Jeden Frühling warten Millionen Menschen auf den ersten Nieser der Allergiesaison, während Bauern sich zugleich auf drohende Pilzbefälle einstellen. Was wäre, wenn eine einzige Technologie gleichzeitig die menschliche Gesundheit und die Ernteerträge schützen könnte?
Fliegende Partikel wie Pollen und Pilzsporen sind zwar mikroskopisch klein, ihre Auswirkungen sind jedoch enorm. Pollen können Allergien auslösen, von denen weltweit Hunderte Millionen Menschen betroffen sind. Sporen verbreiten Pflanzenkrankheiten, die jährlich bis zu 30 % der weltweiten Ernte im Wert von mehreren Milliarden vernichten. Herkömmliche Überwachungssysteme stützen sich auf traditionelle manuelle Laboranalysen: Proben müssen entnommen, transportiert und unter dem Mikroskop untersucht werden – das dauert oft mehrere Tage. Das Ergebnis: verspätete Prognosen, verpasste Präventionsfenster und ein übermässiger Einsatz von Chemikalien in der Landwirtschaft.
Um dieses Problem anzugehen, spannt CSEM für das EU-finanzierte Projekt AGRARSENSE seit Kurzem mit Swisens zusammen, in Kooperation mit Agroscope und der Fachhochschule Nordwestschweiz (FHNW). Swisens hat mit der Plattform SwisensPoleno ein fortschrittliches System entwickelt, das von jedem Pollen- und Sporenpartikel mehrere Datenpunkte erfasst: eine 3D-ähnliche holografische Momentaufnahme von zwei Seiten, Fluoreszenzspektren (den Lichtbereich, den das Partikel aussendet), Fluoreszenzlebensdauer (wie lange das Licht anhält) und Depolarisation (wie das Partikel die Ausrichtung des Lichts verändert). Aus diesen Messungen ergibt sich ein detaillierter Fingerabdruck, anhand dessen sich die verschiedenen Sporen- und Pollenarten voneinander unterscheiden lassen.
Auf Basis dieser Daten haben Swisens und CSEM eine Software zur automatischen Klassifizierung entwickelt: Sie erkennt Muster in den Messwerten und ordnet diese ohne manuelle Sortierung dem entsprechenden Partikeltyp zu. Das Ingenieursteam von CSEM hat zudem ein multimodales Deep-Learning-Modell – das «Gehirn» der KI – konzipiert, das die holografischen Momentaufnahmen und die Lichtmessungen in noch aussagekräftigere Darstellungen zusammenführt. Silas Dietler, F&E-Ingenieur bei CSEM, erklärt: «Der eigentliche Fortschritt besteht darin, dass man nun beide Informationen gleichzeitig sieht, denn so lassen sich endlich verschiedene Sporenarten unterscheiden, die zuvor fast identisch aussahen.»
Parallel dazu ging CSEM einem experimentellen Ansatz nach, bei dem die KI mit deutlich weniger menschlichem Input Muster in Rohdaten erkennt. David Hemmi, Head of Research & Business Development bei CSEM, fügt hinzu: «Der selbstlernende Ansatz eröffnet spannende Möglichkeiten für die Systeme der Zukunft. Aktuell liegt unser Fokus jedoch auf dem multimodalen Modell, das wir gemeinsam mit Swisens entwickelt haben.»
Der selbstlernende Ansatz nutzt reale Messdaten aus der Feldforschung, sodass sich die KI dynamisch an wechselnde Bedingungen wie lokale Vegetation und Wetterlagen anpassen kann. Neue Pollen- und Sporenarten können schnell hinzugefügt werden, ohne dass das Modell neu erstellt werden muss – zukünftige Implementierungen werden so weitaus praktikabler und skalierbar. Das System verbessert sich somit kontinuierlich weiter, während es bei bekannten Pollen- und Sporenarten eine konstante Leistung erbringt.
Die Auswirkungen reichen weit über das Labor hinaus. Für Allergikerinnen und Allergiker bedeutet eine genauere Pollenmessung bessere und schnellere Vorhersagen, was sowohl Gesundheitsdienstleistern als auch den Betroffenen selbst zugutekommt. In der Landwirtschaft können durch die Echtzeitüberwachung von Sporen gezieltere Massnahmen zur Pilzbekämpfung ergriffen werden. Dies reduziert den Einsatz von Chemikalien und sichert gleichzeitig die Ernteerträge.
Die Vorteile für Gesellschaft und Umwelt liegen auf der Hand: weniger schwerwiegende Atemwegserkrankungen, geringere Emissionen aus der Landwirtschaft und widerstandsfähigere Ernährungssysteme, die Krisensituationen besser standhalten können. Erny Niederberger, Head of Science bei Swisens, merkt dazu an: «Diese Technologie hilft uns, die Lücke zwischen Umweltgesundheit und menschlicher Gesundheit zu schliessen. Die Zusammenarbeit mit CSEM hat unsere Idee einen grossen Schritt nach vorne gebracht – von einer lokalen Innovation hin zu einer weltweit skalierbaren Lösung.»
Die multimodale KI-Modellpipeline von CSEM unterstützt das derzeit eingesetzte System und identifiziert anhand der SwisensPoleno-Messungen automatisch die einzelnen Partikelarten. Durch die Kombination von KI mit Schweizer High‑Tech‑Hardware schaffen CSEM und seine Partner Lösungen, die Mensch und Umwelt schützen. Erny Niederberger betont: «Unser Ziel besteht nicht nur darin, intelligentere Sensoren zu entwickeln, sondern auch Gesellschaften dabei zu helfen, schneller, intelligenter und nachhaltiger zu handeln.»
Die Zusammenarbeit mit den Teams von CSEM hat unsere Arbeit einen grossen Schritt vorangebracht. Dank ihres KI-Modells ist unsere Partikel-Klassifizierung flexibler geworden. Wir können nun sogar Bioaerosole, die noch kleiner sind als Pollen, in Echtzeit klassifizieren. Die Zusammenarbeit ermöglicht eine wirklich datengetriebene Landwirtschaft.
Entdecken Sie die Daten- und KI-Expertise von CSEM und erfahren Sie, wie Embedded AI, Edge Computing und sichere Datenpipelines Rohdaten in verwertbare Erkenntnisse verwandeln. Oder kontaktieren Sie uns über unser Formular, um Ihre digitale Transformation zu besprechen.