Ερευνητές Ανάπτυξαν Μέθοδο Ανάλυσης Σπόρων με Υποστήριξη του AI

Μια ομάδα ερευνητών από το Κέντρο Πυρηνικής Ενέργειας στη Γεωργία (CENA) και το Κολλέγιο Γεωργίας Λουίζ ντε Κιέροζ (ESALQ) έχουν δημιουργήσει μια μέθοδο ανάλυσης ποιότητας σπόρων με τη χρήση του AI, μειώνοντας δραματικά τον χρόνο που απαιτείται για την καθορισμό της ποιότητας των γεωργικών σπόρων.

Σύμφωνα με το Phys.org, η ερευνητική ομάδα συλλέγει εικόνες σπόρων με τη χρήση τεχνολογίας εικόνας βασισμένης στο φως. Οι τεχνικές που χρησιμοποιήθηκαν από την ερευνητική ομάδα περιλαμβάνουν τη multispectral εικόνα και τη χλωροφύλλη fluorescencia. Η ερευνητική ομάδα επέλεξε καρότα και ντομάτες ως πειραματικά μοντέλα, επιλέγοντας διαφορετικές παραλλαγές για να παραχθούν σε διαφορετικές χώρες και υπό διαφορετικές συνθήκες. Οι σπόροι που επέλεξαν ήταν εμπορικές ποικιλίες ντομάτας που παράγονται στις ΗΠΑ και στη Βραζιλία, καθώς και εμπορικές ποικιλίες καρότου που παράγονται στην Ιταλία, τη Χιλή και τη Βραζιλία.

Η ζήτηση για αυτά τα προϊόντα αυξάνεται παγκοσμίως, αλλά η συλλογή σπόρων για αυτά τα προϊόντα μπορεί να είναι δύσκολη. Τόσο τα καρότα όσο και οι ντομάτες έχουν μη ομοιόμορφες διαδικασίες ωρίμανσης. Η παραγωγή σπόρων για αυτά τα προϊόντα είναι επίσης μη συγχρονισμένη, που σημαίνει ότι οι σπόροι που εξάγονται από αυτά τα καρότα και τις ντομάτες μπορούν να περιέχουν και ώριμους και άωρους σπόρους. Δεν είναι εύκολο να διακρίνουμε τους ώριμους από τους άωρους σπόρους με το μάτι, αλλά τα συστήματα όρασης υπολογιστή possono να κάνουν αυτή τη διαδικασία ευκολότερη.

Παραδοσιακά, οι σπόροι αξιολογούνται είτε με τη γονιμότητα και τις δοκιμές δυνάμεως. Οι δοκιμές γονιμότητας περιλαμβάνουν τη σπορά και τη βλάστηση των σπόρων, ενώ οι δοκιμές δυνάμεως αποσκοπούν στην αξιολόγηση του πώς οι σπόροι ανταποκρίνονται στο στρες. Μπορεί να χρειαστούν δύο εβδομάδες ή περισσότερο για να ληφθούν αποτελέσματα από αυτές τις δοκιμές, που σημαίνει ότι οι τεχνικές του machine learning είναι δραματικά ταχύτερες από τις παραδοσιακές μεθόδους ανάλυσης σπόρων.

Μετά τη συλλογή των εικόνων εκπαίδευσης, οι ερευνητές χρησιμοποίησαν einen τυχαίο δάσος ταξινομητή για να αυτοματοποιήσουν την ερμηνεία των εικόνων των σπόρων. Αυτό το οπτικό σύστημα εικόνας έχει πολλά πλεονεκτήματα σε σχέση με τις παραδοσιακές μεθόδους ανάλυσης σπόρων, ένα από τα οποία είναι ότι η τεχνολογία εικόνας μπορεί να χρησιμοποιηθεί σε ολόκληρες παρτίδες σπόρων αντί για μικρά δείγματα. Ένα άλλο πλεονέκτημα της μεθόδου είναι ότι η τεχνολογία όρασης υπολογιστή είναι μη εύθραυστη, οπότε δεν καταστρέφει κανένα προϊόν που αναλύεται.

