Vědci vyvinuli metodu analýzy semen s podporou 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 s podporou umělé inteligence, která dramaticky snížila čas potřebný pro stanovení kvality zemědělských semen.

Podle Phys.org, výzkumný tým získal snímky semen pomocí světla-založené zobrazovací technologie. Použité techniky zahrnovaly multispektrální zobrazování a fluorescenci chlorofylu. Výzkumný tým vybral mrkev a rajčata jako experimentální modely, zvolil různé varianty pro produkci v různých zemích a za různých podmínek. Semena, která vybrali, byly komerční odrůdy rajčat produkované v USA a Brazílii, stejně jako komerční odrůdy mrkve 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 nesynchronní, 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 okem, ale systémy počítačového vidění mohou tento proces usnadnit.

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

Po získání trénovacích snímků výzkumníci použili klasifikátor náhodného lesa k automatizaci interpretace snímků 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 technika počítačového vidění je neinvazivní, a proto nezničí žádné analyzované produkty.

Jednou z metod analýzy kvality semen, kterou výzkumníci použili, byla fluorescence chlorofylu. Algoritmy vyvinuté výzkumným týmem využily přítomnosti chlorofylu uvnitř semen. Chlorofyl poskytuje energii, kterou semena potřebují pro vývoj, a pokud semeno stále obsahuje velké množství zbytkového chlorofylu, znamená to, že semeno není plně zralé. Tento zbytkový chlorofyl lze detekovat pomocí multispektrálního zobrazování, kdy červené světlo excituje chlorofyl 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 analyzovali kvalitu semen na základě odrazivosti pro tyto různé vlnové délky. Poté porovnali výsledky, které získali, s údaji o kvalitě získanými prostřednictvím typických metod analýzy semen. Výzkumníci zjistili, že použití blízkého infračerveného světla je nejlepší pro hodnocení kvality semen mrkve, zatímco ultrafialové světlo je nejlepší pro hodnocení kvality semen rajčat.

Semena obsahují proteiny, cukry a lipidy, které absorbují určitá vlnová délka světla, zatímco zbytek světla odráží. Multispektrální kamera se používá k zachycení odraženého světla a výsledná obrazová data se používají k nalezení semen v rámci celého zachyceného obrazu. Čím více dané živiny semeno obsahuje, tím více vlnových délek odpovídajících této živině je absorbováno. Řada algoritmů se používá k identifikaci, která vlnová délka nejlépe lokalizuje semena. Tento proces lze použít k poskytnutí informací o chemickém složení semen, které jsou studovány, a tím umožnit odhadnout 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 výzkumníci byli schopni použít modely strojového učení k hodnocení přesnosti chemometrických modelů, které vytvořili. V případě semen rajčat se kvalitativní klasifikační přesnost pohybovala v rozmezí 86 % až 95 %. V případě semen mrkve se přesnost pohybovala v rozmezí 88 % až 97 %.

Obě techniky, fluorescence chlorofylu 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.