Investigadores Desarrollan Método de Análisis de Semillas con Apoyo de Inteligencia Artificial

Un equipo de investigadores del Centro de Energía Nuclear en Agricultura (CENA) de Brasil y el Colegio de Agricultura Luiz de Quieroz (ESALQ) han creado un método de análisis de calidad de semillas impulsado por inteligencia artificial, reduciendo drásticamente el tiempo necesario para determinar la calidad de las semillas agrícolas.

Según Phys.org, el equipo de investigación recopiló imágenes de semillas con el uso de tecnología de imagen 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 servir como modelos experimentales, eligiendo diferentes variantes para producir en diferentes países y bajo diferentes condiciones. Las semillas que seleccionaron fueron variedades de tomates comerciales producidas en EE. UU. y en Brasil, así como variedades de zanahorias comerciales producidas en Italia, Chile y Brasil.

La demanda de estos cultivos está aumentando en todo el mundo, pero la recolección de semillas para estos cultivos puede ser difícil. Tanto las zanahorias como los tomates tienen procesos de maduración no uniformes. La producción de semillas para estos cultivos también es no sincrónica, lo que significa que las partidas de semillas extraídas de estos tomates y zanahorias pueden contener semillas tanto maduras como inmaduras. No es fácil distinguir entre semillas maduras e inmaduras a simple vista, pero los sistemas de visión computacional pueden facilitar este proceso.

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

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

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

La imagen multiespectral implica el uso de LEDs para emitir luz en puntos variables 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 para 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 encontraron que el uso de luz infrarroja cercana funciona mejor para la evaluación de semillas de zanahoria, mientras que la luz ultravioleta funciona mejor para la evaluación de semillas de tomate.

Las semillas contienen proteínas, azúcares y lípidos que absorben ciertas longitudes de onda de luz mientras reflejan el resto de la luz. Una cámara multiespectral se utiliza para capturar la luz reflejada, y los datos de imagen resultantes se utilizan para encontrar las semillas dentro de la imagen capturada completa. Cuanto más de un nutriente dado contenga 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 que se estudian, lo que permite inferir su calidad. El equipo de investigación luego empleó quimiometría, que son modelos matemáticos y estadísticos utilizados para clasificar materiales, para crear las clases que describían la calidad de las semillas.

Finalmente, los investigadores pudieron utilizar modelos de aprendizaje automático para evaluar la precisión de los modelos de quimiometría que crearon. En el caso de las semillas de tomate, la precisión de la clasificación de la calidad varió desde el 86% hasta el 95%. En el caso de las semillas de zanahoria, la precisión varió desde el 88% hasta el 97%.

Tanto la técnica de fluorescencia de clorofila como la técnica de imagen multiespectral resultaron ser confiables y mucho más rápidas que los métodos tradicionales de evaluación de la calidad de las semillas. Si el método resulta confiable, tiene el potencial de llevar semillas de mayor calidad a los cultivadores de todo el mundo.