HIPPA

Für die Kontrolle von Pflanzenkrankheiten ist eine zuverlässige Bestimmung der Ursache bzw. der Art der Krankheitserreger von entscheidender Bedeutung. Idealerweise können Diagnosemethoden leicht angewendet werden, liefern schnelle Ergebnisse und sind für Anwendungen mit einem hohen Durchsatz geeignet. Das Ziel des Projektes ist die Entwicklung eines zerstörungsfreien und automatisierten Klassifizierungssystems zur Bestimmung von Krankheiten an Apfelfrüchten, das auf der hyperspektralen Bildanalyse beruht. Der Schwerpunkt wird auf Krankheiten und physiologische Störungen gelegt, die Apfelfrüchte während und nach der Ernte, bzw. während der Lagerung betreffen können.

Die hyperspektrale Bildgebung erfasst eine Vielzahl von Spektralbanden und bietet daher eine detailliertere Darstellung im Vergleich zu klassischen RGB-Bildern. Hyperspektrale Bilder von Früchten, die verschiedene Krankheitsbilder aufweisen, werden mit Hyperspektralkameras mit unterschiedlichen Empfindlichkeiten (z.B. im Bereich von 350 nm bis 2500 nm) in Zusammenarbeit mit dem Center for Sensing Solutions der EURAC Research und dem Technologieunternehmen MiCROTEC aufgenommen. Die Inokulationen werden mit exakt bestimmten und charakterisierten Isolaten der in Südtirol vorkommenden Pilzerreger durchgeführt und die Symptomentwicklung auf jeder Frucht wird im Zeitverlauf erfasst. Die physiologischen Störungen müssen durch spezifische Produktionsverhältnisse und Lagerfaktoren induziert und validiert werden. Durch die Aufnahmeserien soll das Konzept bewiesen werden, dass die hyperspektrale Bildgebung geeignet ist, Krankheiten und Störungen bereits in einer frühen Entwicklungsphase zu erkennen und die einzelnen Krankheitserreger voneinander zu unterscheiden. Die gewonnenen Datensätze werden verwendet, um einen Hyperspektralbild-Klassifikator für die Erkennung von Krankheiten an Apfelfrüchten zu trainieren, da die hyperspektrale Bildgebung Deep-Learning-Methoden erfordert, um räumliche und spektrale Informationen zu extrahieren. Nachdem die Diagnose von Krankheiten und physiologischen Störungen auch von menschlichen Anwendern genutzt werden soll, werden diese Daten in ein Entscheidungshilfesystem zur Diagnose von Nacherntekrankheiten des Apfels einfließen. Zu diesem Zweck wird das Entscheidungshilfesystem DSSApple, das in einem Vorgängerprojekt ausgearbeitet wurde, weiterentwickelt. Neben den Hyperspektralbildern sollen auch Expertendiagnosen in das System integriert werden. Schließlich soll das System in der Lage sein, spezifische Empfehlungen über Maßnahmen zur Verringerung von Lebensmittelverlusten und -abfällen entlang der Produktions- und Lieferketten zu geben und dadurch nachhaltige Produktionswege fördern. Durch dieses Projekt werden Grundlagen für die mögliche Entwicklung spezifischer Sensoren ausgearbeitet und entwickelt, die in Ernterobotern oder in Sortierungsmaschinen zum Einsatz kommen könnten.

