Forskere udvikler AI-baseret metode til sædanalyse

Et hold af forskere fra Brasiliens Center for Nuclear Energy in Agriculture (CENA) og Luiz de Quieroz College of Agriculture (ESALQ) har udviklet en AI-dreven metode til analyse af sædkvalitet, hvilket dramatisk reducerer tiden, der er nødvendig for at bestemme kvaliteten af landbrugssæd.

Ifølge Phys.org indsamlede forskningsteamet billeder af sæd ved hjælp af lys-baseret billedteknologi. Teknikkerne, som forskningsteamet anvendte, omfattede multispektral billedtagning og klorofylfluorescens. Forskningsteamet valgte gulerødder og tomater som deres eksperimentelle modeller, og valgte forskellige varianter til at producere i forskellige lande og under forskellige betingelser. Sæden, som de valgte, var kommercielle tomatsorter produceret i USA og i Brasilien, samt kommercielle gulerodssorter produceret i Italien, Chile og Brasilien.

Efterspørgslen efter disse afgrøder stiger verden over, men indsamlingen af sæd til disse afgrøder kan være svær. Såvel gulerødder som tomater har en uregelmæssig modningsproces. Sædproduktionen for disse afgrøder er også ikke-synkron, hvilket betyder, at sædlodder, der er udtrukket fra disse tomater og gulerødder, kan indeholde både modne og umodne sæd. Det er ikke let at skelne mellem modne og umodne sæd med det blotte øje, men computerbaserede billedsystemer kan gøre denne proces lettere.

Traditionelt vurderes sæd ved hjælp af enten spiringstest eller vigor-test. Spiringstest indebærer såning og spiring af sæd, mens vigor-test søger at vurderer, hvordan sæd reagerer på stress. Det kan tage to uger eller mere at få resultater fra disse test, hvilket betyder, at maskinlærings-teknikker er dramatisk hurtigere end disse traditionelle sædanalyseteknikker.

Efter at have indsamlet træningsbillederne anvendte forskerne en random forest-klassificator til at automatisere fortolkningen af sædbillederne. Dette optiske billedsystem har mange fordele i forhold til traditionelle metoder til analyse af sæd, hvoraf den ene er, at den optiske billedteknologi kan anvendes på hele batcher af sæd i stedet for kun små prøver af disse batcher. En anden fordel, som metoden har i forhold til traditionelle sædvurderingsteknikker, er, at computerbaserede billedsystemer er ikke-invasivt, så de ikke ødelægger nogen af de analyserede produkter.

En metode til analyse af sædkvalitet, som forskerne anvendte, var klorofylfluorescens. Algoritmer, som forskningsteamet udviklede, gjorde brug af tilstedeværelsen af klorofyl i sæden. Klorofyl forsyner sæden med den energi, som den behøver for at udvikle sig, og hvis sæden stadig har store mængder af rest-klorofyl i sig, indebærer det, at sæden ikke er fuldt ud moden. Dette rest-klorofyl kan detekteres med multispektral billedtagning, hvor rød lys exciterer klorofylen og specielle enheder fanger dens fluorescens og omformer den til en elektrisk signal.

Multispektral billedtagning indebærer anvendelsen af lysdioder til at udsende lys ved forskellige punkter på lys-spektret. Forskerne delte det udsendte lys op i 19 forskellige bølgelængder og analyserede sædkvaliteten på baggrund af refleksion for disse forskellige bølgelængder. De sammenlignede derefter resultaterne, som de fik, med kvalitetsdata, som de fik ved hjælp af typiske sædanalysemål. Forskerne fandt ud af, at anvendelsen af nær-infrarød lys fungerer bedst for vurderingen af gulerodssæd, mens UV-lys fungerer bedst for vurderingen af tomatsæd.

Sæd indeholder proteiner, sukker og lipider, som absorberer visse bølgelængder af lys, mens de reflekterer resten af lyset. En multispektral kamera anvendes til at fange det reflekterede lys, og de resulterende billeddata anvendes til at finde sæden inden for det hele billed. Jo mere af en given næringsstof, som en sæd indeholder, jo mere lys-bølgelængder, som svarer til den, absorberes. En række algoritmer anvendes til at identificere, hvilken bølgelængde, der fungerer bedst til at lokaliserer sæden. Denne proces kan anvendes til at give information om den kemiske sammensætning af de undersøgte sæd, hvilket tillader, at deres kvalitet kan udledes. Forskningsteamet anvendte derefter kemometri, som er matematiske og statistiske modeller, som anvendes til at klassificere materialer, til at oprette klasser, som beskrev sædkvaliteten.

Til sidst kunne forskerne anvende maskinlæringsmodeller til at vurderer nøjagtigheden af de kemometriske modeller, som de oprettede. I tilfældet af tomatsæd var klassificeringsnøjagtigheden af sædkvalitet på mellem 86% og 95%. I tilfældet af gulerodssæd var nøjagtigheden på mellem 88% og 97%.

Both klorofylfluorescens-teknikken og multispektral billedtagningsteknikken viste sig at være pålidelige og langt hurtigere end traditionelle metoder til vurdering af sædkvalitet. Hvis metoden viser sig at være pålidelig, har den potentialet til at bringe højere kvalitets-sæd til landmænd verden over.