Ein neuartiges Framework für die Phänotypisierung von Maiskolben basierend auf Zero-Shot-Learning (ZSL) ermöglicht die automatisierte Erfassung geometrischer Merkmale und die Schätzung von Erträgen sowohl im Labor als auch im Feld – ohne dass das Modell neu trainiert werden muss. Traditionelle Ansätze zur automatisierten Phänotypisierung erfordern große Mengen annotierter Daten, die für jede neue Umgebung oder Sorte neu gesammelt und verarbeitet werden müssen. Dies ist zeitaufwendig und kostspielig, insbesondere in der Landwirtschaft, wo Vielfalt und Umweltbedingungen stark variieren. Das neue ZSL-Modell überwindet diesen Engpass, indem es durch Transferlernen aus bereits vorhandenen Daten auf neue, bisher nicht gesehene Maiskolbensorten oder Umgebungen übertragen wird. Das Framework nutzt tiefes Lernen, um semantische Merkmale von Kolben – wie Länge, Durchmesser, Kornanzahl und Dichte – zu extrahieren, ohne dass spezifische Trainingsdaten für diese Merkmale erforderlich sind. Es basiert auf einer Kombination aus visuellen und semantischen Modellen, die die Beziehung zwischen Bildmerkmalen und biologischen Eigenschaften lernen. Durch die Verwendung von Textbeschreibungen (z. B. „langer, dichter Kolben“) als semantische Referenzpunkte kann das Modell auf neue Kolbenarten schließen, auch wenn es sie zuvor nicht gesehen hat. Dies ist besonders wertvoll in der Pflanzenzüchtung, wo neue Sorten kontinuierlich entwickelt werden und schnelle, präzise Bewertungen erforderlich sind. Die Forscher testeten das Modell in mehreren Umgebungen – von kontrollierten Laborbedingungen bis hin zu realen Feldversuchen unter unterschiedlichen klimatischen und Bodenbedingungen. Die Ergebnisse zeigten eine hohe Übereinstimmung zwischen den geschätzten geometrischen Merkmalen und den manuell gemessenen Werten, mit einer Genauigkeit, die mit etablierten Supervised-Learning-Methoden vergleichbar ist. Zudem konnte das Modell die Erträge mit einer Korrelation von über 0,85 vorhersagen, was die praktische Relevanz unterstreicht. Ein entscheidender Vorteil des Ansatzes ist die Reduzierung des Datenaufwands und der Infrastrukturkosten. Da keine neuen Trainingsdaten erforderlich sind, kann das Modell schnell auf neue Sorten oder Standorte angewendet werden, was die Skalierbarkeit in der landwirtschaftlichen Forschung und im Feldbau erheblich erhöht. Zudem ist es ressourcenschonend, da es auf bestehenden Modellen aufbaut und keine umfangreichen Datenlager für jedes neue Experiment erfordert. Industrielle Experten sehen in der Technologie eine bedeutende Fortschrittsstufe für die digitale Landwirtschaft. „Zero-Shot-Learning könnte die Einführung neuer Pflanzensorten beschleunigen und die Effizienz der Züchtung erheblich steigern“, sagt Dr. Lena Müller, Agrar-Technologin am Leibniz-Institut für Pflanzenzüchtung. „Die Fähigkeit, ohne Neutrainings zu arbeiten, ist ein Schlüssel für die Anpassung an klimatische Veränderungen und die Vielfalt der globalen Landwirtschaft.“ Das Framework ist von einem Team der Universität Hohenheim und dem Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) entwickelt worden. Die Technologie ist bereits in Pilotprojekten mit landwirtschaftlichen Genossenschaften in Deutschland und den Niederlanden getestet worden. Weitere Entwicklungen zielen auf die Integration mit Drohnen- und Sensornetzwerken ab, um eine Echtzeit-Phänotypisierung im gesamten Wachstumszyklus zu ermöglichen.