Aus einer optischen Versuchsidee wird Schritt für Schritt eine datengetriebene Prüfmethode. Das Ziel ist klar. Gesundes Saatgut soll schneller, berührungslos und möglichst automatisch bewertet werden. Besonders bei Winterweizen, Wintergerste, Winterroggen und Wintertriticale zählt Zeit, weil zwischen Ernte, Aufbereitung, Prüfung und Aussaat nur ein enges Fenster bleibt. Der Projektantrag beschreibt deshalb ein Messsystem, das die Keimfähigkeit unter industriellen Bedingungen erfassen und zunächst als Demonstrator mit technologischer Reife vier aufgebaut werden soll.
Das Grundprinzip lässt sich einfach erklären. Ein Samenkorn wird mit Laserlicht beleuchtet. Auf der Oberfläche entsteht ein körniges Lichtmuster. Dieses Muster ist nicht starr. Es verändert sich, wenn im Korn Wasser wandert, Zellen aktiv werden, Stoffe transportiert werden oder Gewebe altert. Die Forschung zeigt seit Jahren, dass solche lebenden Lichtmuster Informationen über die biologische Aktivität tragen. Schon frühe Arbeiten konnten lebensfähige und nicht lebensfähige Bohnen anhand unterschiedlicher Aktivität trennen. Spätere Studien zeigten Zusammenhänge mit Keimlingsqualität, Wasseraufnahme, Vorratsmobilisierung und Keimfortschritt.
Für SupraTix ML bedeutet dieser Stand nicht nur, dass Bilder aufgenommen werden. Es bedeutet, dass aus vielen unscheinbaren Helligkeitsschwankungen ein verlässlicher Zahlenwert entstehen muss. Die Rolle von SupraTix ML liegt im Projekt genau an dieser Stelle. Das Unternehmen übernimmt die Modellbildung zur Keimfähigkeitsbewertung, die Datenverarbeitung, die Auswerteverfahren und die Entwicklung der lernenden Auswertung. Die Messanlage soll also nicht nur Bilder sammeln, sondern daraus automatisch eine Aussage zur Keimfähigkeit, zu toten Samen und zu auffälligen Samen ableiten.
Der aktuelle Laborstand ist dafür wertvoll, weil nun konkrete Messdaten und konkrete Geräteeinstellungen vorliegen. Die gezeigte Basler Kamera arbeitet mit Graustufenbildern, einem ausgewählten Bildbereich, einer Belichtungszeit von rund zwanzig Millisekunden und zwanzig Bildern je Sekunde. Damit entsteht eine zeitliche Bildfolge, in der nicht ein einzelnes Foto entscheidend ist, sondern die Veränderung von Bild zu Bild. Genau daraus entstehen Merkmale wie Kontrast, Aktivitätskarten, zeitliche Abklingmuster und Häufigkeiten der Schwankungen. Für SupraTix ML ist das der Moment, an dem aus Versuchsdaten ein geordneter Datenraum werden muss. Jede Schale, jedes Korn, jede Lage, jede Masse, jede Quellzeit, jede Belichtung und jede spätere Keimbeurteilung muss sauber miteinander verbunden werden.
Ein kleiner Hinweis aus den Versuchsnotizen zeigt, wie wichtig diese Datenpflege ist. Bei Schale zwei muss die Zuordnung offenbar um einhundertachtzig Grad gedreht werden, damit Deckel und Bild übereinstimmen. Danach gelten die Körner eins, zwei und drei als keimend und vier, fünf und sechs als tot. Für ein menschliches Auge ist das eine Korrektur am Rand. Für ein lernendes Modell ist es entscheidend. Ein falsch gedrehtes Bild kann aus einem lebenden Korn ein totes Lernbeispiel machen. Solche Fehler würden nicht nur einzelne Werte verfälschen, sondern das spätere Modell in die falsche Richtung erziehen.
Der nächste Schritt ist daher kein größerer Laser und keine kompliziertere Kamera, sondern ein strenger Datenpfad. Zuerst müssen alle Rohbilder, Schalenlagen, Trockenmassen, Quellzeiten, Temperaturdaten und Referenzergebnisse in einer gemeinsamen Struktur abgelegt werden. Danach wird für jedes Korn festgelegt, welche Bildregion wirklich zum Keimling, zum Bauchbereich oder zu anderen Gewebeteilen gehört. Aus diesen Bereichen werden einfache und verständliche Kenngrößen berechnet. Dazu gehören Kontrast, Änderung zwischen Bildern, Aktivitätsverteilung, Entropie, zeitliche Ähnlichkeit und gegebenenfalls Frequenzanteile. Die Literatur zeigt, dass die Wahl dieser Kenngrößen wichtig ist, weil manche Verfahren nur schnelle Schwankungen betonen und dadurch andere biologische Hinweise abschwächen können.
