Könnte KI-gestützte Objekterkennungstechnologie zur Lösung der Weizenkrankheit beitragen?

Ein neues Projekt der Universität von Illinois verwendet eine fortschrittliche Objekterkennungstechnologie, um mit Toxinen kontaminierte Weizenkörner von der Nahrungsversorgung fernzuhalten und den Forschern zu helfen, Weizen widerstandsfähiger gegen die Fusarien-Kopffäule oder Schorfkrankheit zu machen, den größten Feind der Ernte.

„Fusarium-Kopffäule verursacht viele wirtschaftliche Verluste bei Weizen, und das damit verbundene Toxin Deoxynivalenol (DON) kann Probleme für die Gesundheit von Mensch und Tier verursachen. Die Krankheit war eine große Abschreckung für Menschen, die im Osten der USA Weizen anbauen, weil sie es könnten eine perfekt schöne Ernte anbauen und sie dann zum Aufzug bringen, nur um sie kupieren oder zurückweisen zu lassen. Das war für die Menschen schmerzhaft. Daher ist es eine große Priorität, zu versuchen, den Widerstand zu erhöhen und das DON-Risiko so weit wie möglich zu reduzieren“, sagt Jessica Rutkoski, Assistenzprofessor am Department of Crop Sciences, Teil des College of Agricultural, Consumer and Environmental Sciences (ACES) in Illinois. Rutkoski ist Co-Autor des neuen Papiers im Pflanzenphänomen-Journal.

Die Erhöhung der Resistenz gegen Pflanzenkrankheiten bedeutet traditionell, viele Genotypen der Pflanze anzubauen, sie mit der Krankheit zu infizieren und nach Symptomen zu suchen. Das in der Pflanzenzüchtung als Phänotypisierung bezeichnete Verfahren ist erfolgreich, wenn es resistente Genotypen identifiziert, die keine oder weniger schwere Symptome entwickeln. Wenn das passiert, versuchen die Forscher, die Gene zu identifizieren, die mit der Krankheitsresistenz zusammenhängen, und diese Gene dann in leistungsstarke Hybriden der Nutzpflanze einzubringen.

Es ist ein langer, sich wiederholender Prozess, aber Rutkoski hoffte, dass ein Schritt – die Phänotypisierung von Krankheitssymptomen – beschleunigt werden könnte. Sie suchte Hilfe bei den KI-Experten Junzhe Wu, Doktorand am Department of Agricultural and Biological Engineering (ABE), und Girish Chowdhary, außerordentlicher Professor am ABE und am Department of Computer Science (CS). ABE ist Teil von ACES und dem Grainger College of Engineering, das auch CS beherbergt.

„Wir wollten testen, ob wir Körnerschäden mit einfachen Handybildern von Getreide quantifizieren können. Normalerweise schauen wir uns eine Petrischale mit Körnern an und bewerten sie dann subjektiv. Das ist eine sehr nervenaufreibende Arbeit trainiert und es ist langsam, schwierig und subjektiv. Ein System, das Kernel automatisch auf Beschädigungen bewertet, schien machbar, weil die Symptome ziemlich klar sind“, sagt Rutkoski.

Wu und Chowdhary waren sich einig, dass es möglich war. Sie begannen mit Algorithmen, die denen ähneln, die Technologiegiganten zur Objekterkennung und -klassifizierung verwenden. Aber um winzige Unterschiede zwischen kranken und gesunden Weizenkörnern auf Handybildern zu erkennen, mussten Wu und Chowdhary die Technologie weiter vorantreiben.

„Eines der einzigartigen Dinge an diesem Fortschritt ist, dass wir unser Netzwerk darauf trainiert haben, mit nur wenigen Bildern minutiös beschädigte Körner mit ausreichender Genauigkeit zu erkennen. Wir haben dies durch sorgfältige Vorverarbeitung von Daten, Transferlernen und Bootstrapping von Kennzeichnungsaktivitäten ermöglicht “, sagt Chowdary. „Dies ist ein weiterer schöner Gewinn für maschinelles Lernen und KI für Landwirtschaft und Gesellschaft.“

Er fügt hinzu: „Dieses Projekt baut auf dem AIARMS National AI Institute und dem Center for Digital Agriculture hier in Illinois auf, um die Stärke der KI für die Landwirtschaft zu nutzen.“

Die erfolgreiche Erkennung von Fusariumschäden – kleinen, verschrumpelten, grauen oder kalkigen Körnern – bedeutete, dass die Technologie auch die Toxinbelastung des Getreides vorhersagen konnte; je mehr äußerliche Schäden vorhanden sind, desto größer ist der DON-Gehalt.

Als das Team die maschinelle Lerntechnologie allein testete, war es in der Lage, die DON-Werte besser vorherzusagen als Feldbewertungen von Krankheitssymptomen, auf die sich Züchter oft verlassen, anstatt auf die Kern-Phänotypisierung, um Zeit und Ressourcen zu sparen. Aber im Vergleich zu Menschen, die Krankheitsschäden an Körnern im Labor bewerten, war die Technologie nur 60 % so genau.

Die Forscher sind dennoch ermutigt, da ihre anfänglichen Tests keine große Anzahl von Proben zum Trainieren des Modells verwendeten. Sie fügen derzeit Proben hinzu und erwarten, mit zusätzlichen Optimierungen eine größere Genauigkeit zu erreichen.

„Während weitere Schulungen erforderlich sind, um die Fähigkeiten unseres Modells zu verbessern, zeigen erste Tests vielversprechende Ergebnisse und zeigen die Möglichkeit, eine automatisierte und objektive Phänotypisierungsmethode für durch Fusarium geschädigte Körner bereitzustellen, die zur Unterstützung der Bemühungen zur Resistenzzüchtung umfassend eingesetzt werden könnte“, sagt Wu.

Rutkoski sagt, das ultimative Ziel sei es, ein Online-Portal zu schaffen, auf dem Züchter wie sie Handyfotos von Weizenkörnern hochladen könnten, um Fusariumschäden automatisch zu bewerten.

„Ein Tool wie dieses könnte in einem Labor wochenlang Zeit sparen, und diese Zeit ist entscheidend, wenn Sie versuchen, die Daten zu analysieren und die nächste Studie vorzubereiten. Und letztendlich gilt: Je effizienter wir den Prozess gestalten, desto schneller sind wir kann die Resistenz so weit verbessern, dass Schorf als Problem eliminiert werden kann“, sagt sie.

Zu den Autoren der Studie gehören Junzhe Wu, Arlyn Ackerman, Rupesh Gaire, Girish Chowdhary und Jessica Rutkoski.