Over Ons

Huidige Situatie

Boeren hebben sinds 2021 in Nederland gemiddeld 35 hectare land, een stijging van bijna 75% sinds 2000. Deze schaalvergroting betekent dat boeren veel land hebben waar zij niet constant toezicht op kunnen houden. Uit onderzoek blijkt dat boeren gemiddeld 66 uur per week werken. Minister Wiersma werkt sinds mei 2025 aan versoepeling van drone-regels voor precisielandbouw.

Gewenste Situatie

Landbouwbedrijven maken effectief gebruik van drones en data-analyse om grote percelen efficiënt te beheren. Drones monitoren grote oppervlakten met sensoren, waardoor afwijkingen in gewasgezondheid vroegtijdig worden gesignaleerd. Door monitoring te automatiseren, vermindert het aantal fysieke controle-rondes en wordt de werkdruk verlaagd.

Technische Haalbaarheid (Prototyping)

Om de technische haalbaarheid te toetsen zijn we direct gestart met experimenteren. We hebben succesvol een drone gesimuleerd met behulp van Python binnen de simulatie-omgeving AirSim. Deze opstelling is volledig uitgetest en werkt naar behoren, wat ons een sterke technische fundering geeft voor het vervolg van het project.

Gebruikersonderzoek (Interviews)

Tegelijkertijd hebben we de vraag uit de markt onderzocht door boeren (voornamelijk gericht op begrazing) te interviewen. Hieruit kwamen verrassende inzichten die onze aannames uitdaagden:

• Verdienmodel & Doel: De focus ligt vaak op ecologische begrazingsdiensten, niet op vleesproductie. Dieren vervangen traditionele grasmaaiers.
• Arbeid vs. Technologie: Er is veel seizoensgebonden handwerk. Bestaande technologische oplossingen (zoals chip-apps) worden vaak ervaren als traag en frustrerend (slechte UX).
• Monitoring is Mensenwerk: Gezondheid wordt puur visueel beoordeeld (gedrag, houding). Er is een harde trade-off: meer automatisering betekent minder direct zicht op het dier, wat leidt tot zorgen over dierwelzijn en risico's.
• Omgevingsfactoren: De inzet van drones is vaak lastig wegens variërende fysieke omgevingen of wetgeving (zoals no-fly zones). Boeren staan open voor innovatie, maar hebben latente behoeften in plaats van een directe vraag naar een drone.

Ideatie & Eerste Richting

Na de pivot in Sprint 2 hebben we diverse nieuwe invalshoeken verkend, variërend van slimme plantplanningen tot kuddebeheer. Uiteindelijk kozen we ervoor om in te zoomen op de preventie van natuurbranden voor gemeentes en boseigenaren. We hebben deskresearch uitgevoerd naar de gebruikers, de context en hoe we onze technologie (image classification en simulaties) hierop konden toepassen.

Validatie via Socialfest & Nieuwe Inzichten

Met deze ontwerpvraag hebben we een demo en poster gepresenteerd tijdens het Socialfest. De feedback was waardevol maar confronterend:

• Wetgeving & Haalbaarheid: Als het juridisch was toegestaan, zetten instanties nu al veel vaker autonome drones in.
• Alternatieven: Voor oppervlaktedata worden vaak al efficiënt satellietbeelden gebruikt; drones zijn niet altijd de meest logische keuze.
• Doelgroep: De urgentie voor bosbranddetectie ligt veel meer in het buitenland dan in Nederland.

Het Inzicht: Een Multi-Purpose Platform

Door deze feedback raakten we gemotiveerd om het probleem anders te benaderen. Uit een gesprek met expert Maurice bleek dat drone-beeldherkenning ontzettend veel waardevolle, maar vaak erg niche use-cases heeft (bijvoorbeeld het tellen van specifieke dieren in een bos). In plaats van ons te beperken tot één kleine doelgroep met één specifieke toepassing, besloten we deze spreiding te omarmen. We richten ons vanaf nu op het bouwen van een drone-software platform dat meerdere use-cases ondersteunt.