Erst danach sollte das maschinelle Lernen in den Vordergrund treten. Aus Sicht von SupraTix ML wäre ein gutes erstes Modell kein geheimnisvoller Rechnerzauber, sondern ein gestuftes Vorhersagesystem. Die erste Stufe prüft, ob eine Messung technisch brauchbar ist. Die zweite Stufe erkennt die wichtigen Bereiche im Korn. Die dritte Stufe berechnet robuste Merkmale. Die vierte Stufe sagt die Wahrscheinlichkeit für keimend, tot oder auffällig voraus. Die fünfte Stufe fasst viele Einzelkörner zu einem Wert für die ganze Probe zusammen. So entsteht nicht nur eine Zahl, sondern auch eine Begründung, welche Lichtaktivität zu dieser Zahl geführt hat.
Für die Modellbildung ist besonders wichtig, dass nicht zufällig einzelne Bilder aus derselben Schale in Lern und Prüfdaten gemischt werden. Sonst erkennt das Modell vielleicht die Schale, die Beleuchtung oder die Charge, aber nicht die Keimfähigkeit. Besser ist eine Prüfung nach Schalen, nach Chargen und später nach Laboren. Ein Teil der Messreihen bleibt vollständig verborgen und wird erst am Ende genutzt. Genau diese Logik passt zu den Projektunterlagen, in denen ein Anlernen mit siebzig Prozent der Aufnahmen und eine Prüfung mit dreißig Prozent der Messdaten vorgesehen ist.
Parallel dazu müssen die Referenzmethoden sauber mitlaufen. Die klassische Keimprüfung nach anerkannten Regeln bleibt zunächst der Maßstab. Zusätzlich ist die Lebensfähigkeitsprüfung mit Tetrazolium wichtig, weil sie den Stoffwechsel einzelner Samen sichtbar macht. Solche Vergleichswerte sind kein lästiger Anhang, sondern die Sprache, in der das neue Messsystem später mit Prüfstellen sprechen muss. Die Unterlagen zur Saatgutprüfung zeigen, dass Weizen in Rollen aus Filterpapier geprüft wird, dass Vorkühlung, Temperatur, Lichtdauer und Auszählzeit festgelegt sind und dass normale, anomale und tote Keimlinge beurteilt werden.
Der Ringversuch ist deshalb der entscheidende Reifetest. Wenn ein Modell nur im eigenen Labor funktioniert, ist es wissenschaftlich interessant. Wenn es in mehreren Laboren mit denselben Proben, denselben Regeln und vergleichbaren Ergebnissen funktioniert, wird es anwendungsfähig. Im Projekt ist genau diese Richtung angelegt. Die Verwertungsstrategie nennt die Vorbereitung von Ringversuchen für eine spätere Standardisierung und die Einbeziehung von Saatgutprüfstellen.
Für einen solchen Ringversuch sollte SupraTix ML die Rolle des neutralen Datengedächtnisses übernehmen. Jede teilnehmende Stelle misst dieselben verdeckt gekennzeichneten Proben. Die Proben umfassen keimstarke, geschädigte, gealterte und tote Körner. Jede Stelle nutzt ein festes Messprotokoll mit gleicher Belichtungszeit, gleicher Bildzahl, gleicher Quellzeit, gleicher Temperatur und gleicher Schalenlage. Danach werden Wiederholbarkeit im gleichen Labor und Vergleichbarkeit zwischen Laboren bestimmt. Erst wenn die Schwankung zwischen Laboren kleiner ist als der Nutzen der schnellen Messung, wird aus der Methode ein Kandidat für die Praxis.
Die Verkleinerung des Messsystems ist der zweite große Schritt. Heute ist die Messung noch vom Laboraufbau geprägt. Die kleine Geräteversion braucht ein geschlossenes Lichtgehäuse, einen sicheren schwachen Diodenlaser, eine einfache Graustufenkamera, eine feste Samenaufnahme, einen kleinen Rechner und ein festes Prüfprogramm. Der wichtigste Gedanke dabei ist, dass nicht alle Rohdaten dauerhaft im Gerät bleiben müssen. Das Gerät kann aus kurzen Bildfolgen sofort die wichtigsten Merkmale berechnen und nur Ergebnis, Prüfbild, Sicherheit und Prüfprotokoll speichern. Dadurch wird aus einer großen Bilddatenaufgabe ein schlanker Messvorgang.