1. Einleitung

Der domestizierte Apfel (Malus x domestica) ist eine der am weitesten verbreiteten Obstbaumarten der gemäßigten Zonen und seine Früchte sind das wichtigste landwirtschaftliche Produkt Südtirols. Im Jahr 2021 wurden in Südtirol 934.799 Tonnen Äpfel produziert, was knapp einem Zehntel der Apfelproduktion der Europäischen Union entspricht (Autonome Provinz Bozen, 2022). Aufgrund des weitverbreiteten Anbaus von Apfelsorten mit guten Lagereigenschaften und der Einführung fortschrittlicher Lagertechnologien können Apfelfrüchte über einen längeren Zeitraum gelagert werden und sind das ganze Jahr über auf dem Markt erhältlich (Kupferman 2003). Allerdings kann die Qualität der Ernteerzeugnisse während und nach der Lagerung durch physiologische Störungen und pathogene Mikroorganismen beeinträchtigt werden, wodurch erhebliche wirtschaftliche Verluste entstehen können. Es gibt Schätzungen für Nordeuropa, dass im integrierten Anbau 10% und im biologischen Anbau bis zu 30% der Ernte durch Nacherntekrankheiten verloren gehen (Maxin et al. 2014). In Südtirol werden die Verluste der Tafelware in der Nachernte auf 4 bis 8% geschätzt (Micheletti 2017). Bei einer Lagerkapazität von etwa 900.000 Tonnen und einem durchschnittlichen Verkaufspreis des Apfels von 0,78 €/kg (5-Jahres-Durchschnitt für Italien; Europäische Kommission, 2023) würde das einem Wertverlust von 28,1 bis 56,2 Millionen Euro entsprechen.

Der Schlüsselfaktor für eine hohe Qualität der Früchte nach der Lagerung ist die Ernte zum physiologisch richtigen Zeitpunkt in Verbindung mit der Anwendung von spezifischen Vor- und Nacherntebehandlungen und Lagertechnologien. Verschiedene Techniken der kontrollierten Lagerung können die Reifung der Früchte erheblich verlangsamen und dazu beitragen, die gewünschten Qualitätseigenschaften zu erhalten (Harker et al. 2006; Zanella & Rossi 2015; Zanella & Stürz 2015; Tijskens et al. 2018; Vittani et al. 2022), können aber die Entwicklung verschiedener physiologischer Störungen und/oder Krankheiten nicht immer verhindern, sondern können sie sogar begünstigen.

Physiologische Störungen an Apfelfrüchten sind gekennzeichnet durch außerordentliche Gewebeveränderungen und hängen von verschiedenen Faktoren ab, wie dem Genotyp der Apfelsorte, dem Ernährungszustand der Pflanze oder dem Reifegrad der Früchte bei der Ernte. Weitere Faktoren, die physiologische Störungen begünstigen können, sind extreme Temperaturen und chemische Verletzungen der Früchte während des Anbaus oder ungünstige Bedingungen während der Lagerung (Ferguson et al. 1999), welche zum Beispiel die Atmung zu drastisch unterdrücken, um den gewöhnlichen Metabolismus betreiben zu können.

Früchte, die äußere Symptome aufweisen, lassen sich leicht aussortieren, während die Beseitigung von Früchten mit inneren Störungen eine größere Herausforderung darstellt, da bis dato nur wenige Messverfahren zur Bestimmung von inneren Qualitätsmängeln an Früchten eingesetzt werden.

Die wichtigsten Nacherntekrankheiten des Apfels werden von pathogenen Pilzen verursacht (Snowdon 1990). Diese Pilze gelten im Allgemeinen als schwache Krankheitserreger, die reife oder geschwächte Früchte befallen. Einige Erreger (z. B. Colletotrichum spp., Neofabraea spp. oder Neonectria ditissima) infizieren die Apfelfrüchte vor der Ernte in der Obstanlage. Diese Infektionen bleiben symptomlos bis der physiologische Zustand der geernteten Früchte für die Entwicklung des Erregers günstig wird. Fruchtfäulen werden schließlich während der Lagerung, beim Sortieren, Verpacken, Verkaufen oder kurz vor dem Verzehr sichtbar. Andere Krankheitserreger können als Sporen auf die Ernteerzeugnisse gelangen (z. B. Penicillium spp., Botrytis sp. oder Fusarium sp.) und die Früchte durch Wunden, Läsionen, Risse oder aufgrund von physiologischen Schäden bei der Ernte oder in verschiedenen Nacherntephasen befallen (Barkai-Golan 2001). In einigen Fällen können Infektionen durch den Kontakt mit befallenen Früchten verbreitet werden, was zu Nestern von verrottenden Ernteprodukten führt. Abgesehen von den direkten Verlusten durch Fäulnisse werden einige Pilze, wie Penicillium spp. oder Alternaria spp., auch mit der Produktion von Mykotoxinen in Verbindung gebracht, die Obst und die daraus verarbeiteten Produkte kontaminieren und schädliche Auswirkungen auf die menschliche Gesundheit haben können (Paster et al. 1995; Beretta et al. 2000).

