Tutkijat kehittivät tekoälypohjaisen menetelmän siemenanalyysiin

Brazilian keskus ydinenergiasta maataloudessa (CENA) ja Luiz de Quierozin maatalouskorkeakoulu (ESALQ) tutkijaryhmä on luonut tekoälypohjaisen menetelmän siemenlaadun analyysiin, mikä vähentää dramaattisesti aikaa, joka tarvitaan maatalousSIEMENien laadun määrittämiseen.

Phys.org:n mukaan tutkijaryhmä keräsi siemenkuvia valoa hyödyntävällä kuvantamistekniikalla. Tutkijaryhmä käytti monispektrikuvantamista ja klorofyllin fluoresenssia. Tutkijaryhmä valitsi porkkanat ja tomaatit kokeellisiksi malleiksi, valitsemalla eri variantteja eri maissa ja olosuhteissa. He valitsivat siemenet, jotka olivat kaupallisia tomaattilajikkeita, jotka tuotettiin Yhdysvalloissa ja Brasiliassa, sekä kaupallisia porkkanalajikkeita, jotka tuotettiin Italiassa, Chilessä ja Brasiliassa.

Näiden viljelykasvien kysyntä kasvaa maailmanlaajuisesti, mutta näiden kasvien siementen kerääminen voi olla haasteellista. Sekä porkkanat että tomaatit ovat kypsymisprosesseja, jotka eivät ole yhdenmukaisia. Näiden kasvien siemenetuotanto on myös epäsynkronoitu, mikä tarkoittaa, että siemenet, jotka poistetaan näistä tomaateista ja porkkanoista, voivat sisältää sekä kypsiä että kypsymättömiä siemeniä. Siemenien kypsymisen määritys silmällä on haasteellista, mutta tietokoneen näköjärjestelmät voivat tehdä tämän prosessin helpommaksi.

Perinteisesti siemenet arvioidaan joko itämis- ja voimakkuustesteillä. Itämis testeissä siemenet istutetaan ja annetaan itää, kun taas voimakkuustesteissä arvioidaan, miten siemenet reagoivat stressiin. Nämä testit voivat kestää useita viikkoja, mikä tarkoittaa, että koneoppimismenetelmät ovat dramaattisesti nopeampia kuin perinteiset siemenanalyysimenetelmät.

Tutkijaryhmä keräsi koulutuskuvaajan jälkeen ja käytti satunnaisen metsän luokittelijaa automatisoidakseen siemenkuvien tulkinnan. Tämä optinen kuvantamisjärjestelmä on monia etuja perinteisiin menetelmiin verrattuna, kuten se, että se voidaan käyttää koko siemen erän sijaan vain pienen näytteen. Toinen etu on, että tietokoneen näkötekniikka on ei-invasiivinen, eli se ei tuhoa mitään analyysin kohteena olevia tuotteita.

Tutkijaryhmä käytti yhtä menetelmää siemenlaadun analysointiin, joka perustui klorofyllin fluoresenssiin. Algoritmit, jotka tutkijaryhmä kehitti, hyödynsivät klorofyllin läsnäoloa siemenissä. Klorofylli tarjoaa siemenille energian kehitykseen, ja jos siemenessä on edelleen suuria määriä jäännösklorofylliä, se osoittaa, että siemen ei ole täysin kypsä. Tämä jäännösklorofylli voidaan havaita monispektrikuvantamisella, jossa punainen valo kiihdyttää klorofylliä ja erityiset laitteet havaitsevat sen fluoresenssin ja muuttavat sen sähkösignaaliksi.

Monispektrikuvantamisessa käytetään LED-valoja, jotka lähettävät valoa eri aallonpituuksilla. Tutkijaryhmä jakoi lähettämän valon 19:een eri aallonpituuteen ja analysoi siemenlaatua näiden eri aallonpituuksien heijastussuhteiden perusteella. He vertailivat saamiaan tuloksia perinteisten siemenanalyysimenetelmien avulla saatuja laatuaineistoja. Tutkijaryhmä totesi, että lähialueen infrapunavalon käyttö on paras tapa arvioida porkkanasiemenien laatua, kun taas UV-valo toimii parhaiten tomaattisiemenien arvioinnissa.

Siemenet sisältävät proteiineja, sokeria ja rasvoja, jotka absorboivat tiettyjä valoaallonpituuksia ja heijastavat loput valosta. Monispektrikamera käytetään heijastuneen valon tallentamiseen, ja tuloksena oleva kuvadata käytetään siementen sijainnin määritykseen koko kuvassa. Mitä enemmän siemen sisältää tiettyä ravintoainetta, sitä enemmän se absorboi kyseisen aallonpituuden valoa. Sarja algoritmeja käytetään parhaan aallonpituuden löytämiseen siementen lokalisoimiseksi. Tätä prosessia voidaan käyttää siemenien kemiallisen koostumuksen selvittämiseen, mikä mahdollistaa niiden laadun arvioinnin. Tutkijaryhmä käytti kemometriikkaa, jotka ovat matemaattisia ja tilastollisia malleja, joita käytetään materiaalien luokitteluun, luomaan luokat, jotka kuvasivat siemenlaatua.

Lopulta tutkijaryhmä pystyi käyttämään koneoppimismalleja arvioimaan kemometriikkamallien luotettavuutta. Tomaattisiemenien laadun luokittelun tarkkuus vaihteli 86 prosentista 95 prosenttiin. Porkkanasiemenien kohdalla tarkkuus vaihteli 88 prosentista 97 prosenttiin.

Klorofyllin fluoresenssitekniikka ja monispektrikuvantamistekniikka osoittautuivat luotettaviksi ja paljon nopeammiksi kuin perinteiset siemenlaadun arviointimenetelmät. Jos menetelmä osoittautuu luotettavaksi, se voi tarjota korkealaatuisempia siemeniä kasvattajille ympäri maailman.