KI zählt mit: Automatisierte Nematodenanalyse für nachhaltigen Pflanzenschutz
Das Zählen winziger Fadenwürmer unter dem Mikroskop ist aufwendig, zeitintensiv und erfordert geschultes Fachpersonal. Für die e-nema GmbH in Schwentinental bei Kiel ist dieser Arbeitsschritt jedoch unverzichtbar. Das Unternehmen produziert biologische Pflanzenschutzprodukte und bietet Alternativen zu chemischen Pestiziden. Dafür züchtet e-nema Nematoden - mikroskopisch kleine Fadenwürmer, die Schädlinge im Boden bekämpfen und so einen Beitrag zur nachhaltigen Schädlingsbekämpfung leisten. Um die gleichbleibend hohe Qualität der Produkte sicherzustellen, muss in jeder Produktionscharge die genaue Zahl lebender Nematoden nachgewiesen werden. Gemeinsam mit KI.SH prüfte e-nema in einer Machbarkeitsstudie, ob sich dieser arbeitsintensive Zählprozess durch den Einsatz Künstlicher Intelligenz optimieren lässt.
Die Ausgangslage: ein Mikrokosmos voller Details
So unscheinbar die Tiere wirken, so komplex ist ihre Analyse. In einer Probe finden sich stets auch tote Nematoden, Hautreste, Schmutzpartikel oder Luftblasen. Manche lebenden Würmer bewegen sich kaum, andere liegen übereinander. Für das geübte Auge einer Labormitarbeiterin ist das meist erkennbar, doch für eine automatisierte Lösung bestehen hier große Herausforderungen. Die Schwierigkeit: Objekte unter dem Mikroskop zuverlässig unterscheiden und korrekt klassifizieren.
Das Ziel der Machbarkeitsstudie
Die Machbarkeitsstudie verfolgte das Ziel, ein Verfahren zu entwickeln, mit dem sich Nematoden zuverlässig und automatisiert zählen lassen und bei dem zwischen lebenden und toten Individuen unterschieden werden kann. Gleichzeitig sollten Störfaktoren wie Hautreste oder Schmutz ausgefiltert werden. Für e-nema wäre dies eine deutliche Verbesserung der Effizienz und Objektivität in der Qualitätssicherung: Proben könnten in kürzerer Zeit ausgewertet, Kapazitäten erhöht und die Mitarbeitenden im Labor von monotonen Routineaufgaben entlastet werden.
Erste Schritte: klassische Bildverarbeitung
Zu Beginn erprobte das Projektteam Verfahren der klassischen Bildverarbeitung. Dazu wurden Einzelbilder der Proben kontrastverstärkt und auf Bewegungen analysiert. Die zugrunde liegende Annahme war, dass nur lebende Nematoden Aktivität zeigen. Zwar konnten Bewegungen zuverlässig erkannt werden, doch ergaben sich mehrere Probleme: Einerseits ließen sich Bewegungsmuster nicht immer eindeutig den Organismen zuordnen, da auch Luftblasen oder Lichtreflexe Bewegung vortäuschten, während gleichzeitig einige lebende Nematoden im Moment der Aufnahme stilllagen. Andererseits konnten nur bewegte Objekte gezählt werden, sodass kein Verhältnis zwischen lebenden und toten Nematoden bestimmt werden konnte. Hinzu kam, dass Nematoden in dichter Ansammlung oder in Clustern häufig nur als ein einziges Objekt gezählt wurden, was die Genauigkeit der Erfassung zusätzlich verringerte. In der Folge blieb die Methode insgesamt zu ungenau.
