Ερευνητές Ανάπτυξαν Μέθοδο Ανάλυσης Σπόρων με Υποστήριξη AI

Một ομάδα ερευνητών από το Κέντρο Πυρηνικής Ενέργειας στη Γεωργία (CENA) και το Κολλέγιο Γεωργίας Luiz de Quieroz (ESALQ) έχουν δημιουργήσει μια μέθοδο ανάλυσης ποιότητας σπόρων με τη χρήση της τεχνητής νοημοσύνης, μειώνοντας δραματικά τον χρόνο που απαιτείται για τον καθορισμό της ποιότητας των γεωργικών σπόρων.

Σύμφωνα με το Phys.org, η ερευνητική ομάδα συλλογής εικόνων σπόρων με τη χρήση τεχνολογίας εικόνας βασισμένης στο φως. Οι τεχνικές που χρησιμοποιήθηκαν από την ερευνητική ομάδα περιελάμβαναν την πολυχρωματική απεικόνιση και την χλωροφύλλη fluoresence. Η ερευνητική ομάδα επέλεξε καρότα και τομάτες ως πειραματικά μοντέλα, επιλέγοντας διαφορετικές παραλλαγές για να παράγουν σε διαφορετικές χώρες και υπό διαφορετικές συνθήκες. Οι σπόροι που επέλεξαν ήταν εμπορικές ποικιλίες τομάτας 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. Τα καρότα και οι τομάτες έχουν μη ομοιόμορφες διαδικασίες ωρίμανσης. Η παραγωγή σπόρων για αυτά τα προϊόντα δεν είναι επίσης συγχρονισμένη, που σημαίνει ότι οι σπόροι που εξάγονται από αυτά τα καρότα και τις τομάτες μπορούν να περιέχουν και ώριμους και άωρους σπόρους. Δεν είναι εύκολο να διακρίνουμε μεταξύ ώριμων και άωρων σπόρων με το μάτι, αλλά τα συστήματα υπολογιστικής όρασης μπορούν να κάνουν αυτή τη διαδικασία πιο εύκολη.

Παραδοσιακά, οι σπόροι αξιολογούνται είτε με δοκιμές γονιμότητας και δυνάμεως. Οι δοκιμές γονιμότητας περιλαμβάνουν τη σπορά και την γονιμοποίηση των σπόρων, ενώ οι δοκιμές δυνάμεως αποσκοπούν στο να αξιολογήσουν 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 μάθησης με τη χρήση μηχανών είναι δραματικά ταχύτερες από τις παραδοσιακές τεχνικές ανάλυσης σπόρων.

Μετά τη συλλογή των εικόνων εκπαίδευσης, οι ερευνητές χρησιμοποίησαν einen τυχαίο δασικό ταξινομητή για να αυτοματοποιήσουν την ερμηνεία των εικόνων των σπόρων. Αυτό το οπτικό σύστημα απεικόνισης έχει πολλά πλεονεκτήματα σε σχέση με τις παραδοσιακές μεθόδους ανάλυσης σπόρων, ένα από τα οποία είναι ότι η τεχνολογία οπτικής απεικόνισης μπορεί να χρησιμοποιηθεί σε ολόκληρες παρτίδες σπόρων αντί για μικρά δείγματα αυτών των παρτιδών. Ένα άλλο πλεονέκτημα της μεθόδου σε σχέση με τις παραδοσιακές τεχνικές αξιολόγησης σπόρων είναι ότι η τεχνική υπολογιστικής όρασης δεν είναι εισβολική,所以 δεν καταστρέφει κανένα προϊόν που αναλύεται.

Μια μέθοδος ανάλυσης της ποιότητας των σπόρων που χρησιμοποίησαν οι ερευνητές ήταν η χλωροφύλλη fluoresence. 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 χρήση πολυχρωματικής απεικόνισης, με το κόκκινο φως να激活 την χλωροφύλλη και ειδικές συσκευές να καταγράφουν την fluoresence και να τη μετατρέπουν σε ηλεκτρικό σήμα.

Η πολυχρωματική απεικόνιση περιλαμβάνει τη χρήση LED για την εκπομπή φωτός σε διάφορους σημεία του φάσματος του φωτός. Οι ερευνητές χώρισαν το εκπεμπόμενο φως σε 19 διαφορετικά μήκη κύματος και ανέλυσαν την ποιότητα των σπόρων με βάση την ανάκλαση για αυτά τα διαφορετικά μήκη κύματος. Στη συνέχεια, σύγκριναν τα αποτελέσματα που έλαβαν με τα δεδομένα ποιότητας που λήφθηκαν μέσω τυπικών μεθόδων ανάλυσης σπόρων. Οι ερευνητές βρήκαν ότι η χρήση του近-υπέρυθρου φωτός λειτουργεί καλύτερα για την αξιολόγηση των σπόρων καρότου, ενώ το υπεριώδες φως λειτουργεί καλύτερα για την αξιολόγηση των σπόρων τομάτας.

Οι σπόροι περιέχουν πρωτεΐνες, σάκχαρα και λιπίδια που απορροφούν ορισμένα μήκη κύματος φωτός ενώ αντανακλούν το υπόλοιπο φως. Eine πολυχρωματική κάμερα χρησιμοποιείται για να καταγράψει το αντανακλώμενο φως, και τα δεδομένα εικόνας που προκύπτουν χρησιμοποιούνται για να βρεθούν οι σπόροι μέσα στην ολόκληρη εικόνα. Όσο περισσότερο από ένα δεδομένο θρεπτικό συστατικό περιέχει ένας σπόρος, τόσο περισσότερο φως απορροφάται. Μια σειρά αλγορίθμων χρησιμοποιείται για να αναγνωριστεί 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 εύρεση της ποιότητάς τους. Η ερευνητική ομάδα χρησιμοποίησε στη συνέχεια τη χημετρική για να δημιουργήσει τις κατηγορίες που περιέγραψαν την ποιότητα των σπόρων.

Τέλος, οι ερευνητές μπόρεσαν να χρησιμοποιήσουν μοντέλα μάθησης με τη χρήση μηχανών για να αξιολογήσουν την ακρίβεια των μοντέλων χημετρικής που δημιούργησαν. Σε περίπτωση σπόρων τομάτας, η ακρίβεια ταξινόμησης ποιότητας κυμαινόταν από 86% έως 95%. Σε περίπτωση σπόρων καρότου, η ακρίβεια κυμαινόταν από 88% έως 97%.

Και η τεχνική χλωροφύλλης fluoresence και η τεχνική πολυχρωματικής απεικόνισης αποδείχθηκαν αξιόπιστες και πολύ ταχύτερες από τις παραδοσιακές μεθόδους αξιολόγησης της ποιότητας των σπόρων. Αν η μέθοδος αποδειχθεί αξιόπιστη, έχει το потенシャル να φέρει υψηλότερης ποιότητας σπόρους στους καλλιεργητές σε όλο τον κόσμο.