Investigadores desarrollan método de análisis de semillas respaldado por IA

Un equipo de investigadores del Centro de Energía Nuclear en la Agricultura (CENA) de Brasil y de la Escuela Superior de Agricultura Luiz de Quieroz (ESALQ) ha creado un Método de análisis de calidad de semilla impulsado por IA, reduciendo drásticamente el tiempo necesario para determinar la calidad de las semillas agrícolas.

Según Phys.org, el equipo de investigación recolectó imágenes de semillas con el uso de tecnología de imágenes basada en luz. Las técnicas utilizadas por el equipo de investigación incluyeron imágenes multiespectrales y fluorescencia de clorofila. El equipo de investigación seleccionó zanahorias y tomates para que sirvieran como modelos experimentales, eligiendo diferentes variantes para producir en diferentes países y en diferentes condiciones. Las semillas que seleccionaron fueron variedades comerciales de tomate producidas en EE. UU. y Brasil, así como variedades comerciales de zanahoria producidas en Italia, Chile y Brasil.

La demanda de estos cultivos está aumentando en todo el mundo, pero recolectar sus semillas puede resultar difícil. Tanto las zanahorias como los tomates tienen procesos de maduración que no son uniformes. La producción de semillas para estos cultivos tampoco es sincrónica, lo que significa que los lotes de semillas extraídas de estos tomates y zanahorias pueden contener semillas tanto maduras como inmaduras. No es fácil distinguir a simple vista entre semillas maduras e inmaduras, pero los sistemas de visión por computadora pueden facilitar este proceso.

Tradicionalmente, las semillas se evalúan mediante pruebas de germinación y vigor. Las pruebas de germinación implican la siembra y la germinación de semillas, mientras que las pruebas de vigor tienen como objetivo evaluar cómo responden las semillas al estrés. Pueden pasar dos semanas o más para obtener resultados de estas pruebas, lo que significa que las técnicas de aprendizaje automático son dramáticamente más rápidas que estas técnicas tradicionales de análisis de semillas.

Después de recolectar las imágenes de entrenamiento, los investigadores usaron un clasificador de bosque aleatorio para automatizar la interpretación de las imágenes de semillas. Este sistema de imágenes ópticas tiene muchas ventajas sobre los métodos tradicionales de análisis de semillas, una de las cuales es el hecho de que la tecnología de imágenes ópticas se puede utilizar en lotes completos de semillas en lugar de solo pequeñas muestras de esos lotes. Otra ventaja que tiene el método sobre las técnicas tradicionales de evaluación de semillas es que la técnica de visión artificial no es invasiva, por lo que no destruye ningún producto analizado.

Un método para analizar la calidad de la semilla que utilizaron los investigadores fue la fluorescencia de la clorofila. Los algoritmos desarrollados por el equipo de investigación hicieron uso de la presencia de clorofila dentro de las semillas. La clorofila proporciona la energía que las semillas necesitan para desarrollarse, y si la semilla todavía tiene grandes cantidades de clorofila residual en su interior, esto implica que la semilla no está completamente madura. Esta clorofila residual se puede detectar con imágenes multiespectrales, con luz roja excitando la clorofila y dispositivos especiales que capturan su fluorescencia y la convierten en una señal eléctrica.

Las imágenes multiespectrales implican el uso de LED para emitir luz en diferentes puntos del espectro de luz. Los investigadores dividieron la luz emitida en 19 longitudes de onda diferentes y analizaron la calidad de las semillas en función de la reflectancia de estas diferentes longitudes de onda. Luego compararon los resultados que obtuvieron con los datos de calidad obtenidos a través de métodos típicos de análisis de semillas. Los investigadores descubrieron que el uso de luz infrarroja cercana funciona mejor para la evaluación de semillas de zanahoria, mientras que la luz UV funciona mejor para la evaluación de semillas de tomate UV.

Las semillas contienen proteínas, azúcares y lípidos que absorben ciertas longitudes de onda de luz mientras reflejan el resto de la luz. Se usa una cámara multiespectral para capturar la luz reflectante y los datos de la imagen resultante se usan para encontrar las semillas dentro de toda la imagen capturada. Cuanto más de un nutriente dado contiene una semilla, más longitudes de onda de luz correspondientes se absorben. Se utiliza una serie de algoritmos para identificar qué longitud de onda funciona mejor para localizar las semillas. Este proceso se puede utilizar para proporcionar información sobre la composición química de las semillas en estudio, lo que permite inferir su calidad. Luego, el equipo de investigación empleó la quimiometría, que son modelos matemáticos y estadísticos utilizados para clasificar materiales, para crear las clases que describen la calidad de la semilla.

Finalmente, los investigadores pudieron usar modelos de aprendizaje automático para evaluar la precisión de los modelos quimiométricos que crearon. En el caso de las semillas de tomate, la precisión de la clasificación de calidad osciló entre el 86 % y el 95 %. En el caso de las semillas de zanahoria, la precisión osciló entre el 88 % y el 97 %.

Tanto la técnica de fluorescencia de clorofila como la técnica de imagen multiespectral demostraron ser confiables y mucho más rápidas que los métodos tradicionales para evaluar la calidad de la semilla. Si el método resulta confiable, tiene el potencial de brindar semillas de mayor calidad a los productores de todo el mundo.