Μια μέθοδος ανάλυσης ποιότητας σπόρων που χρησιμοποίησαν οι ερευνητές ήταν η χλωροφύλλη fluorescencia. Οι αλγόριθμοι που ανέπτυξαν οι ερευνητές χρησιμοποίησαν την παρουσία της χλωροφύλλης μέσα στους σπόρους. Η χλωροφύλλη παρέχει την ενέργεια που χρειάζονται οι σπόροι για την ανάπτυξη, και αν ο σπόρος έχει ακόμη μεγάλες ποσότητες υπολειμματικής χλωροφύλλης μέσα του, αυτό σημαίνει ότι ο σπόρος δεν είναι πλήρως ώριμος. Αυτή η υπολειμματική χλωροφύλλη μπορεί να ανιχνευθεί με τη multispectral εικόνα, με το κόκκινο φως να激活 την χλωροφύλλη και ειδικές συσκευές να καταγράφουν την fluorescencia και να τη μετατρέπουν σε ηλεκτρικό σήμα.

Η multispectral εικόνα περιλαμβάνει τη χρήση LED για την εκπομπή φωτός σε διαφορετικά σημεία του φάσματος φωτός. Οι ερευνητές χώρισαν το εκπεμπόμενο φως σε 19 διαφορετικά μήκη κύματος και ανέλυσαν την ποιότητα των σπόρων με βάση την ανταύγεια για αυτά τα διαφορετικά μήκη κύματος. Στη συνέχεια, σύγκριναν τα αποτελέσματα που έλαβαν με δεδομένα ποιότητας που λήφθηκαν με τυπικές μεθόδους ανάλυσης σπόρων. Οι ερευνητές βρήκαν ότι η χρήση近-infrared φωτός λειτουργεί καλύτερα για την αξιολόγηση της ποιότητας των σπόρων καρότου, ενώ το UV φως λειτουργεί καλύτερα για την αξιολόγηση της ποιότητας των σπόρων ντομάτας.

Οι σπόροι περιέχουν πρωτεΐνες, σάκχαρα και λιπίδια που απορροφούν ορισμένα μήκη κύματος φωτός ενώ αντανακλούν το υπόλοιπο φως. Μια multispectral κάμερα χρησιμοποιείται για να καταγράψει το αντανακλωμένο φως, και τα δεδομένα εικόνας που προκύπτουν χρησιμοποιούνται για να βρεθούν οι σπόροι μέσα στην ολόκληρη εικόνα. Όσο περισσότερο από ένα συγκεκριμένο θρεπτικό συστατικό περιέχει ένας σπόρος, τόσο περισσότερο απορροφά τα μήκη κύματος φωτός που αντιστοιχούν σε αυτό. Μια σειρά αλγορίθμων χρησιμοποιείται για να αναγνωρίσει ποιο μήκος κύματος λειτουργεί καλύτερα για την τοποθέτηση των σπόρων. Αυτή η διαδικασία μπορεί να χρησιμοποιηθεί για να παρέχει πληροφορίες σχετικά με τη χημική σύνθεση των σπόρων που μελετώνται, επιτρέποντας την εκτίμηση της ποιότητας τους. Η ερευνητική ομάδα χρησιμοποίησε στη συνέχεια τη chemometrics, που είναι μαθηματικά και στατιστικά μοντέλα που χρησιμοποιούνται για την ταξινόμηση υλικών, για να δημιουργήσουν τις κατηγορίες που περιγράφουν την ποιότητα των σπόρων.

Τέλος, οι ερευνητές ήταν σε θέση να χρησιμοποιήσουν μοντέλα machine learning για να αξιολογήσουν την ακρίβεια των μοντέλων chemometrics που δημιούργησαν. Στην περίπτωση των σπόρων ντομάτας, η ακρίβεια της ταξινόμησης ποιότητας κυμαινόταν από 86% έως 95%. Στην περίπτωση των σπόρων καρότου, η ακρίβεια κυμαινόταν από 88% έως 97%.

Και η τεχνική χλωροφύλλης fluorescencia και η τεχνική multispectral εικόνας αποδείχθηκαν αξιόπιστες και πολύ ταχύτερες από τις παραδοσιακές μεθόδους αξιολόγησης της ποιότητας σπόρων. Αν η μέθοδος αποδειχθεί αξιόπιστη, έχει το δυναμικό να φέρει υψηλότερης ποιότητας σπόρους στους καλλιεργητές σε όλο τον κόσμο.