Forscher entwickeln KI-gestützte Methode zur Samenanalyse

Ein Forscherteam des brasilianischen Zentrums für Kernenergie in der Landwirtschaft (CENA) und des Luiz de Quieroz College of Agriculture (ESALQ) hat eine erstellt KI-gesteuerte Methode zur Analyse der SaatgutqualitätDadurch wird die Zeit, die zur Bestimmung der Qualität von landwirtschaftlichem Saatgut benötigt wird, drastisch verkürzt.

Laut Phys.orgDas Forschungsteam sammelte mithilfe lichtbasierter Bildgebungstechnologie Bilder von Samen. Zu den vom Forschungsteam verwendeten Techniken gehörten multispektrale Bildgebung und Chlorophyllfluoreszenz. Das Forschungsteam wählte Karotten und Tomaten als Versuchsmodelle aus und wählte verschiedene Varianten aus, um sie in verschiedenen Ländern und unter verschiedenen Bedingungen zu produzieren. Als Samen wählten sie kommerzielle Tomatensorten aus den USA und Brasilien sowie kommerzielle Karottensorten aus Italien, Chile und Brasilien aus.

Die Nachfrage nach diesen Nutzpflanzen steigt weltweit, doch das Sammeln der Samen für diese Nutzpflanzen kann schwierig sein. Sowohl Karotten als auch Tomaten haben einen uneinheitlichen Reifeprozess. Die Samenproduktion dieser Kulturen ist ebenfalls nicht synchron, was bedeutet, dass die aus diesen Tomaten und Karotten gewonnenen Samenpartien sowohl reife als auch unreife Samen enthalten können. Es ist nicht einfach, mit dem Auge zwischen reifen und unreifen Samen zu unterscheiden, aber Computer-Vision-Systeme können diesen Prozess erleichtern.

Traditionell werden Samen entweder durch Keimungs- oder Vitalitätstests beurteilt. Bei Keimungstests geht es um die Aussaat und Keimung von Samen, bei Vitalitätstests geht es darum, zu beurteilen, wie Samen auf Stress reagieren. Es kann zwei Wochen oder länger dauern, bis die Ergebnisse dieser Tests vorliegen, was bedeutet, dass Techniken des maschinellen Lernens deutlich schneller sind als diese herkömmlichen Techniken zur Saatgutanalyse.

Nach dem Sammeln der Trainingsbilder verwendeten die Forscher einen Random-Forest-Klassifikator, um die Interpretation der Seed-Bilder zu automatisieren. Dieses optische Bildgebungssystem hat viele Vorteile gegenüber herkömmlichen Methoden zur Saatgutanalyse. Einer davon ist die Tatsache, dass die optische Bildgebungstechnologie auf ganze Samenchargen und nicht nur auf kleine Proben dieser Chargen angewendet werden kann. Ein weiterer Vorteil der Methode gegenüber herkömmlichen Techniken zur Saatgutbewertung besteht darin, dass die Computer-Vision-Technik nicht invasiv ist und daher keine analysierten Produkte zerstört.

Eine Methode zur Analyse der Samenqualität, die die Forscher verwendeten, war die Chlorophyllfluoreszenz. Die vom Forschungsteam entwickelten Algorithmen machten sich das Vorhandensein von Chlorophyll in den Samen zunutze. Chlorophyll liefert den Samen die Energie, die sie für die Entwicklung benötigen. Wenn der Samen noch große Mengen an restlichem Chlorophyll enthält, bedeutet dies, dass der Samen noch nicht vollständig ausgereift ist. Dieses restliche 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.

Bei der multispektralen Bildgebung werden LEDs verwendet, um Licht an verschiedenen Punkten des Lichtspektrums zu emittieren. Die Forscher teilten das emittierte Licht in 19 verschiedene Wellenlängen auf und analysierten die Samenqualität anhand des Reflexionsgrads für diese verschiedenen Wellenlängen. Anschließend verglichen sie die erzielten Ergebnisse mit Qualitätsdaten, die mit typischen Methoden der Saatgutanalyse gewonnen wurden. Die Forscher fanden heraus, dass die Verwendung von Nahinfrarotlicht für die Beurteilung von Karottensamen am besten geeignet ist, während UV-Licht für die Beurteilung von UV-Tomatensamen am besten geeignet ist.

Samen enthalten Proteine, Zucker und Lipide, die bestimmte Lichtwellenlängen absorbieren und den Rest des Lichts reflektieren. Eine Multispektralkamera erfasst das reflektierte Licht und die resultierenden Bilddaten werden verwendet, um die Samen im gesamten aufgenommenen Bild zu finden. Je mehr von einem bestimmten Nährstoff ein Samen enthält, desto mehr entsprechende Lichtwellenlängen werden absorbiert. Mithilfe einer Reihe von Algorithmen wird ermittelt, welche Wellenlänge die Samen am besten lokalisieren kann. Mit diesem Verfahren lassen sich Informationen über die chemische Zusammensetzung der untersuchten Samen gewinnen und daraus Rückschlüsse auf deren Qualität ziehen. Das Forschungsteam verwendete dann Chemometrie, also mathematische und statistische Modelle zur Klassifizierung von Materialien, um die Klassen zu erstellen, die die Samenqualität beschreiben.

Schließlich konnten die Forscher mithilfe von Modellen des maschinellen Lernens die Genauigkeit der von ihnen erstellten chemometrischen Modelle beurteilen. Bei Tomatensamen lag die Genauigkeit der Qualitätsklassifizierung zwischen 86 % und 95 %. Bei Karottensamen lag die Genauigkeit zwischen 88 % und 97 %.

Sowohl die Chlorophyll-Fluoreszenztechnik als auch die multispektrale Bildgebungstechnik erwiesen sich als zuverlässig und viel schneller als herkömmliche Methoden zur Beurteilung der Samenqualität. Wenn sich die Methode als zuverlässig erweist, hat sie das Potenzial, den Erzeugern auf der ganzen Welt qualitativ hochwertigeres Saatgut zu liefern.