Um Ausfälle durch Nacherntepathogene zu verhindern, die Vermarktung besser zu planen oder Pflanzenschutzstrategien für die nachfolgende Saison zu definieren, ist eine zuverlässige Bestimmung der Art der Krankheit von entscheidender Bedeutung. Die Krankheit kann durch die Beobachtung makroskopischer Symptome wie Aussehen, Farbe, Textur und Konsistenz der Fäulnis im Schalen- und Fruchtfleischgewebe oder dem Auftreten von Merkmalen der Pilzerreger bestimmt werden. Die makroskopischen Symptome variieren jedoch je nach Sorte, dem Infektionsstadium oder den Lagerbedingungen. Bei unklaren Symptomen oder dem Fehlen von sporentragenden Fruchtkörpern ist es notwendig, den Pilz auf Nährböden zu isolieren und zu charakterisieren. Darüber hinaus werden häufig molekulare Techniken zur weiteren Charakterisierung der Isolate eingesetzt. Die Anwendung mikrobiologischer und molekularer Methoden ist jedoch anspruchsvoll in Bezug auf Ausrüstung, Zeit und Kosten und kann nur in spezialisierten Labors mit geschultem Personal durchgeführt werden (Martinelli et al. 2015).

Neben der Anwendung herkömmlicher mikrobiologischer und molekularer Methoden wird eine Vielzahl neuartiger und nichtdestruktiver Ansätze für den Nachweis von Pflanzenkrankheiten und Krankheitserregern entwickelt. Diese Methoden stützen sich auf verschiedene Technologien, wie die Erstellung von Profilen flüchtiger organischer Verbindungen (VOCs) in Pflanzen, Fernerkundung oder spektroskopische und bildgebende Verfahren (z. B. Sankaran et al. 2010; Martinelli et al. 2015). Die hyperspektrale Bildgebung verwendet Sensorsysteme, die elektromagnetische Signale vieler angrenzender Wellenlängen aufnehmen können. Diese können in einem Wellenlängenbereich zwischen 350 und 2500 nm liegen und mit einer Auflösung von 1 nm bis 10 nm erfasst werden (Chang 2003). Im Gegensatz dazu nimmt das menschliche Auge Wellenlängen in einem Bereich von 350 nm bis 730 nm wahr, die den Grundfarben Rot, Grün und Blau (RGB) entsprechen. Somit kann mit der hyperspektralen Bildgebung mehr Informationen von einem Objekt erfasst werden, als mit einer üblichen Kamera mit drei Farbkanälen. Die zusätzliche spektrale Information führt allerdings zu einem höheren Grad an Komplexität, der fortschrittliche Lösungen bei der Extraktion der Daten erfordert, die von den üblichen Bildanalysetechniken abweichen. Bei der Klassifizierung müssen nämlich zwei Hauptelemente berücksichtigt werden: die räumlichen Merkmale eines Bildes werden in zwei Dimensionen dargestellt, während die spektralen Merkmale die dritte Dimension repräsentieren. Hierbei kann der Einsatz von Methoden, die auf dem Deep Learning beruhen, von großem Nutzen sein. Hyperspektralsensoren können auf Satelliten, Flugzeugen, Drohnen, aber auch als Handgeräte und in Produktionsprozessen eingebaut werden und eine zerstörungsfreie Untersuchung auf Pixelebene für eine Vielzahl von Anwendungen gewährleisten, wie in der Fernerkundung, der Archäologie, der Medizin, der Landwirtschaft oder Lebensmittelindustrie (Cucci et al. 2020; Dale et al. 2013; Dozier & Painter 2004; Lu & Fei 2014; Ma et al. 2019).

