Forscher entwickeln AI-gestützte Methode für die Analyse von Saatgut

Ein Team von Forschern des brasilianischen Zentrums für Nuklearenergie in der Landwirtschaft (CENA) und des Luiz de Quieroz College of Agriculture (ESALQ) hat eine AI-gestützte Methode zur Analyse der Saatgutqualität entwickelt, die die Zeit, die benötigt wird, um die Qualität von landwirtschaftlichem Saatgut zu bestimmen, dramatisch reduziert.

Laut Phys.org sammelte das Forscherteam Bilder von Saatgut mithilfe von lichtbasierten Bildgebungsverfahren. Die von dem Forscherteam verwendeten Techniken umfassten multispektrale Bildgebung und Chlorophyll-Fluoreszenz. Das Forscherteam wählte Karotten und Tomaten als experimentelle Modelle aus und wählte verschiedene Varianten, um in verschiedenen Ländern und unter verschiedenen Bedingungen zu produzieren. Die Saatgut, die sie auswählten, waren kommerzielle Tomatensorten, die in den USA und in Brasilien produziert wurden, sowie kommerzielle Karottensorten, die in Italien, Chile und Brasilien produziert wurden.

Die Nachfrage nach diesen Früchten steigt weltweit, aber die Sammlung von Saatgut für diese Früchte kann schwierig sein. Sowohl Karotten als auch Tomaten haben Reifeprozesse, die nicht einheitlich sind. Die Saatgutproduktion für diese Früchte ist auch nicht synchron, was bedeutet, dass Saatgutpartien, 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 bloßen Auge zu unterscheiden, aber Computersichtsysteme können diesen Prozess erleichtern.

Traditionell werden Saatgut durch Keimungs- und Vigor-Tests bewertet. Keimungstests umfassen das Säen und Keimen von Saatgut, während Vigor-Tests darauf abzielen, zu bewerten, wie Saatgut auf Stress reagiert. Es kann zwei Wochen oder mehr dauern, um Ergebnisse von diesen Tests zu erhalten, was bedeutet, dass maschinelle Lernverfahren dramatisch schneller sind als traditionelle Saatgutanalysetechniken.

Nachdem sie die Trainingsbilder gesammelt hatten, verwendeten die Forscher einen Zufallswald-Klassifizierer, um die Interpretation der Saatgutbilder zu automatisieren. Dieses optische Bildgebungsverfahren hat viele Vorteile gegenüber traditionellen Methoden der Saatgutanalyse, einer davon ist die Tatsache, dass die optische BildgebungsTechnologie auf ganze Chargen von Saatgut angewendet werden kann, anstatt nur auf kleine Proben dieser Chargen. Ein weiterer Vorteil, den diese Methode gegenüber traditionellen Saatgutbewertungstechniken hat, ist, dass die Computervisionstechnik nicht-invasiv ist, d. h. sie zerstört keine Produkte, die analysiert werden.

Eine Methode, die die Forscher zur Analyse der Saatgutqualität verwendeten, war die Chlorophyll-Fluoreszenz. Algorithmen, die von dem Forscherteam 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 noch nicht vollständig ausgereift ist. Dieses residuelle Chlorophyll kann mit multispektraler Bildgebung nachgewiesen werden, indem 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 emittierte Licht in 19 verschiedene Wellenlängen auf und analysierten die Saatgutqualität auf der Grundlage der Reflexion für diese verschiedenen Wellenlängen. Sie verglichen dann die Ergebnisse, die sie erhielten, mit Qualitätsdaten, die durch typische Saatgutanalysemethode 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.

Saatgut enthält 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 Bildaten werden verwendet, um die Samen innerhalb des gesamten erfassten Bildes zu finden. Je mehr von einem bestimmten Nährstoff ein Same enthält, desto mehr Lichtwellenlängen 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 Forscherteam verwendete dann Chemometrie, die mathematische und statistische Modelle sind, die verwendet werden, um Materialien zu klassifizieren, um die Klassen zu erstellen, die die Saatgutqualität beschreiben.

Schließlich konnten die Forscher maschinelle Lernmodelle verwenden, um die Genauigkeit der Chemometriemodelle 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%.

Beide die Chlorophyll-Fluoreszenz-Technik und die multispektrale Bildgebungstechnik erwiesen sich als zuverlässig und viel schneller als traditionelle Methoden der Saatgutanalyse. Wenn die Methode sich als zuverlässig erweist, hat sie das Potenzial, höherwertige Saatgut für Landwirte auf der ganzen Welt bereitzustellen.