Tutkijat kehittivät tekoälyllä tukeutuvan menetelmän siementen analysointiin

Brasilian maatalousatomienergiakeskuksen (CENA) ja Luiz de Quierozin maatalouskorkeakoulun (ESALQ) tutkijaryhmä on luonut tekoälyllä tukeutuvan menetelmän siementen laadun analysointiin, mikä vähentää dramaattisesti aikaa, joka tarvitaan siementen laadun määrittämiseen maataloudessa.

Phys.org:n mukaan tutkijaryhmä keräsi siementen kuvia valoon perustuvan kuvantamisteknologian avulla. Tutkijaryhmän käyttämät tekniikat olivat monispektrikuvaus ja klorofyllin fluoresenssi. Tutkijaryhmä valitsi porkkanat ja tomaatit kokeellisiksi malleiksi, valitsemalla eri variantteja eri maissa ja eri olosuhteissa tuotettaviksi. He valitsivat siemeniksi Yhdysvalloissa ja Brasiliassa tuotetut kaupalliset tomaattilajikkeet sekä Italiassa, Chilessä ja Brasiliassa tuotetut kaupalliset porkkanalajikkeet.

Näiden viljelykasvien kysyntä kasvaa maailmanlaajuisesti, mutta näiden kasvien siementen kerääminen voi olla haasteellista. Sekä porkkanat että tomaatit ovat kypsymisprosesseissaan epäyhtenäisiä. Näiden kasvien siemenetuotanto on myös epäsynkronoitu, mikä tarkoittaa, että näistä tomaateista ja porkkanoista saatavat siemenlot voivat sisältää sekä kypsiä että kypsymättömiä siemeniä. Siemenien kypsymisen määritys silmällä ei ole helppoa, mutta tietokoneen näköjärjestelmät voivat tehdä tämän prosessin helpommaksi.

Perinteisesti siemenet arvioidaan joko itämis- ja voimakkuustestein. Itämis testeissä siemenet istutetaan ja annetaan itää, kun taas voimakkuustestit pyrkivät arvioimaan, miten siemenet reagoivat stressiin. Näiden testien tulokset saa vasta usean viikon kuluttua, mikä tarkoittaa, että koneoppimismenetelmät ovat perinteisiä siemenanalyysimenetelmiä dramaattisesti nopeampia.

Kun tutkijat olivat keränneet koulutuskuvasia, he käyttivät satunnaisen metsän luokittelijaa siemenkuvien tulkinnan automatisointiin. Tämä optinen kuvantamisjärjestelmä tarjoaa useita etuja perinteisiin siemenien analyysimenetelmiin verrattuna, joista yksi on se, että optista kuvantamistekniikkaa voidaan käyttää koko siemenpartioitten sijaan vain pienten näytteiden sijaan. Toinen etu, jonka menetelmällä on perinteisiin siemenarviointitekniikoihin verrattuna, on se, että tietokoneen näkötekniikka on ei-invasiivinen, eli se ei tuhoa mitään analysoitavaa tuotetta.

Yksi siemenlaadun analysointimenetelmä, jonka tutkijat käyttivät, oli klorofyllin fluoresenssi. Tutkijaryhmän kehittämät algoritmit hyödynsivät klorofyllin läsnäoloa siemenissä. Klorofylli tarjoaa siemenille tarvittavan energian kehitykseen, ja jos siemenissä on edelleen suuria määriä jäännösklorofylliä, se osoittaa, ettei siemen ole täysin kypsä. Tämä jäännösklorofylli voidaan havaita monispektrikuvauksella, jossa punainen valo kiihdyttää klorofylliä ja erityiset laitteet havaitsevat fluoresenssin ja muuttavat sen sähkösignaaliksi.

Monispektrikuvaus käyttää valoja, jotka lähettävät valoa eri aallonpituuksilla. Tutkijat jakauttivat lähettämän valon 19:aan eri aallonpituuteen ja analysoivat siemenlaatua näiden aallonpituuksien heijastusarvojen perusteella. He vertasivat saamiaan tuloksia siemenlaadun perinteisillä menetelmillä saatuja tietoja. Tutkijat totesivat, että lähellä infrapuna-aluetta olevan valon käyttäminen on parasta porkkanasiementen arviointiin, kun taas UV-valo toimi parhaiten tomaattisiementen arviointiin.

Siemenet sisältävät proteiineja, sokeria ja lipidejä, jotka absorboivat tiettyjä valon aallonpituuksia ja heijastavat loput valosta. Monispektrikamera käytetään heijastuneen valon tallentamiseen, ja tuloksena olevat kuvatiedot käytetään siementen sijainnin määrittämiseen koko kuvassa. Mitä enemmän siemen sisältää tiettyä ravintoainetta, sitä enemmän siihen liittyvää valon aallonpituutta absorboituu. Sarja algoritmeja käytetään parhaan aallonpituuden löytämiseen siementen lokalisoimiseksi. Tätä prosessia voidaan käyttää siemenien kemiallisen koostumuksen selvittämiseen, mikä mahdollistaa niiden laadun arvioinnin. Tutkijaryhmä käytti sitten kemometriikkaa, joita ovat matemaattiset ja tilastolliset mallit, joita käytetään materiaalien luokitteluun, luomaan luokat, jotka kuvasivat siemenlaatua.

Lopulta tutkijat pystyivät käyttämään koneoppimismalleja arvioidakseen kemometriamallien luotettavuutta, joita he loivat. Tomaattisiementen laadun luokittelun tarkkuus vaihteli 86 prosentista 95 prosenttiin. Porkkanasiementen kohdalla tarkkuus vaihteli 88 prosentista 97 prosenttiin.

Sekä klorofyllin fluoresenssitekniikka että monispektrikuvaustekniikka osoittautuivat luotettaviksi ja paljon nopeammiksi kuin perinteiset siemenlaadun arviointimenetelmät. Jos menetelmä osoittautuu luotettavaksi, se voi mahdollistaa korkealaatuisempien siementen toimittamisen kasvattajille ympäri maailmaa.