2. Projektziele und erwartete Ergebnisse

Das Ziel des Projektes ist die Entwicklung eines zerstörungsfreien und automatisierten Klassifizierungssystems zur Bestimmung von Krankheiten und Schäden an Apfelfrüchten, das auf der hyperspektralen Bildanalyse beruht. Der Schwerpunkt wird auf Krankheiten und physiologische Störungen gelegt, die Apfelfrüchte während und nach der Ernte, bzw. während der Lagerung betreffen können.

Hyperspektrale Bilder von Früchten, die verschiedene Krankheitsbilder aufweisen, werden mit Hyperspektralkameras mit unterschiedlichen Empfindlichkeiten aufgenommen. Die Inokulationen werden mit exakt bestimmten und charakterisierten Isolaten der in Südtirol vorkommenden Pilzerreger durchgeführt und die Symptomentwicklung auf jeder Frucht wird im Zeitverlauf der erfasst. Die physiologischen Störungen müssen durch spezifische Produktionsverhältnisse und Lagerfaktoren induziert und validiert werden. Durch die Aufnahmeserien soll das Konzept bewiesen werden, dass die hyperspektrale Bildgebung geeignet ist, Krankheiten und Störungen bereits in einer frühen Entwicklungsphase zu erkennen und die einzelnen Krankheitserreger voneinander zu unterscheiden.

Die gewonnenen Datensätze werden verwendet, um einen Hyperspektralbild-Klassifikator für die Erkennung von Krankheiten an Apfelfrüchten zu trainieren, da die hyperspektrale Bildgebung Deep-Learning-Methoden erfordert, um räumliche und spektrale Informationen zu extrahieren.

Nachdem die Diagnose von Krankheiten und physiologischen Störungen auch von menschlichen Anwendern genutzt werden soll, werden diese Daten in ein Entscheidungshilfesystem zur Diagnose von Nacherntekrankheiten und –störungen des Apfels einfließen. Zu diesem Zweck wird das Entscheidungshilfesystem DSSApple, das in einem Vorgängerprojekt ausgearbeitet wurde, weiterentwickelt. Neben den Hyperspektralbildern sollen auch Expertendiagnosen und mikroskopische Bilder von Pilzsporen in das System integriert werden. Schließlich soll das System in der Lage sein, spezifische Empfehlungen über Maßnahmen zur Verringerung von Lebensmittelverlusten und -abfällen entlang der Produktions- und Lieferketten zu geben und dadurch nachhaltige Produktionswege fördern. Durch dieses Projekt werden Grundlagen für die mögliche Entwicklung spezifischer Sensoren und Hardwaresysteme ausgearbeitet und entwickelt, die in Ernterobotern oder in Sortierungsmaschinen zum Einsatz kommen könnten.

Die zu erwartenden Ergebnisse sind folgende:

• Digitale Bestimmung und Monitoring von Nacherntekrankheiten und physiologischen Störungen mittels der angewandten spektralen, zerstörungsfreien Methoden.

• Digitale Vorhersage von Nacherntekrankheiten und physiologischen Störungen mittels der angewandten spektralen, zerstörungsfreien Methoden bevor die Symptomatik aufgetreten ist, um den optimalen Vermarktungszeitpunkt zu definieren.

• Eine potenzielle frühzeitige zerstörungsfreie Vorhersage von Apfelqualität und Anfälligkeit für verschiedene Krankheiten. Somit könnten die Früchte mit einer höheren Anfälligkeit für die Entwicklung bestimmter Krankheiten vor den Früchten mit höherem Lagerungspotenzial und vor dem Auftreten der Krankheit verkauft werden.

• Modelle zur Bestimmung des Zusammenhangs zwischen den optischen Eigenschaften von Apfelfrüchten und Qualitätsmerkmalen, einschließlich Lagerungsstörungen und Krankheiten.

