Planten herkennen met AI: hoe werkt het en hoe betrouwbaar is het?

Planten herkennen met behulp van AI betekent dat een app de soort van een levende plant probeert te bepalen op basis van een foto. De software vergelijkt de visuele patronen op de afbeelding (zoals de vorm en nerven van een blad, de vorm van een bloem of de textuur van de schors) met miljoenen foto's die al door botanici zijn geïdentificeerd. Vervolgens toont de app een lijst met mogelijke soorten, van de meest waarschijnlijke naar de minst waarschijnlijke. Er is in dit hele proces geen sprake van dat de software de plant daadwerkelijk 'begrijpt'.

In onafhankelijke onderzoeken die tussen 2020 en 2025 zijn gepubliceerd, hadden de apps het bij de eerste suggestie in 17% tot 90% of de gevallen bij het juiste eind. Dat grote verschil ligt meestal niet aan de app zelf, maar aan wat je fotografeert. Dezelfde camera, dezelfde plant en dezelfde app geven een heel ander resultaat als je een foto maakt van de schors in plaats van het blad, of wanneer de plant in bloei staat.

Snelle samenvatting:

• In een onderzoek van Schmidt en collega's (2022) naar 55 boomsoorten scoorde de meest nauwkeurige app 83,86% correct bij foto's van bladeren, maar slechts 51,82% bij foto's van de schors. Dat is een daling van 32 procentpunten bij exact dezelfde plant en met dezelfde app.

• Bij 560 foto's van Ierse kruidachtige planten (Campbell, Peacock en Bacon, 2023) presteerden alle geteste apps beter met een foto van de bloem dan van het blad, met verschillen variërend van 6 tot 29 procentpunten.

• Er is tot op heden geen enkel gepubliceerd onderzoek dat de nauwkeurigheid bij gekweekte kamerplanten heeft gemeten. Bestaande tests richtten zich uitsluitend op bomen in de stad, wilde flora en akkerplanten.

• Een cultivar is geen botanische soort: voor het AI-model zijn een Monstera 'Thai Constellation' en een 'Albo' precies dezelfde plant.

• De uitslag van een app is geen medisch of veiligheidsadvies. In een test gepubliceerd in Clinical Toxicology (2023) werd 5 van de 11 giftige plantensoorten door minstens één app als eetbaar aangemerkt.

Wat de AI echt doet als je een plant fotografeert

Een AI-plantenherkenner heeft geen verstand de botanie. Het is een computervisiemodel dat is getraind op een database met reeds geïdentificeerde foto's. Wat het model doet is puur het meten van visuele gelijkenis: het zet jouw foto om in een lijst met numerieke kenmerken (zoals randen, curven, texturen en verhoudingen) en zoekt in de database naar de soorten waarvan de foto's vergelijkbare waarden opleveren. Het resultaat is een ranglijst van mogelijke kandidaten, elk met een bepaald percentage aan betrouwbaarheid.

Dit heeft vier praktische gevolgen die bijna elke fout verklaren die je zult tegenkomen:

1. Wat niet in de database staat, kan niet worden herkend. Pl@ntNet, het grootste open project op dit gebied, publiceert de eigen cijfers: 84.710 soorten en meer dan 1,47 miljard afbeeldingen, verdeeld over 77 regionale flora's. Dat is veel, en toch is het slechts een fractie van de ongeveer 400.000 beschreven soorten bloeiende planten ter wereld.

2. De betrouwbaarheidsscore meet gelijkenis, geen absolute waarheid. Een hoog percentage betekent simpelweg: "Deze foto lijkt erg op de foto's van deze soort in mijn database". Als de juiste soort niet in de database staat, zal het model met veel vertrouwen de meest gelijkaardige buursoort tonen.

3. Het plantendeel is belangrijker dan de app. Elk plantenonderdeel bevat een andere hoeveelheid taxonomische informatie, and het model kan alleen werken met wat er op de foto te zien is.

