan. AI combineert deze beelden tot een duidelijke kans inschatting met betrouwbaarheidsniveau en geeft een eenvoudige ‘doorgaan/controleer’-aanbeveling. Kwekers blijven aan zet: hun correcties worden ’s nachts geleerd, waardoor het systeem elke ronde beter wordt en het bestrijdingsmiddelen gebruik kan dalen.

The aim of this project is to design an advanced imaging platform for early disease detection in garden rose seedlings.

2.1 Design a greenhouse-ready hardware system.
We will design, implement and validate an automated, scalable and high-throughput precision imaging platform enabling constant tray speed phenotyping and deterministic routing.
2.2 Design AI disease-phenotyping models.
We will design, implement and validate a tiered AI modelling stack that learns black spot and downy mildew signatures from digital scans, quantifies pre-symptomatic lead-time, and outputs calibrated, uncertainty-aware probabilities per seedling.
2.3 Design a ‘breeder-in-the-loop’ decision workflow.
We will design, implement and validate an active learning workflow using breeders’ feedback to continuously improve the AI models so they deliver earlier and more reliable per-seedling decisions.