• Verbesserung und Kostenoptimierung von Instrumenten für die zerstörungsfreie Überwachung von intakten Früchten.

• Entwicklung und Implementierung einer hochmodernen Hyperspektralkamera im SWIR-Bereich (950-1700 nm).

3. Beschreibung der methodischen und praktischen Umsetzung

3.1. Überblick über die Arbeitspakete (Work Packages, WP)

Das Projekt wird über einen Zeitraum von 3 Jahren laufen und in fünf Arbeitspakete aufgeteilt sein.

Das WP1 beinhaltet das Projektmanagement und die Projektkommunikation.

Das WP2 befasst sich mit der Erhebung und Aufbereitung der Daten zu den Nacherntekrankheiten. Im Rahmen eines vorhergehenden Forschungsprojekts wurde in der Forschungsgruppe Phytopathologie ein Überblick über die in Südtirol am häufigsten vorkommenden Nachernteerreger und ihre molekulargenetische Variabilität gewonnen (Amaral Carneiro & Baric 2021; Amaral Carneiro et al. 2021, 2022a, 2022b). Darüber hinaus wurden eine Wissensbasis und eine visuelle Enzyklopädie sowie Beschreibungsschemata der zehn häufigsten Nacherntekrankheiten von Äpfeln in Südtirol mit Diagnose- und Managementempfehlungen erstellt. Die Sammlung von charakterisierten Pilzisolaten verschiedener Arten, die Expertise im Bereich der Diagnosemethoden und die Erfahrung in der Inokulation von Apfelfrüchten können nun eingesetzt werden, um verschiedene Krankheiten an Apfelfrüchten zu induzieren. Für die Erhebung der hyperspektralen Bilddaten werden in Absprache mit dem WP3 dieselben Apfelsorten ausgewählt (z. B. Golden Delicious, Granny Smith, Scilate – Envy™, Nicoter/Kanzi®, Cripps Pink/Pink Lady® oder Gala) und standardisierte Bedingungen für die Bildaufnahmen festgelegt. Neben den verschiedenen Krankheitsbildern, die zum Zeitpunkt der Ernte und nach der Lagerung auftreten können, wird der zeitliche Krankheitsverlauf mithilfe der hyperspektralen Bildgebung erfasst. Darüber hinaus werden für ausgewählte Krankheitserreger die molekularen Prozesse analysiert, die in der Frühphase der Krankheitsentwicklung stattfinden.

Das WP3 befasst sich mit den grundlegenden verursachenden Faktoren von physiologischen Störungen, auch indem es gezielt Bedingungen schafft, um diese zu induzieren. Dafür stützt man sich auf die langjährige Erfahrung in der Prävention von physiologischen Lagerverlusten (äußere und innere) und in der Entwicklung innovativer Lagertechnologie für Obst (dynamisch kontrollierte Atmosphäre, DCA). Im Rahmen eines vorhergehenden INTERREG-Projektes wurde eine Web-Applikation zur Identifizierung und Prävention von physiologischen Lagerschäden an Äpfeln entwickelt, welche in verschiedenen Sprachen frei verfügbar ist: www.frudistor.de

Die Expertise ist Garant für die Wahl prioritärer Problematiken und die langjährige Erfahrung mit spektraler nicht-destruktiver Analytik für geeignete Stichproben mit der notwendigen Variabilität. Das WP3 besorgt das Fruchtmaterial, organisiert die Ernte zum physiologisch richtigen Zeitpunkt, organisiert die Nacherntebehandlungen und schafft unterschiedliche kontrollierte Lagerbedingungen (auch in modifizierter Atmosphäre). Das WP 3 befasst sich mit der Erhebung und Aufbereitung der Daten zu den ausgewählten physiologischen Störungen und Qualitätsparametern mittels klassischen, visuellen und nicht-destruktiven Analysen.