4. Het model is een gemiddelde. Het is getraind met foto's van volwassen, gezonde planten in hun natuurlijke omgeving. Hoe meer jouw situatie daarvan afwijkt, hoe groter de kans op fouten.

Pl@ntNet zelf is heel eerlijk over wat veel productpagina's verzwijgen: "zoals elk AI-model is Pl@ntNet niet onfeilbaar".

Hoeveel procent heeft de AI goed, volgens de wetenschap?

In vier onafhankelijke onderzoeken die tussen 2020 and 2025 zijn gepubliceerd, identificeerden AI-apps de plantensoort bij de eerste suggestie in 17% tot 90% van de gevallen correct, afhankelijk van de app, de geteste flora en het gefotografeerde plantendeel. De herkenning op het niveau van het geslacht (genus) is altijd hoger dan op het niveau van de specifieke soort.

Hieronder vind je de cijfers uit elk onderzoek. Omdat deze onderzoeken verschillende flora, steekproeven en criteria gebruikten, mag je de cijfers alleen binnen dezelfde rij vergelijken, en nooit tussen de rijen onderling. Een app die 83% scoort in een onderzoek naar bomen in New Jersey is niet automatisch "beter" dan een app die 57% scoort in een onderzoek naar de Britse flora.

Er zijn twee duidelijke trends te zien in deze vier onderzoeken. Ten eerste zijn de apps snel beter geworden: het verschil tussen het onderzoek uit 2020 en dat uit 2025 is veel te groot om op toeval te berusten. Ten tweede heeft de compositie van je foto binnen dezelfde app net zoveel invloed op het resultaat als het kwaliteitsverschil tussen de apps onderling. In het onderzoek van Schmidt zorgde het wisselen van een blad naar schors voor een verlies van 32 procentpunten bij de beste app, wat meer dan het dubbele is van het verschil van 14 procentpunten met de nummer twee.

De app die je downloadt is overigens bijna nooit de partij die de daadwerkelijke herkenning uitvoert. Veel apps maken achter de schermen gebruik van de technologie van een ander bedrijf. Het bekende Bloom herkent planten bijvoorbeeld via Plant.id. Dit is dezelfde herkenningsmodule die als eerste uit de bus kwam in het onderzoek van Jones (2020) en die tegenwoordig bovenaan de zoekresultaten van Google staat, met een geteste nauwkeurigheid van 93% door onafhankelijke universiteiten. Let wel: dit percentage hoort bij de herkenningsmodule zelf, en niet direct bij elke losse app die deze dienst inkoopt.

Waarom boomschors veel vaker misgaat dan een blad

Een foto van boomschors is de moeilijkste opname die je een AI-plantenherkenner kunt voorschotelen. In het onderzoek van Schmidt en collega's (2022) werden dezelfde 55 boomsoorten twee keer gefotografeerd: één keer via het blad en één keer via de schors, met hetzelfde toestel en door dezelfde onderzoekers. Dit was het resultaat:

Dat is een daling van maar liefst 32,04 procentpunten op soortniveau voor PictureThis en 37,73 procentpunten voor iNaturalist. De samenvatting van het onderzoek windt er geen doekjes om: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (deze apps zijn veel nauwkeuriger in het identificeren van foto's van bladeren dan van foto's van schors).

De oorzaak hiervan is biologisch, niet technisch. Een blad bevat kenmerken waarmee soorten zich echt van elkaar onderscheiden, zoals de vorm, het type bladrand (glad, gezaagd, gelobd), het patroon van de nerven en de aanhechting van de bladsteel. Schors heeft voornamelijk textuur, en die textuur verandert naarmate een boom ouder wordt. Ook de vochtigheid van de dag, de aanwezigheid van korstmossen of schimmels, en zelfs de windrichting van de stam die je fotografeert spelen mee. Twee verschillende boomsoorten kunnen op twintigjarige leeftijd bijna identieke schors hebben, terwijl de schors van één en dezelfde soort compleet verandert tussen het 5e en 50e levensjaar.

