Einordnung
Das Forschungsteam um Tolulope Oyeniran und Bukola Akindipe beschreibt sein Verfahren in einem am 16. Oktober 2026 in Bioinformatics veröffentlichten, akzeptierten Manuskript. Deepweed kombiniert KI-basierte Bildsegmentierung mit der zeitlichen Verfolgung einzelner Pflanzen. Als Untersuchungsorganismus diente unter anderem Wolffia australiana, eine nahe Verwandte der für AquaSphere besonders relevanten Wolffia globosa.
Aus einer grünen Fläche werden individuelle Pflanzen
Eine dicht bewachsene Kultur sieht auf Fotos schnell wie eine geschlossene Fläche aus. Deepweed erkennt dennoch einzelne Pflänzchen, ordnet ihnen über mehrere Bildsequenzen hinweg Identitäten zu und kann ihre Entwicklung verfolgen. Die Software rekonstruiert sogar Mutter-Tochter-Beziehungen bei der klonalen Vermehrung.
Daraus entstehen Wachstumskurven, morphologische Einzelmessungen und Abstammungsdiagramme. Die Forschenden demonstrierten das auch in dichten Beständen und kontrollierten mikrofluidischen Umgebungen; Hunderte Pflanzen lassen sich parallel verfolgen. In einem unabhängigen Test mit 324 annotierten Pflanzen erreichte das Petrischalen-Modell eine Erkennungsrate von 85,8 Prozent bei 99,3 Prozent Präzision. Die Ergebnisse aus Mikrofluidik und Petrischalen waren unterschiedlich gut – eine Übertragung erfordert daher erneute Prüfung.
Was tatsächlich validiert wurde
Die Originalveröffentlichung beschreibt eine Forschungssoftware für Zeitrafferaufnahmen von Wolffia, unter anderem aus frei wachsenden Kulturen und kontrollierten mikrofluidischen Versuchen. Sie liefert individuelle Pflanzen-IDs, morphologische Messwerte und rekonstruierte klonale Abstammungslinien. Das ist ein deutlich genauerer Blick auf Vermehrungsvorgänge als eine reine Messung der grünen Gesamtfläche.
Die Arbeit belegt jedoch noch nicht, dass Deepweed ohne Anpassung in einem industriellen W. globosa-Rack unter wechselnden Licht- und Strömungsverhältnissen zuverlässig funktioniert. Ein sinnvoller erster Praxistest wäre daher eine kleine, mit manuellen Zählungen kontrollierte Bildserie. Die Software und der Datensatz sind öffentlich dokumentiert und können als Ausgangspunkt dienen.
Warum das für Indoor-Farming interessant ist
Für eine mehrstöckige Wolffia-Produktion kann eine solche Bildanalyse zum Bindeglied zwischen Kamera, Nährmedium und Prozesssteuerung werden. Denkbare Versuche sind beispielsweise die systematische Bewertung von Lichtintensität, Nährstoffzusammensetzung, Temperatur und Kulturdichte. Auch mögliche Veränderungen durch Kobaltzugaben ließen sich zunächst hinsichtlich der Wachstumsreaktion untersuchen – ohne daraus Rückschlüsse auf einen B12-Gehalt abzuleiten.
Wichtig ist die Grenze: Deepweed misst Pflanzenentwicklung in Bildern. Es kann nicht allein Proteinqualität, Vitamin B12, mikrobiologische Sicherheit oder die chemische Zusammensetzung des Nährmediums bestimmen. Dafür braucht es weiterhin geeignete Laboranalytik und Sensoren.
Open Source statt Blackbox
Ein wesentlicher Vorteil: Code, trainierte Modelle und Beispieldaten sind öffentlich verfügbar. Deepweed basiert unter anderem auf Python, PyTorch und OpenCV. So können Forschende die Methode prüfen, anpassen und gegebenenfalls für W. globosa nachtrainieren.
Für AquaSphere könnte zunächst ein kleiner, standardisierter Zeitraffer-Versuch sinnvoll sein. Gleiche Kameraposition, definierte Beleuchtung und dokumentierte Kulturbedingungen würden zeigen, ob die Software in den eigenen Systemen zuverlässig erkennt – bevor sie in eine automatisierte Rack-Steuerung einfließt.
Evidenzstand: Begutachtetes, zur Veröffentlichung angenommenes Manuskript (Accepted Manuscript), online seit 16. Oktober 2026; an Wolffia australiana beziehungsweise Wolffia-Kulturen demonstriert. Keine validierte industrielle Steuerungslösung für W. globosa.
Wissenschaftliche Quelle: Oyeniran et al., „Deepweed: Automated Individual Segmentation and Tracking for Duckweed Lineage Analysis“, Bioinformatics (2026). https://doi.org/10.1093/bioinformatics/btag779
Software und Datensätze: https://github.com/SamOliveiraLab/Deepweed