KI-Modelle im Einsatz
Im nächsten Schritt wandte sich das Team KI-basierten Verfahren zu. Mithilfe eines eigens entwickelten Label-Tools wurden die ersten Frames des Videomaterials mit Keypoint-Labeln versehen. Dabei wurden bestimmte Punkte an den Nematoden als Orientierungspunkte markiert. Zur Erstellung des Trainingsdatensatzes wurde das Segment Anything Modell 2 (SAM2) auf die Videos angewendet. Durch die definierten Keypoints konnten die Nematoden im Video identifiziert und über alle Frames hinweg verfolgt werden. Dies ermöglichte eine präzise Segmentierung und Kategorisierung der Nematoden in die Klassen „lebend” und „tot” bei vergleichsweise geringem Aufwand. Auf dieser Grundlage wurde ein YOLO-Modell trainiert. Die Verwendung eines kleineren, speziell für die Anwendung trainierten Modells im Vergleich zu SAM2 ist deutlich effizienter. Das finale Modell kann Objekte nicht nur schnell erkennen, sondern auch korrekt einordnen. Dadurch wird eine Zählung der einzelnen Klassen ermöglicht.
Dieses sorgfältige Training führte zu einem Modell, das lebende Nematoden mit hoher Genauigkeit erkannte und Fehlklassifikationen auf ein Minimum reduzierte. Die Ergebnisse waren überzeugend: Lebende Nematoden wurden mit einer Genauigkeit von rund 85 Prozent erkannt, während tote Tiere oder Schmutzpartikel zuverlässig ausgeschlossen wurden. Verwechslungen zwischen lebend und tot traten nur vereinzelt auf.
YOLO
YOLO erkennt Objekte in Echtzeit, indem es ganze Bilder mit einem einzigen neuronalen Netzwerk-Durchlauf analysiert. Es bestimmt Position und Klasse mehrerer Objekte gleichzeitig, genutzt zum Beispiel in Sicherheit, Medizin und Landwirtschaft.
SAM2
SAM 2 von Meta ist ein KI-Modell zur Echtzeit-Objektsegmentierung in Bildern und Videos. Es wählt, verfolgt und verfeinert Objekte flexibel über Bildfolgen hinweg – sogar bei zeitweiser Verdeckung. Ideal für präzise Analysen kleinster Strukturen.
Ergebnis: gleiche Fehlerquote in kürzerer Zeit
Die Unterschiede zur bisherigen manuellen Zählmethode sind deutlich. So konnte eine Probe, für die zuvor eine halbe Stunde unter dem Mikroskop erforderlich war, durch das KI-System in rund zwei Minuten analysiert werden – bei vergleichbarer Zuverlässigkeit. Für e-nema bedeutet das nicht nur eine Entlastung der Mitarbeitenden von repetitiven Aufgaben und eine deutliche Steigerung der Effizienz: Es können mehr Proben pro Tag ausgewertet und somit höhere Produktionsmengen auf ihre Qualität überprüft werden.
Ausblick und Fazit
Die Machbarkeitsstudie hat gezeigt, dass KI-basiertes Bildverstehen ein vielversprechender Ansatz ist, um zeitintensive Laboraufgaben zuverlässig zu automatisieren. Dieser Ansatz bietet e-nema die Chance, die Qualitätssicherung langfristig zu beschleunigen und zugleich die Prozesssicherheit zu erhöhen. Die Automatisierung des Zählprozesses entlastet die Mitarbeitenden im Labor zudem erheblich, da sie von monotonen und zeitintensiven Routineaufgaben befreit werden und sich auf anspruchsvollere Tätigkeiten konzentrieren können.
Zukünftig könnte das System weiter trainiert und somit die Fehlerquote reduziert werden. Denkbar wäre auch eine Erweiterung auf unterschiedliche Entwicklungsstadien der Nematoden sowie die Integration in die Produktions-IT. Damit würde aus einem bislang mühsamen und fehleranfälligen Prozess ein digital unterstütztes Standardverfahren entstehen.
Die Machbarkeitsstudie liefert somit ein anschauliches Beispiel dafür, wie digitale Technologien auch in spezialisierten biotechnologischen Prozessen einen spürbaren Mehrwert schaffen können: Sie sind schnell, robust und ermöglichen eine nachhaltige Schädlingsbekämpfung, die ohne chemische Pestizide auskommt.
e-nema Gesellschaft für Biotechnologie und biologischen Pflanzenschutz mbH
Klausdorfer Str. 28-36
24223 Schwentinental
Telefon +49 4307 8295-0
E-Mail: info@e-nema.de