Bloeiende planten geven direct betere resultaten

Bloemen leveren de meest waardevolle informatie op voor AI-herkenning. Het verschil is zo groot dat het loont om te wachten tot je plant bloeit voordat je een foto maakt. In de studie van Campbell, Peacock en Bacon (2023) werden 38 kruidachtige soorten 560 keer gefotografeerd, de helft als blad en de helft als bloem, met dezelfde telefoon en zonder bewerkingen. De resultaten per app waren als volgt:

Het effect verschijnt opnieuw, onafhankelijk, in Hart et al. (2023), People and Nature 5(2), dat registreert: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (de slechtst presterende apps waren aanzienlijk beter wanneer er een bloem aanwezig was).

De reden hiervoor is hetzelfde als bij de schors. Botanici gebruiken bloemen al drie eeuwen om planten te classificeren. Het aantal bloemblaadjes, de symmetrie, de positie van de meeldraden en de vorm van de kelk zijn stabiel binnen een soort en verschillen sterk tussen soorten onderling. Bladeren zijn veel minder eenduidig: tientallen soorten aronskelkachtigen (Araceae) hebben glanzende, ovale, groene bladeren die sprekend op elkaar lijken.

Een gatenplant, graslelie, pannenkoekenplant, varen of vrouwentong bloeit binnenshuis zelden of nooit. Wie zijn kamerplanten fotografeert, bevindt zich dus bijna altijd in de minst gunstige situatie voor een correcte herkenning.

Waarom kamerplanten het moeilijkst te herkennen zijn

Gekweekte kamerplanten vormen de grootste uitdaging voor AI-herkenning. Dit komt door een opeenstapeling van drie factoren: ze zijn nooit meegenomen in de gepubliceerde onderzoeken, het gaat vaak om cultivars die de AI niet kan onderscheiden van de botanische basissoort, en ze bloeien bijna nooit.

Geen enkel gepubliceerd onderzoek heeft kamerplanten getest. Kijk maar naar wat er daadwerkelijk is onderzocht: Schmidt en collega's (2022) testten bomen in New Jersey; Campbell, Peacock en Bacon (2023) testten Ierse weideplanten; Jones (2020) richtte zich op de Britse flora; en Hart et al. (2023) onderzochten wilde planten in het Verenigd Koninkrijk en sloten uitheemse tuinplanten bewust uit. Als je leest dat "apps 85% nauwkeurig zijn", dan is die 85% gemeten in de vrije natuur, niet in jouw woonkamer.

Een cultivar is geen soort, en het model kent alleen soorten. De planten die je in het tuincentrum koopt, zijn vaak speciaal geselecteerde kweekvormen met een eigen fantasienaam. Een Monstera deliciosa 'Thai Constellation' en een 'Albo Borsigiana' zijn botanisch gezien exact dezelfde soort. Het verschil zit in de bonte bladtekening (variegatie), en dat is nu juist het kenmerk dat ons menselijk oog gebruikt om ze te onderscheiden, maar dat het AI-model heeft geleerd te negeren als zijnde een schaduw of lichtval. Er zijn simpelweg geen aparte labels voor de meeste cultivars in de database, waardoor de app weliswaar de juiste hoofdsoort herkent, maar niet de specifieke variant die jij in handen hebt.

Kamerplanten wijken af van de trainingsgegevens. De referentiefoto's in de database tonen gezonde, volgroeide planten in hun natuurlijke habitat. Jouw kamerplant staat waarschijnlijk in een pot, is misschien gesnoeid, groeit scheef naar het raam toe, heeft kleinere bladeren, droge puntjes en geen bloemen. Al deze afwijkingen zorgen ervoor dat de foto minder lijkt op wat het model tijdens zijn training heeft gezien.

Dit betekent niet dat een app onbruikbaar is voor kamerplanten. Maar houd er rekening mee dat de gepubliceerde succespercentages de absolute bovengrens zijn, niet het gemiddelde dat jij binnenshuis zult ervaren. Het is hier dus extra belangrijk om het resultaat zelf nog even te controleren.