Die Datenerfassung in WP2 und WP3 stützt sich auf spektroskopische Methoden, die operative Informationen über die chemischen und physikalischen Eigenschaften von Früchten liefern, indem Reflexions-, Transmissions- und Absorptionswerte im sichtbaren und NIR-Spektralbereich ermittelt werden. Ein Spektroradiometer im Bereich von 350 bis 2500 nm mit einer spektralen Auflösung von 1 nm dient zur Ermittlung spezifischer Banden, die für die Identifizierung von Veränderungen in infiziertem Gewebe (Bräunung, Austrocknung, mikrobielle Kontamination) von Interesse sind. Mit diesen Banden wird der hyperspektrale Bildwandler (400 bis 900 nm) konfiguriert, um automatisch gesunde und kranke Früchte zu identifizieren und zu klassifizieren, und eine vorläufige Qualitätsbewertung vorzunehmen.

Im Rahmen des WP4 findet die Klassifikatorentwicklung, die Integration der Daten in das Entscheidungsunterstützungssystem sowie dessen Evaluierung statt. Bei der Entwicklung hyperspektraler Klassifikatoren werden spezifische Merkmalsextraktoren implementiert, welche jene spektralen Bandbreiten gezielt verarbeiten die laut Erkenntnissen des WP2 und WP3 mit den zu vorhersagenden Indikatoren am stärksten korrelieren. In einem zweiten, Deep Learning basierten Ansatz werden Neuronale Netze eingesetzt, um korrelierende Muster hyperspektraler Messungen in deren vollen Bandbreite maschinell zu erlernen. Das Erlernen dieser Mustererkennung stützt sich auf bereits existierenden Datensätzen der EURAC und dem Projekt-spezifischen Datensatz der im WP2 undWP3 erarbeitet wird. Zum Einsatz kommen neueste Methoden der Bild-basierten Zeitreihen-Analyse und -Vorhersage, um dateneffektiv jene Muster zu erlernen welche Voraussagen zu Krankheitsverlauf, physiologischen Schäden und Qualitäten ermöglichen und somit für deren Verwendung im Entscheidungsunterstützungssystem optimiert sind. Maschinell erlernte Mustererkennung in der vollen spektralen Bandbreite ermöglicht in Folge auch die Bestimmung jener spektralen Bandbreiten, die den größten Einfluss auf Vorhersagegenauigkeit haben. Dies wiederum erlaubt die Eingaben des WP2 undWP3 für die Realisierung des Sensorsystems im WP4 zu ergänzen. Der methodische Ansatz in diesem Arbeitspaket ermöglicht anschließend eine Anpassung der Mustererkennung an die spezifischen Eigenschaften des entwickelten Sensorsystems, welche durch die Unterdrückung nicht-informativer spektraler Bandbreiten im existierenden Datensatz und dessen Ergänzung durch Bilddaten des realisierten Systems ausgeführt wird.

Im Rahmen des WP5 werden Sensoren und Hardwaresysteme entwickelt.

Der Partner MiCROTEC blickt auf eine lange Forschungs- und Entwicklungsgeschichte auf dem Gebiet der Industriekameras zurück und hat in jüngster Zeit erfolgreich eine VisNIR-Hyperspektralkamera entwickelt. Diese Kamera wurde anschließend in die Produkte des Unternehmens eingeführt, um eine hochwertige farbbasierte Erkennung von Holzfehlern und -merkmalen durchzuführen. Im Rahmen des vorliegenden Projekts wird die Entwicklung im SWIR-Bereich vorangetrieben und eine spezielle hyperspektrale SWIR-Kamera im Spektralbereich von 950 bis 1700 nm entwickelt.

MiCROTEC wird kommerzielle SWIR-Sensoren ausfindig machen und eine spezielle Leiterplatte entwickeln, die den Sensor aufnimmt und seine Signale an die MiCROTEC-eigene Kameraplattform sendet. Zusammen mit dem Hardware-Design werden die Firmware und die eingebettete Software, die für die Steuerung und den Betrieb der Kamera erforderlich sind, implementiert