Die Erfahrungen aus anderen Anwendungen der Laserfleckenmessung helfen dabei. Bei pflanzlichen Wurzelkulturen wurde gezeigt, dass die Methode mit einfachem Aufbau, kurzer Messzeit und berührungsloser Auswertung Wachstum und physiologische Zustände erfassen kann. Gleichzeitig zeigt diese Arbeit, dass die Deutung der Lichtaktivität sorgfältig bleiben muss, weil viele physikalische und biologische Prozesse zugleich wirken.
Für SupraTix ML liegt die eigentliche Stärke nun in der Verbindung von drei Welten. Die erste Welt ist die Biologie des Samens. Die zweite Welt ist die Optik des Messgerätes. Die dritte Welt ist die Datenwissenschaft. Erst wenn alle drei zusammengeführt werden, entsteht ein Messwert, dem eine Prüfstelle vertraut. Deshalb sollte der weitere Projektstatus nicht nur als Bau eines Demonstrators beschrieben werden, sondern als Aufbau einer lernenden Prüfkette. Diese Prüfkette beginnt bei der Schale im Labor und endet bei einem kompakten Gerät, das eine Probe misst, den Zustand der Messung prüft, das Modell anwendet, Unsicherheit ausgibt und die Ergebnisse revisionssicher speichert.
Die Vision ist populärwissenschaftlich leicht zu greifen. Heute muss Saatgut oft warten, bis die Keimprüfung sichtbar macht, was im Korn passiert. Bio LSP versucht, früher zuzuhören. Das Korn wird nicht geöffnet, nicht gefärbt und nicht zerstört. Es wird kurz beleuchtet. Aus dem Flimmern des Lichts entsteht ein Hinweis darauf, ob im Inneren noch Leben arbeitet. Wenn SupraTix ML es schafft, diese Hinweise in belastbare Modelle zu übersetzen, dann kann aus einem Lichtmuster ein Werkzeug werden, das Landwirtschaft, Züchtung und Saatgutprüfung schneller macht.
Bis dahin bleibt die wichtigste Botschaft nüchtern. Das Projekt ist noch nicht am fertigen Produkt, aber es hat die richtigen Bausteine. Es gibt eine klare technische Zielstellung, erste konkrete Messprotokolle, eine definierte Rolle für SupraTix ML in Auswertung und Modellbildung, Referenzverfahren für die Wahrheit am Korn, Partner für Standardisierung und einen Plan für den Weg vom Labor über den Demonstrator bis zum kleineren Gerät. In der nächsten Phase entscheidet sich, ob aus guten Einzelmessungen ein robustes, prüfstellenfähiges und später verkleinerbares System wird. Genau dort beginnt die eigentliche Arbeit der Datenwissenschaft.
Literatur:
Braga, R. A. Jr et al. Assessment of seed viability by laser speckle techniques. Biosyst. Eng. 86, 287 bis 294 2003.
Vivas, P. G. et al. Biospeckle activity in coffee seeds is associated non destructively with seedling quality. Ann. Appl. Biol. 170, 141 bis 149 2017.
Singh, P., Chatterjee, A., Bhatia, V. & Prakash, S. Application of laser biospeckle analysis for assessment of seed priming treatments. Comput. Electron. Agric. 169, 105212 2020.
Sutton, D. B. & Punja, Z. K. Investigating biospeckle laser analysis as a diagnostic method to assess sprouting damage in wheat seeds. Comput. Electron. Agric. 141, 238 bis 247 2017.
Rivera, F. P. & Braga, R. A. Jr. Selection of statistical indices in the biospeckle laser analysis regarding filtering actions. Opt. Commun. 394, 144 bis 151 2017.
Schott, C., Steingroewer, J., Bley, T., Cikalova, U. & Bendjus, B. Biospeckle characterization of hairy root cultures using laser speckle photometry. Eng. Life Sci. 20, 287 bis 295 2020.
Zdunek, A., Adamiak, A., Pieczywek, P. M. & Kurenda, A. The biospeckle method for the investigation of agricultural crops. Opt. Lasers Eng. 52, 276 bis 285 2014.
França Neto, J. B. & Krzyzanowski, F. C. Tetrazolium an important test for physiological seed quality evaluation. J. Seed Sci. 41, 359 bis 366 2019.
Rathjen, J. R., Strounina, E. V. & Mares, D. J. Water movement into dormant and non dormant wheat grains. J. Exp. Bot. 60, 1619 bis 1631 2009.
Thompson, O., Andrews, M. & Hirst, E. Correction for spatial averaging in laser speckle contrast analysis. Biomed. Opt. Express 2, 1021 bis 1029 2011.