Als een fout gevaarlijk is: giftige planten en huisdieren

Plantenidentificatie door AI is niet betrouwbaar om te bepalen of een plant giftig is. In een test gepubliceerd in Clinical Toxicology 61(7) in 2023 werden 5 van de 11 potentieel giftige soorten als eetbaar geïdentificeerd door minstens één van de beoordeelde apps. De studie van Campbell, Peacock en Bacon omvatte twee giftige planten en komt tot dezelfde conclusie, in een zin die het waard is om in zijn geheel te citeren:

"They should not be trusted to identify toxic species." (Ze mogen niet worden vertrouwd om giftige soorten te identificeren.)

De praktische regel is simpel: gebruik de app als eerste filter en bevestig de soort in een botanische bron voordat u de plant binnen het bereik van een kat, hond of kind laat, en neem nooit iets in op basis van identificatie per foto. Twee van de meest voorkomende kamerplanten in Brazilië behoren tot de giftige planten voor huisdieren:

Tips om te fotograferen voor een beter resultaat

De manier waarop je de foto maakt, heeft meer invloed op de nauwkeurigheid dan de keuze van de app. Dit zijn zes praktische regels, gebaseerd op wetenschappelijk onderzoek:

1. Als er een bloem is, fotografeer de bloem. Dit scheelt 6 tot 29 procentpunten in de tabel van PLOS ONE, binnen dezelfde app.

2. Kies altijd voor het blad in plaats van de schors. Dit scheelt tot wel 32 procentpunten op soortniveau in het onderzoek van Schmidt.

3. Breng één onderdeel in beeld. Zorg dat het hele blad of de hele bloem het beeld vult, in plaats van de hele plant van een afstand te fotograferen.

4. Zorg voor een rustige achtergrond. Een blad dat op een wit vel papier ligt of op de palm van je hand ligt, voorkomt dat het model achtergronddetails aanziet voor onderdelen van de plant.

5. Kom dichtbij genoeg om de nerven te zien. Het patroon van de nerven levert de helft van de botanische informatie die een blad te bieden heeft.

6. Bekijk de top 5 met suggesties, niet alleen de eerste. In het onderzoek van Hart et al. (2023) steeg de gemiddelde nauwkeurigheid van de apps van 69% bij de eerste suggestie naar 85% als er naar de top 5 werd gekeken. De juiste soort staat er vaak wel tussen, alleen niet altijd helemaal bovenaan.

Als de app die optie biedt, stuur dan meerdere foto's van verschillende delen van dezelfde plant in. Systemen die meerdere afbeeldingen combineren, kunnen de visuele signalen samenvoegen en komen zo tot een nauwkeuriger resultaat.

Bestaat er een gratis AI-plantenherkenner?

Ja, dat kan op drie verschillende manieren.

Gratis zonder limiet, van academische oorsprong. Pl@ntNet is een Frans openbaar onderzoeksproject en brengt geen kosten in rekening. Het is het sterkst in wilde en inheemse planten, toont de mate van betrouwbaarheid en biedt alternatieve kandidaten in plaats van er slechts één vast te stellen. Het biedt geen verzorging of herinneringen.

Gratis en ingebouwd in de telefoon. Google Lens bevindt zich binnen de Google-app en Chrome, werkt op Android en op de iPhone en heeft geen gepubliceerde limiet voor identificaties. In de twee onderzoeken die dit hebben gemeten, scoorde het tussen de 55% en 68% nauwkeurigheid bij de eerste suggestie, achter de apps die speciaal voor planten zijn gemaakt. De volledige route staat in hoe je een plant identificeert met Google Lens.

Gratis modus met limiet, binnen een verzorgingsapp. Hier varieert het aanbod sterk en de meeste identificatie-apps hebben helemaal geen gratis modus. Bloom heeft dat wel: het geeft 2 identificaties per maand en de bewateringskalender, zonder tijdslimiet. Om te vergelijken wat elk van hen biedt, staat de volledige lijst in de beste apps om planten te identificeren.

