De landbouwsector staat voor de belangrijke uitdaging om aan de stijgende vraag te voldoen zonder de impact op het milieu en klimaat verder te verhogen. Daarin is een belangrijke rol weggelegd voor precisielandbouw. Dankzij nieuwe technologieën kunnen we sinds kort velden veel gedetailleerder in kaart brengen. De interpretatie en automatische verwerking van die informatie blijft een belangrijke uitdaging. Deep learning, een snel ontwikkelende AI technologie, kan hierbij een grote rol spelen, maar is tot nu toe toegespitst op gesuperviseerd leren, wat minder geschikt is voor landbouwtoepassingen. Het doel van dit voorstel is om een operationele en gebruiksvriendelijke methode te ontwikkelen die op basis van drone-beelden afwijkingen – ziektes, infecties, of verminderde groei - in aardappelplanten kan detecteren. Hiervoor ontwikkelen we een deep learning methode die gebruik maakt van een combinatie van niet-gesuperviseerde en semi-gesuperviseerd leren. Een niet-gesuperviseerde methode om beelden te reconstrueren vormt de basis van de methode; hier wordt een semi-gesuperviseerde methode gekoppeld om afwijkingen op te sporen, door gebruik te maken van de kennis van de landbouwers zonder echter af te hangen van een excessieve manuele input. De methode zal worden verfijnd met verschillende datasets van aardappelplanten in de belangrijkste stress- en infectie- condities. Het eindresultaat is een robuust systeem dat afwijkingen kan opsporen en visualiseren voor de landbouwer.