Výzkumníci vyvinuli metodu analýzy semen pomocí umělé inteligence

Tým výzkumníků z Brazilského centra pro jadernou energii v zemědělství (CENA) a Luiz de Quieroz College of Agriculture (ESALQ) vytvořil metodu analýzy kvality semen pomocí umělé inteligence, která dramaticky snížila čas potřebný k určení kvality zemědělských semen.

Podle Phys.org výzkumný tým sesbíral obrázky semen pomocí světla-založené zobrazovací technologie. Techniky používané výzkumným týmem zahrnovaly multispektrální zobrazování a chlorofyl fluorescenci. Výzkumný tým vybral mrkev a rajčata jako své experimentální modely, zvolil různé varianty pro produkci v různých zemích a za různých podmínek. Semena, která vybral, byly komerční rajčatové odrůdy produkované v USA a Brazílii, stejně jako komerční mrkvové odrůdy produkované v Itálii, Chile a Brazílii.

Poptávka po těchto plodinách roste po celém světě, ale sběr semen pro tyto plodiny může být obtížný. Jak mrkev, tak rajčata mají nerovnoměrné procesy zrání. Produkce semen pro tyto plodiny je také nesynchronizovaná, což znamená, že partie semen extrahované z těchto rajčat a mrkve mohou obsahovat jak zralá, tak nezralá semena. Není snadné rozlišit mezi zralými a nezralými semeny pouhým okem, ale počítačové vidění může tento proces usnadnit.

Tradičně se semena hodnotí pomocí testů klíčení a vitality. Testy klíčení zahrnují setí a klíčení semen, zatímco testy vitality se snaží hodnotit, jak semena reagují na stres. Může trvat dva týdny nebo déle, než budou k dispozici výsledky z těchto testů, což znamená, že techniky strojového učení jsou dramaticky rychlejší než tradiční metody analýzy semen.

Po sesbírání trénovacích obrázků výzkumníci použili klasifikátor náhodného lesa k automatizaci interpretace obrázků semen. Tento optický zobrazovací systém má mnoho výhod oproti tradičním metodám analýzy semen, jednou z nich je fakt, že optická zobrazovací technologie může být použita na celé partie semen místo pouze malých vzorků z těchto partií. Další výhodou této metody oproti tradičním technikám hodnocení semen je, že počítačová vidění není invazivní, a proto nezničí žádné analyzované produkty.

Jedna z metod analýzy kvality semen, kterou výzkumníci použili, byla chlorofyl fluorescence. Algoritmy vyvinuté výzkumným týmem využily přítomnosti chlorofylu uvnitř semen. Chlorofyl dodává semenům energii potřebnou pro vývoj, a pokud semeno stále obsahuje velké množství zbytkového chlorofylu uvnitř, znamená to, že semeno není plně zralé. Tento zbytkový chlorofyl lze detekovat pomocí multispektrálního zobrazování, kdy se červené světlo excituje chlorofylu a speciální zařízení zachytí jeho fluorescenci a převede ji na elektrický signál.

Multispektrální zobrazování zahrnuje použití LED diod k emitování světla na různých bodech spektra. Výzkumníci rozdělili emitované světlo na 19 různých vlnových délek a hodnotili kvalitu semen na základě odrazivosti pro tyto různé vlnové délky. Poté porovnali výsledky, které získali, s údaji o kvalitě získanými pomocí typických metod analýzy semen. Výzkumníci zjistili, že použití blízkého infračerveného světla je nejlepší pro hodnocení kvality semen mrkve, zatímco ultrafialové světlo funguje nejlépe pro hodnocení kvality semen rajčat.

Semena obsahují proteiny, cukry a lipidy, které absorbují certain vlnové délky světla, zatímco odrážejí zbytek světla. Multispektrální kamera se používá k zachycení odraženého světla a výsledná obrazová data se použijí k nalezení semen v celém zachyceném obraze. Čím více určitých živin semeno obsahuje, tím více vlnových délek světla odpovídajících této živině absorbuje. Řada algoritmů se používá k identifikaci, která vlnová délka nejlépe lokalizuje semena. Tento proces lze použít k získání informací o chemickém složení semen, která se studují, a umožňuje odvodit jejich kvalitu. Výzkumný tým poté použil chemometrii, která jsou matematické a statistické modely používané k klasifikaci materiálů, k vytvoření tříd, které popisují kvalitu semen.

Nakonec byli výzkumníci schopni použít modely strojového učení k hodnocení přesnosti chemometrických modelů, které vytvořili. V případě semen rajčat se přesnost klasifikace kvality pohybovala mezi 86% a 95%. V případě semen mrkve se přesnost pohybovala mezi 88% a 97%.

Obě techniky, chlorofyl fluorescenci a multispektrální zobrazování, se ukázaly jako spolehlivé a mnohem rychlejší než tradiční metody hodnocení kvality semen. Pokud se tato metoda ukáže jako spolehlivá, má potenciál přinést vyšší kvalitu semen pěstitelům po celém světě.