Veelgestelde vragen

Bestaat er een gratis AI-tool om planten te herkennen?

Ja. Pl@ntNet is volledig gratis en onbeperkt omdat het een wetenschappelijk onderzoeksproject is. Daarnaast zit Google Lens standaard ingebouwd in de Google-app en in Chrome. Er zijn ook verzorgings-apps met een gratis basisfunctie, al zijn die in de minderheid. Vrijwel geen enkele app vraagt geld voor de allereerste herkenning.

Wat is de meest nauwkeurige app om planten te herkennen?

Dat hangt af van wat je fotografeert; er is geen eenduidige winnaar te testen. Elk onderzoek gebruikte een andere flora: PictureThis scoorde het best bij bomen in New Jersey, Pl@ntNet bij Ierse kruidachtige planten en Plant.id bij de Britse flora. Het is dan ook niet mogelijk om de percentages uit verschillende onderzoeken direct met elkaar te vergelijken.

Herkent AI kamerplanten net zo goed als wilde planten?

Daar is nog geen wetenschappelijk onderzoek naar gedaan. Alle onafhankelijke tests gebruikten bomen of wilde flora, en één studie sloot gecultiveerde tuinplanten zelfs bewust uit. Kamerplanten zijn vaak cultivars zonder bloemen die afwijken van de standaard trainingsfoto's, wat de nauwkeurigheid meestal nadelig beïnvloedt.

Kan de app zien welke specifieke variëteit mijn plant is?

Zelden. Cultivars zoals de 'Thai Constellation' of 'Pink Princess' behoren tot dezelfde botanische soort als de normale vorm. Het verschil zit in een kleurmutatie die het model heeft geleerd te negeren om te voorkomen dat schaduw of lichtval als een andere soort wordt gezien. Verwacht dus de naam van de hoofdsoort, niet die van de specifieke kweekvariant.

Kan ik AI-herkenning gebruiken om te controleren of een plant giftig is?

Als eerste grove selectie wel, maar nooit als definitief uitsluitsel. In een onderzoek uit 2023 in Clinical Toxicology werden 5 van de 11 giftige soorten door minstens één app als eetbaar aangemerkt. Controleer de soort altijd in een botanische bron voordat je de plant in de buurt van een huisdier of kind zet.

Conclusie

Wat er op de foto staat, bepaalt voor het grootste deel het resultaat. Binnen dezelfde app en bij dezelfde plant kan het wisselen van schors naar blad tot 32 procentpunten in nauwkeurigheid schelen, en de overstap van blad naar bloem tot wel 29 procentpunten. Zorgen voor de juiste compositie is de enige factor die je zelf in de hand hebt, en het levert meer winst op dan het overstappen naar een andere app. Als het om een kamerplant gaat, houd dan in het achterhoofd dat dit scenario nog nooit wetenschappelijk is getest. Zie de naam op je scherm dus als een goede hypothese, niet als de absolute waarheid.

De beste volgende stap is om simpelweg nog een foto te maken volgens de zes bovenstaande tips en te kijken of de app met dezelfde soortnaam komt. Als de naam verandert tussen twee scherpe foto's van dezelfde plant, is dat een teken dat het model twijfelt en dat je een extra bron moet raadplegen.

Als je na het vinden van de naam vooral wilt weten hoe je de plant nu eigenlijk moet verzorgen, dan heb je aan een naam alleen niet genoeg. Dat is waar een app die verder gaat dan alleen herkenning van pas komt, door je te helpen met de waterbehoefte en de lichtwensen van die specifieke soort. Bloom doet dit, herkent planten via Plant.id en is exclusief beschikbaar voor de iPhone.

Als je te maken hebt met een zieke plant in plaats van een onbekende plant, dan kun je beter beginnen met lezen over hoe je ontdekt wat er mis is met je plant.