De witloofmineervlieg is het belangrijkste plaaginsect in de witloofteelt. De larven kunnen op het veld het groeipunt van de wortel aantasten, of tijdens de nazomer migreren naar de bladkraag en wortelhals. Aangetaste groeipunten zorgen ervoor dat in de forcerie geen of een misvormde krop wordt gevormd. Larven op andere plaatsen in de wortel migreren tijdens de forcerie naar de krop en laten zichtbare mineergangen achter waardoor de kroppen onverkoopbaar worden. Tot op heden is het echter onmogelijk de aangetaste wortels te onderscheiden en zijn opbrengstverliezen, grotere afvalstromen en het daarmee gepaard gaande nodeloos gebruik van grondstoffen zoals water, onvermijdbaar. De laatste jaren worden X-stralen gebaseerde technologieën naar voren geschoven voor de inwendige kwaliteitsinspectie van voedingsproducten. De verschillen in densiteit tussen schade door witloofmineervlieglarven en gezond wortelweefsel laten toe om aangetaste wortels te identificeren.
De techniek heeft zijn nut reeds bewezen in andere teelten, zoals onder andere de hardfruitsector. Om op X-stralen gebaseerde inspectie ook te kunnen toepassen in de witloofteelt is het belangrijk dat dergelijke beelden automatisch geïnterpreteerd kunnen worden door een classificatie-algoritme. In dit project willen we deep learning, een relatief nieuwe tak van de artificiële intelligentie, inzetten om snel en effectief X-stralenbeelden van witloofwortel te beoordelen op de aanwezigheid van witloofmineervlieglarven en op deze manier grote voedsel- en opbrengstverliezen beperken.
