Les chercheurs développent une méthode d’analyse de semences basée sur l’IA

Une équipe de chercheurs du Centre brésilien d’énergie nucléaire en agriculture (CENA) et du Collège d’agriculture Luiz de Quieroz (ESALQ) a créé une méthode d’analyse de la qualité des semences basée sur l’IA, réduisant considérablement le temps nécessaire pour déterminer la qualité des semences agricoles.

Selon Phys.org, l’équipe de recherche a collecté des images de semences à l’aide de la technologie d’imagerie basée sur la lumière. Les techniques utilisées par l’équipe de recherche comprenaient l’imagerie multispectrale et la fluorescence de la chlorophylle. L’équipe de recherche a sélectionné des carottes et des tomates pour servir de modèles expérimentaux, en choisissant différentes variétés pour les produire dans différents pays et dans différentes conditions. Les semences qu’ils ont sélectionnées étaient des variétés de tomates commerciales produites aux États-Unis et au Brésil, ainsi que des variétés de carottes commerciales produites en Italie, au Chili et au Brésil.

La demande pour ces cultures augmente dans le monde entier, mais la collecte de semences pour ces cultures peut être difficile. Les carottes et les tomates ont des processus de maturation non uniformes. La production de semences pour ces cultures est également non synchronisée, ce qui signifie que les lots de semences extraits de ces tomates et carottes peuvent contenir à la fois des semences matures et immatures. Il n’est pas facile de distinguer les semences matures des semences immatures à l’œil nu, mais les systèmes de vision par ordinateur peuvent faciliter ce processus.

Traditionnellement, les semences sont évaluées par des tests de germination et de vigueur. Les tests de germination impliquent la semence et la germination des semences, tandis que les tests de vigueur visent à évaluer la façon dont les semences réagissent au stress. Il peut falloir deux semaines ou plus pour obtenir les résultats de ces tests, ce qui signifie que les techniques d’apprentissage automatique sont considérablement plus rapides que les techniques traditionnelles d’analyse des semences.

Après avoir collecté les images d’entraînement, les chercheurs ont utilisé un classificateur aléatoire pour automatiser l’interprétation des images de semences. Ce système d’imagerie optique présente de nombreux avantages par rapport aux méthodes traditionnelles d’analyse des semences, dont le fait que la technologie d’imagerie optique peut être utilisée sur des lots entiers de semences et non sur de petits échantillons de ces lots. Un autre avantage de cette méthode par rapport aux techniques traditionnelles d’évaluation des semences est que la technique de vision par ordinateur est non invasive, ce qui signifie qu’elle ne détruit pas les produits analysés.

L’une des méthodes d’analyse de la qualité des semences utilisées par les chercheurs était la fluorescence de la chlorophylle. Les algorithmes développés par l’équipe de recherche ont utilisé la présence de chlorophylle dans les semences. La chlorophylle fournit l’énergie dont les semences ont besoin pour se développer, et si la semence contient encore de grandes quantités de chlorophylle résiduelle, cela implique que la semence n’est pas entièrement mature. Cette chlorophylle résiduelle peut être détectée par imagerie multispectrale, avec la lumière rouge excitant la chlorophylle et des appareils spéciaux capturant sa fluorescence et la convertissant en signal électrique.

L’imagerie multispectrale implique l’utilisation de LEDs pour émettre de la lumière à différents points du spectre lumineux. Les chercheurs ont divisé la lumière émise en 19 longueurs d’onde différentes et ont analysé la qualité des semences en fonction de la réflexion pour ces différentes longueurs d’onde. Ils ont ensuite comparé les résultats qu’ils ont obtenus avec les données de qualité obtenues par les méthodes traditionnelles d’analyse des semences. Les chercheurs ont constaté que l’utilisation de la lumière proche de l’infrarouge fonctionne le mieux pour l’évaluation des semences de carotte, tandis que la lumière ultraviolette fonctionne le mieux pour l’évaluation des semences de tomate.

Les semences contiennent des protéines, des sucres et des lipides qui absorbent certaines longueurs d’onde de lumière et réfléchissent le reste de la lumière. Une caméra multispectrale est utilisée pour capturer la lumière réfléchie, et les données d’image résultantes sont utilisées pour trouver les semences dans l’image entière capturée. Plus une semence contient une quantité donnée d’un nutriment, plus elle absorbe les longueurs d’onde de lumière correspondantes. Une série d’algorithmes est utilisée pour identifier quelle longueur d’onde fonctionne le mieux pour localiser les semences. Ce processus peut être utilisé pour fournir des informations sur la composition chimique des semences étudiées, permettant ainsi de déduire leur qualité. L’équipe de recherche a ensuite utilisé la chimométrie, qui sont des modèles mathématiques et statistiques utilisés pour classer les matériaux, pour créer les classes qui décrivent la qualité des semences.

Enfin, les chercheurs ont pu utiliser des modèles d’apprentissage automatique pour évaluer l’exactitude des modèles de chimométrie qu’ils ont créés. Dans le cas des semences de tomate, la précision de la classification de la qualité variait de 86 % à 95 %. Dans le cas des semences de carotte, la précision variait de 88 % à 97 %.

Les techniques de fluorescence de la chlorophylle et d’imagerie multispectrale se sont avérées fiables et nettement plus rapides que les méthodes traditionnelles d’évaluation de la qualité des semences. Si la méthode se révèle fiable, elle a le potentiel d’apporter des semences de meilleure qualité aux agriculteurs du monde entier.