Turbo für die Züchtung: KI-gestützte Analyse von Saatgut-Scans
Wie lässt sich der Züchtungszyklus nachhaltiger Pflanzensorten durch Technologie beschleunigen? Die NPZ Innovation GmbH stand vor der Herausforderung, Schädlingsbefall im Inneren von Ackerbohnen effizienter zu erkennen, um tolerante Sorten zu züchten, die weniger befallen werden. Gemeinsam mit KI.SH wurde in einer Machbarkeitsstudie untersucht, wie Künstliche Intelligenz (KI) die Auswertung von CT-Scans von 45 Minuten auf 180 Sekunden verkürzen kann.
Der unsichtbare Feind im Korn: Herausforderung Ackerbohnenkäfer
Die Züchtung widerstandsfähiger Pflanzen ist ein Wettlauf gegen die Zeit und den Klimawandel. Ein konkretes Problem für Landwirte und Züchter ist der Ackerbohnenkäfer (Bruchus rufimanus). Durch wärmere Temperaturen findet dieser Schädling immer bessere Lebensbedingungen auch in Schleswig-Holstein vor. Das Tückische: Der Käfer legt seine Eier auf der Hülse ab, die Larven fressen sich ins Innere der Bohne und wachsen dort heran. Von außen ist der Schaden oft nicht sichtbar, und Pflanzenschutzmittel erreichen die Larven im Inneren der Bohne nicht.
Die Lösung der NPZ Innovation GmbH liegt in der Züchtung toleranter Sorten, die weniger anfällig für den Befall sind. Dies würde nicht nur Ernteausfälle reduzieren, sondern auch den Einsatz von Pestiziden verringern und den biologischen Landbau stärken. Doch um solche Sorten zu identifizieren, müssen Züchter zehntausende Bohnen untersuchen (bonitieren) und prüfen, ob sie befallen sind oder nicht.
Nadelöhr Bildanalyse: Wenn der Scan zum Geduldsspiel wird
Um den Befall im Inneren der Bohnen zerstörungsfrei sichtbar zu machen, setzt die NPZ Innovation GmbH auf Computertomographie (CT). Diese Scans liefern präzise Einblicke in das Saatgut, ohne es zu beschädigen. Die technische Hürde lag jedoch in der Auswertung der riesigen Datenmengen. Der bisherige Ansatz, basierend auf dem "Segment Anything Model" (SAM) von Meta, erkannte die Bohnen in den Scans Schicht für Schicht im 2D-Verfahren.
Das Problem: Die Verarbeitung eines einzigen Volumens dauerte rund 45 Minuten und verbrauchte enorme Rechenkapazitäten. Bei Tausenden von Proben, die jedes Jahr in einem kurzen Zeitfenster nach der Ernte bewertet werden müssen, war dieses Verfahren schlicht zu langsam, um effektiv in den Züchtungsprozess integriert zu werden. Das Ziel der Machbarkeitsstudie war daher klar definiert: Die Erkennung der Bohnen im Scan sollte deutlich beschleunigt werden, ohne dabei an Präzision zu verlieren.
Technologischer Sprung: Von Watershed bis DINOv3
Das KI.SH-Team, bestehend aus Pedro Conceição, Alwin Klick und Max Brede, testete verschiedene Ansätze, um dieses "Nadelöhr" zu weiten.
Als erster Ansatz wurde ein klassischer Watershed-Algorithmus getestet. Dieser Algorithmus trennt Objekte basierend auf ihrer Form und Helligkeit. Bereits dieser Ansatz, kombiniert mit einer binären Klassifikation ("Bohne" oder "keine Bohne"), erwies sich als etwa siebenmal schneller als die bisherige Pipeline.
Noch etwas besser funktionierte der Einsatz modernster Deep-Learning-Modelle, spezifisch dem DINO-Modellen Version 3 (Vision Transformer). Diese Modelle, die ursprünglich für die allgemeine Bilderkennung entwickelt wurden, wurden mit den spezifischen Daten der NPZ nachtrainiert ("Finetuning").
Watershed-Algorithmus
Watershed-Algorithmus ist ein Bildverarbeitungsverfahren, das zusammenhängende Objekte trennt. Es behandelt Bilder wie eine Landschaft mit Höhen und Tälern und teilt sie in separate Regionen auf – ideal zur Segmentierung von berührenden oder überlappenden Objekten.
Dino-Modelle
Die DINO KI-Modelle sind selbstlernende KI-Modell für Bilderkennung. Die Modelle trainieren sich selbst, ohne dass Menschen Bilder beschriften (labeln) müssen, und erkennt automatisch wichtige Objekte und Strukturen in Bildern.
Vision Transformer
Vision Transformer ist ein KI-Modell für Bilderkennung, das Bilder in kleine Patches zerlegt und diese wie Wörter behandelt. Es nutzt Transformer-Technologie, um Beziehungen zwischen allen Bildteilen zu erkennen – effektiv für Bildklassifizierung und Objekterkennung.
Fine-Tuning
Fine-Tuning bedeutet, ein bereits trainiertes KI-Modell mit neuen, speziellen Daten nachzutrainieren. Statt von Null anzufangen, wird das vorhandene Wissen angepasst. So lernt das Modell spezifische Aufgaben schneller und genauer zu lösen.
Ergebnisse: Präzision in Rekordzeit
Die Performance des getesteten DINOv3-Modells übertraf die Erwartungen. Die Ergebnisse der Studie belegen die Machbarkeit, die Herausforderung der NPZ Innovation GmbH mit KI zu lösen:
Massive Zeitersparnis: Die Verarbeitungszeit für ein ganzes Scan-Volumen sank von ca. 45 Minuten auf rund 3 Minuten. Das entspricht einer Beschleunigung um den Faktor 15.
Hohe Präzision: Das Modell erreichte bei der Segmentierung der Ackerbohnen eine Genauigkeit von 98,2% und ist damit exakt wie das bisherige Verfahren.
Effizienz: Selbst bei eng aneinander liegenden oder sich berührenden Bohnen konnte die KI die einzelnen Samen zuverlässig voneinander trennen, eine entscheidende Voraussetzung für die korrekte Schadensanalyse.
Züchtung 4.0: Schneller zu toleranten Sorten
Die drastische Reduzierung der Analysezeit hat potenziell große Auswirkungen auf die Züchtungspraxis. Da ein Zuchtzyklus bis zur Marktreife einer neuen Sorte oft bis zu 10 Jahre dauert, ist jeder Zeitgewinn in der Analysephase wertvoll. Durch die schnelle Auswertung der CT-Daten können Züchter:innen nun früher erkennen, welche Sortenkandidaten tolerant gegen den Käfer sind und diese gezielt weiter züchten. Zudem kann Rechenkapazität und damit v.a. Strom eingespart werden.
Das Verfahren ist zudem nicht auf Ackerbohnen beschränkt. In ersten Tests konnte das Modell bereits erfolgreich auf Erbsen übertragen werden, wo es eine ähnlich hohe Genauigkeit von 97,8% erzielte.
Fazit und Ausblick
Die Kooperation zeigt, wie spezialisierte KI-Lösungen konkrete Engpässe in der angewandten Forschung lösen können. Was als Problem der Bildverarbeitung begann, kann nun einen Beitrag zu nachhaltigerer Landwirtschaft und Ernährungssicherung leisten. Die NPZ Innovation GmbH plant, die gewonnenen Erkenntnisse gemeinsam mit KI.SH in einen Prototypen zu überführen und die Technologie weiterzuentwickeln.
Fotos: Matthias Nowc
