Forscher entwickeln AI-gestützte Methode für die Samenanalyse

Ein Team von Forschern aus dem brasilianischen Zentrum für Nuklearenergie in der Landwirtschaft (CENA) und dem Luiz de Quieroz College of Agriculture (ESALQ) haben eine AI-gestützte Methode für die Samenqualitätsanalyse entwickelt, die die Zeit, die benötigt wird, um die Qualität von landwirtschaftlichen Samen zu bestimmen, dramatisch reduziert.

Laut Phys.org sammelte das Forschungsteam Bilder von Samen mit Hilfe von lichtbasierten Bildgebungsverfahren. Die von dem Forschungsteam verwendeten Techniken umfassten multispektrale Bildgebung und Chlorophyll-Fluoreszenz. Das Forschungsteam wählte Karotten und Tomaten als experimentelle Modelle aus und wählte unterschiedliche Varianten, um in verschiedenen Ländern und unter verschiedenen Bedingungen zu produzieren. Die ausgewählten Samen waren handelsübliche Tomatensorten, die in den USA und in Brasilien produziert wurden, sowie handelsübliche Karottensorten, die in Italien, Chile und Brasilien produziert wurden.

Die Nachfrage nach diesen Feldfrüchten steigt weltweit, aber die Samen für diese Feldfrüchte zu sammeln, kann schwierig sein. Sowohl Karotten als auch Tomaten haben ungleichmäßige Reifeprozesse. Die Samenproduktion für diese Feldfrüchte ist auch nicht synchron, was bedeutet, dass Samenpartien, die aus diesen Tomaten und Karotten extrahiert werden, sowohl reife als auch unreife Samen enthalten können. Es ist nicht leicht, zwischen reifen und unreifen Samen mit dem Auge zu unterscheiden, aber Computer-Vision-Systeme können diesen Prozess erleichtern.

Traditionell werden Samen durch Keim- und Vigor-Tests bewertet. Keim-Tests umfassen das Säen und Keimen von Samen, während Vigor-Tests darauf abzielen, zu bewerten, wie Samen auf Stress reagieren. Es kann zwei Wochen oder mehr dauern, um Ergebnisse von diesen Tests zu erhalten, was bedeutet, dass maschinelle Lernverfahren dramatisch schneller sind als diese traditionellen Samenanalysetechniken.

Nachdem die Forscher die Trainingsbilder gesammelt hatten, verwendeten sie einen Random-Forest-Klassifizierer, um die Interpretation der Samenbilder zu automatisieren. Dieses optische Bildgebungsverfahren hat viele Vorteile gegenüber traditionellen Methoden der Samenanalyse, einer davon ist die Tatsache, dass die optische BildgebungsTechnologie auf ganze Samenpartien angewendet werden kann, anstatt nur auf kleine Proben dieser Partien. Ein weiterer Vorteil dieser Methode gegenüber traditionellen Samenbewertungstechniken ist, dass die Computer-Vision-Technik nicht invasiv ist, sodass sie keine analysierten Produkte zerstört.

Eine Methode, die die Forscher zur Analyse der Samenqualität verwendeten, war die Chlorophyll-Fluoreszenz. Algorithmen, die von dem Forschungsteam entwickelt wurden, nutzten die Anwesenheit von Chlorophyll in den Samen. Chlorophyll liefert den Samen die Energie, die sie für ihre Entwicklung benötigen, und wenn der Same noch große Mengen an residuellem Chlorophyll enthält, bedeutet dies, dass der Same nicht vollständig ausgereift ist. Dieses residuelle Chlorophyll kann mit multispektraler Bildgebung nachgewiesen werden, wobei rotes Licht das Chlorophyll anregt und spezielle Geräte seine Fluoreszenz erfassen und in ein elektrisches Signal umwandeln.

Multispektrale Bildgebung umfasst die Verwendung von LEDs, um Licht bei verschiedenen Punkten des Lichtspektrums auszusenden. Die Forscher teilten das ausgesendete Licht in 19 verschiedene Wellenlängen auf und analysierten die Samenqualität auf der Grundlage der Reflexion für diese verschiedenen Wellenlängen. Sie verglichen dann die Ergebnisse, die sie erhielten, mit Qualitätsdaten, die durch typische Samenanalysemethoden erhalten wurden. Die Forscher fanden heraus, dass die Verwendung von Nahinfrarotlicht am besten für die Bewertung von Karottensamen geeignet ist, während UV-Licht am besten für die Bewertung von Tomatensamen geeignet ist.

Samen enthalten Proteine, Zucker und Lipide, die bestimmte Wellenlängen des Lichts absorbieren, während sie den Rest des Lichts reflektieren. Eine multispektrale Kamera wird verwendet, um das reflektierte Licht zu erfassen, und die resultierenden Bilddaten werden verwendet, um die Samen im gesamten erfassten Bild zu finden. Je mehr von einem bestimmten Nährstoff ein Same enthält, desto mehr Lichtwellen werden absorbiert. Eine Reihe von Algorithmen wird verwendet, um zu bestimmen, welche Wellenlänge am besten geeignet ist, um die Samen zu lokalisieren. Dieser Prozess kann verwendet werden, um Informationen über die chemische Zusammensetzung der untersuchten Samen zu liefern, was es ermöglicht, ihre Qualität abzuleiten. Das Forschungsteam verwendete dann Chemometrie, die mathematische und statistische Modelle sind, die zur Klassifizierung von Materialien verwendet werden, um die Klassen zu erstellen, die die Samenqualität beschreiben.

Schließlich konnten die Forscher maschinelle Lernmodelle verwenden, um die Genauigkeit der Chemometrie-Modelle zu bewerten, die sie erstellt hatten. Im Falle von Tomatensamen lag die Genauigkeit der Qualitätsklassifizierung zwischen 86% und 95%. Im Falle von Karottensamen lag die Genauigkeit zwischen 88% und 97%.

Sowohl die Chlorophyll-Fluoreszenz-Technik als auch die multispektrale Bildgebungstechnik erwiesen sich als zuverlässig und viel schneller als traditionelle Methoden zur Bewertung der Samenqualität. Wenn die Methode sich als zuverlässig erweist, hat sie das Potenzial, höherwertige Samen an Landwirte auf der ganzen Welt zu liefern.