Automatische kiemtest geeft inzicht tomatenzaad
Geplaatst op 08 juni 2021
Kwekers leveren graag uniforme planten af en willen daarom weten wat de kwaliteit is van het zaad dat ze bestellen. Hoeveel planten levert een partij zaad op? Zijn er exemplaren bij die achterblijven in de groei, met een kronkel in de steel, of met een blad te weinig? Zowel zaadveredelaars als kwekers doen daarom kiemtesten.
De beoordeling van de planten die hieruit komen gebeurt handmatig, en volgens bedrijfseigen criteria en opkweekmethoden. Zo kweekt een zaadveredelaar het hele jaar door onder exact dezelfde omstandigheden, terwijl die in een kas per seizoen kunnen variëren. "De uitkomsten van kiemtesten kunnen daardoor van elkaar verschillen. Dat maakt het voor zaadveredelaars lastig afspraken te maken over de zaadkwaliteit en voor kwekers om de opkweek-productie goed in te schatten" zegt Lydia Meesters, onderzoeker bij Agro Food Robotics van Wageningen University & Research.
Neurale netwerken
Onderzoekers van Agro Food Robotics van Wageningen University & Research ontwikkelden in het project Exploitation of high-tech plant phenotyping tools for breeding companies and growers (2018-2021) een automatische, gestandaardiseerde kiemtest die deze problemen de wereld uit helpt.
"We maken met ons MARVIN-camerasysteem in hoog tempo een groot aantal opnames van tomatenkiemplanten en koppelen die aan classificatiesoftware," vertelt Meesters. "Die is uitgerust met neurale netwerken (deep learning), een vorm van kunstmatige intelligentie die computers in staat stelt dingen te leren op basis van de informatie die ze aangeboden krijgen, in dit geval beelden van het boven en zijaanzicht van planten (2-dimensionaal) en 3-dimensionale beelden."
Een van de elf partners in het project is Paul Verbruggen, onderzoeker bij Bejo Zaden in Warmenhuizen. "We willen de kwaliteit en uniformiteit van de tomatenplanten die uit ons zaad groeien nog beter kunnen voorspellen," legt hij uit.
Dat doel komt dankzij het Wageningse onderzoek nu binnen handbereik. "Het Marvin-camerasysteem blijkt de kwaliteit van planten al behoorlijk goed te voorspellen," vertelt Verbruggen. "Als je het uitbreidt met nieuwe technologie, zoals kunstmatige intelligentie, gaat de betrouwbaarheid nog verder omhoog." De eerste resultaten wijzen er ook op dat het niet uitmaakt of je 2-D of 3-D beelden van tomatenplanten verzamelt. "Voor ons fijn om te weten, want het betekent dat we in ons bedrijf al werken met een goed systeem."
Efficiënt werken
Verbruggen constateerde ook dat het moeilijk is om met andere partijen tot consensus te komen over hoe je de kwaliteit van zaad nu precies meet. "We werken nu samen aan voorspellende modellen op maat, waarmee iedere ketenpartner zijn eigen model kan trainen." Als het aan Meesters ligt, zijn deze modellen nog maar het begin. "Hoe meer moderne technologie geďntegreerd wordt in kassen, hoe efficiënter bedrijven kunnen gaan werken."