Huidige Situatie (Vernieuwd)

Er zijn talloze ecologische, agrarische en ruimtelijke vraagstukken (zoals populatiebeheer of gewasanalyse) die opgelost kunnen worden met drone-data. Echter, voor elk los probleem moet nu een specifieke applicatie of dure maatwerkoplossing worden ontwikkeld. Bovendien zijn huidige methodes vaak handmatig of maken ze gebruik van macro-data (satellieten) die onvoldoende detail bieden voor specifieke lokale taken.

Gewenste Situatie (Vernieuwd)

Gebruikers (zoals boswachters, boeren en onderzoekers) hebben toegang tot één centraal en laagdrempelig softwareplatform (een 'drone-app'). Hierin kunnen zij eenvoudig een specifieke taak selecteren die zij door de drone willen laten uitvoeren (bijv. dieren tellen of een specifieke diersoort zoeken). Het platform stuurt de (simulatie)drone autonoom aan en maakt gebruik van flexibele image classification modules om de gewenste data direct te leveren.

Met de platformvisie uit Sprint 3 als fundament maken we in Sprint 4 de vertaalslag naar een tastbaar product. We focussen ons gelijktijdig op de software-interface, de aansturing van fysieke hardware en de ontwikkeling van de eerste AI-module.

Herformulering ontwerpvraag

De koerswijziging naar een modulair drone-platform bracht richting, maar in Sprint 4 hebben we de ontwerpvraag opnieuw aangescherpt. Gesprekken met stakeholders en onze eerste prototypes maakten duidelijk dat eindgebruikers vooral behoefte hebben aan een toegankelijke oplossing: eenvoudig te bedienen, met heldere taken en overzichtelijke resultaten, in plaats van een complex platform met veel losse niche-toepassingen. Daarmee koppelen we onze technische mogelijkheden (image classification, dashboard) expliciet aan de praktijk op landgoederen, in bossen en op weilanden.

Het Platform: Web-UI Design

We zijn gestart met het ontwerpen van de web-interface (UI) voor onze applicatie. Dit moet de centrale, gebruiksvriendelijke hub worden waar de eindgebruiker (bijv. een boswachter of gemeente) laagdrempelig zijn of haar specifieke use-case kan selecteren, configureren en de data kan uitlezen.

Van Simulatie naar Realiteit: DJI Tello

Hoewel onze eerdere experimenten in de AirSim-simulatie succesvol waren, is het cruciaal om onze code ook in de echte wereld te valideren. We hebben hiervoor een DJI Tello drone aangeschaft. We hebben succesvol geëxperimenteerd met het direct aansturen van deze fysieke drone via Python, wat bewijst dat we de brug tussen onze software en externe hardware kunnen slaan.

Proof of Concept: Dieren Detecteren

Om aan te tonen dat het platform daadwerkelijk verschillende taken aankan, werken we een eerste concrete 'voorbeeldmodule' uit. We zijn momenteel bezig met het trainen van een image recognition model dat specifiek is gericht op het detecteren en classificeren van dieren vanuit de lucht.

Resultaat

Een drone die met behulp van image classification objecten kan detecteren en tellen. De verzamelde gegevens worden vervolgens weergegeven in een dashboard, waardoor eindgebruikers processen kunnen automatiseren en data op afstand kunnen monitoren.

Belangrijkste inzichten

De limitatie van een goedkope drone is geen GPS, hele korte batterijduur, een oud framework en een slechte camera (kan alleen naar voren kijken). Meer functionaliteiten hadden kunnen worden onderzocht mochten we een betere drone tot beschikking hebben gehad.

Advies aan anderen

Met een iets hogere investering kan er worden gewerkt met een betere drone die in staat is om veel meer functies uit te voeren, maar ook de huidige functies beter uit te voeren (beter camerabeeld, langer vliegen, GPS). Een voorbeeld van een betere drone is de PX4 Development Kit X500 V2. Verder is het verstandig om kritisch te zijn op de risico's die kunnen ontstaan met autonome drones; hierover hebben we meer gepraat in het risico-rapport.