Een zaadlaboratorium telt 400 monsters per dag, elk 100 zaden. Dat zijn 40.000 zaden met de hand geteld. AI doet een bakje in seconden.
Het tellen van zaden en kiemtesten zijn dagelijkse knelpunten in veredelingsprogramma's, kwaliteitscontrolelaboratoria en commerciele kwekerijen. Internationale zaadteststandaarden vereisen nauwkeurige tellingen van 400 zaden per monster voor kiemtesten, en veredelingsprogramma's verwerken duizenden monsters per seizoen. Handmatig tellen is de norm, en het is precies zo vervelend als het klinkt. AI-fotoanalyse doet dezelfde taak nu in een fractie van de tijd, met een nauwkeurigheid boven 95%.
Het knelpunt van handmatig tellen
Handmatig zaden tellen is traag, repetitief en verrassend foutgevoelig voor iets dat eenvoudig lijkt.
Een standaard kiemtest vereist het tellen van 400 zaden in groepen van 100, het plaatsen op vochtig substraat en dagelijkse controle op kiemingen. Een kwaliteitslaboratorium dat 200 tot 400 monsters per dag verwerkt, behandelt 80.000 tot 160.000 individuele zaden - allemaal met de hand geteld. Veredelingsprogramma's zijn nog veeleisender: ze evalueren duizenden kruisbestuivingsresultaten per seizoen, elk met nauwkeurige zaadtellingen voor opbrengstberekeningen.
De fouten zijn niet dramatisch maar ze stapelen zich op. Een technicus die zaden van vergelijkbare kleur op een wit bakje telt, verliest nauwkeurigheid na het eerste uur. Kleine zaden zoals sla of tabak zijn moeilijk te onderscheiden van afval. En kiemingsmonitoring - dagelijks bakjes controleren om vast te leggen welke zaden zijn gekiemd - vermenigvuldigt de observatielast over elk monster gedurende 7 tot 14 dagen.
Hoe AI-zadentelling werkt
De werkwijze is eenvoudig: spreid zaden uit op een contrasterend oppervlak, fotografeer van bovenaf en laat de AI elk individueel zaad detecteren en tellen.
Beeldverwerkingsmethoden werken door zaadvormige objecten tegen de achtergrond te detecteren, aanrakende zaden te scheiden via watershed-algoritmen en een totaaltelling terug te geven. Deep learning-benaderingen gaan verder: ze leren zaden van afval te onderscheiden, gaan om met gedeeltelijke overlappingen en identificeren zaden van verschillende groottes in hetzelfde beeld. Het SoyCountNet-framework (2026) behaalt een gemiddelde absolute fout van 4,61 en een R-kwadraat van 0,94 voor sojabonen onder veldomstandigheden.
Verwerkingssnelheid is waar het voordeel het duidelijkst is. Deep learning-modellen tellen een bakje zaden in slechts 0,33 seconde per afbeelding. Zelfs met opname- en uploadtijd neemt de volledige workflow minder dan 10 seconden per monster in beslag, vergeleken met enkele minuten met de hand.
Kiemingsmonitoring met AI
Zaden tellen is slechts de helft van het werk. Kiemtesten vereisen dagelijkse observatie van welke zaden zijn gekiemd en welke niet. AI automatiseert dit ook.
Het SeedRuler-platform (2025) combineert traditionele beeldverwerking met YOLOv5 deep learning-detectie om de kieming van rijstzaden te beoordelen aan de hand van foto's. Het bereikt een gemiddelde precisie van 95,5% en verwerkt een kiemingsbakje in minder dan 30 seconden. Het systeem classificeert zaden als gekiemd of ongekiemd op basis van zichtbare worteltjesemergentie en berekent vervolgens automatisch het kiemingspercentage.
Time-lapse-opstellingen gaan verder: een vaste camera fotografeert elk bakje op geplande intervallen, en de AI volgt de kiemingsvoortgang gedurende dagen zonder enige menselijke observatie. De laboratoriumtechnicus bereidt de bakjes voor, start de camera en bekijkt de resultaten aan het einde.
400 zaden met de hand tellen. Op substraat plaatsen. Elk bakje dagelijks controleren gedurende 7 tot 14 dagen. Gekiemd vs. ongekiemd noteren. Percentage berekenen. Een technicus behandelt 30 tot 50 bakjes per dag.
Bakje fotograferen. AI telt het totaal aantal zaden en classificeert gekiemd vs. ongekiemd. Kiemingspercentage wordt in seconden berekend. Time-lapse-modus monitort automatisch.
Gewassen en zaadtypes
AI-zadentelling werkt het best met goed gescheiden zaden op een contrasterende achtergrond. De nauwkeurigheid varieert per zaadtype.
- Grote zaden (mais, sojabonen, bonen): 97 tot 99% nauwkeurigheid. Makkelijk te scheiden en detecteren
- Middelgrote zaden (rijst, tarwe, zonnebloem): 95 tot 97% nauwkeurigheid. Het SeedRuler-platform is specifiek gebouwd voor rijst
- Kleine zaden (sla, wortel, tabak): 90 tot 95% nauwkeurigheid. Vereist foto's met hogere resolutie en zorgvuldige scheiding
- Zeer kleine zaden (petunia, begonia): uitdagend. Zaden kunnen kleiner zijn dan individuele pixels bij telefoon-cameraresolutie
Zaailingen tellen in het veld
Buiten het laboratorium telt AI ook opgekomen zaailingen in het veld. Drone- of grondniveau-foto's van gewasrijen detecteren individuele zaailingen, berekenen standdichtheden en identificeren gaten waar zaden niet zijn gekiemd. Deze data helpen boeren te beslissen of dunne plekken moeten worden herzaaid, zaairatio's moeten worden aangepast voor het volgende seizoen, of bodem- of plaagproblemen in specifieke gebieden moeten worden onderzocht.
De combinatie van laboratorium-zadentelling en veld-zaailingdetectie creert een compleet beeld: hoeveel zaden zijn gezaaid, hoeveel zijn gekiemd in de laboratoriumtest en hoeveel zijn daadwerkelijk opgekomen in het veld. Die datacyclus stuurt betere beslissingen in elke fase.
De conclusie
Het tellen van zaden en kiemtesten zijn handmatige taken sinds het begin van de landbouw. AI-fotoanalyse verandert niet wat er gemeten moet worden - het verandert hoe lang het duurt. Minder dan 10 seconden per monster in plaats van enkele minuten. Meer dan 95% nauwkeurigheid voor de meeste gewaszaden. Geautomatiseerde kiemingsmonitoring die draait terwijl het lab gesloten is.
De volgende keer dat een bakje van 400 zaden geteld moet worden, probeer het eerst te fotograferen. De telling is klaar voordat u een comfortabele positie hebt gevonden om met de hand te beginnen tellen.