Istraživači razvijaju metodu analize sjemena podržanu umjetnom inteligencijom

Tim istraživača iz brazilskog Centra za nuklearnu energiju u poljoprivredi (CENA) i Luiz de Quieroz College of Agriculture (ESALQ) stvorili su AI-vođena metoda analize kvalitete sjemena, dramatično smanjujući vrijeme potrebno za određivanje kvalitete poljoprivrednog sjemena.

Prema Phys.org, istraživački tim prikupio je slike sjemena pomoću tehnologije snimanja temeljene na svjetlu. Tehnike koje je koristio istraživački tim uključivale su multispektralno snimanje i fluorescenciju klorofila. Istraživački tim odabrao je mrkvu i rajčicu da im posluže kao eksperimentalni modeli, odabirući različite varijante za proizvodnju u različitim zemljama i pod različitim uvjetima. Sjeme koje su odabrali bile su komercijalne sorte rajčice proizvedene u SAD-u i Brazilu, kao i komercijalne sorte mrkve proizvedene u Italiji, Čileu i Brazilu.

Potražnja za ovim usjevima raste diljem svijeta, ali prikupljanje sjemena za te usjeve može biti teško. I mrkva i rajčica imaju nejednake procese sazrijevanja. Proizvodnja sjemena za ove usjeve također nije sinkrona, što znači da partije sjemena ekstrahirane iz ovih rajčica i mrkve mogu sadržavati i zrele i nezrele sjemenke. Nije lako okom razlikovati zrele i nezrele sjemenke, ali sustavi računalnog vida mogu olakšati ovaj proces.

Tradicionalno, sjeme se procjenjuje klijavošću i testom snage. Testovi klijavosti uključuju sjetvu i klijanje sjemena, dok testovi jačine imaju za cilj procijeniti kako sjeme reagira na stres. Za dobivanje rezultata ovih testova može proći dva tjedna ili više, što znači da su tehnike strojnog učenja dramatično brže od ovih tradicionalnih tehnika analize sjemena.

Nakon prikupljanja slika za obuku, istraživači su upotrijebili nasumični klasifikator šuma kako bi automatizirali interpretaciju slika sjemena. Ovaj sustav optičkog snimanja ima mnoge prednosti u odnosu na tradicionalne metode analize sjemena, a jedna od njih je činjenica da se tehnologija optičkog snimanja može koristiti na cijelim serijama sjemena umjesto samo na malim uzorcima tih serija. Još jedna prednost ove metode u odnosu na tradicionalne tehnike procjene sjemena je ta što je tehnika računalnog vida neinvazivna, tako da ne uništava niti jedan analizirani proizvod.

Jedna od metoda analize kvalitete sjemena koju su istraživači koristili bila je fluorescencija klorofila. Algoritmi koje je razvio istraživački tim koristili su prisutnost klorofila u sjemenkama. Klorofil opskrbljuje sjeme energijom potrebnom za razvoj, a ako sjeme još uvijek ima velike količine zaostalog klorofila u sebi, to znači da sjeme nije potpuno zrelo. Ovaj rezidualni klorofil može se detektirati multispektralnim snimanjem, s crvenim svjetlom koje pobuđuje klorofil i posebnim uređajima koji hvataju njegovu fluorescenciju i pretvaraju je u električni signal.

Multispektralno snimanje uključuje korištenje LED dioda za emitiranje svjetlosti na različitim točkama svjetlosnog spektra. Istraživači su podijelili emitirano svjetlo u 19 različitih valnih duljina i analizirali kvalitetu sjemena na temelju refleksije za te različite valne duljine. Zatim su usporedili dobivene rezultate s kvalitetnim podacima dobivenim tipičnim metodama analize sjemena. Istraživači su otkrili da korištenje bliskog infracrvenog svjetla najbolje funkcionira za procjenu sjemena mrkve, dok je UV svjetlo najbolje funkcioniralo za procjenu UV sjemena rajčice.

Sjemenke sadrže proteine, šećere i lipide koji apsorbiraju određene valne duljine svjetlosti dok reflektiraju ostatak svjetlosti. Multispektralna kamera koristi se za hvatanje reflektirajućeg svjetla, a dobiveni slikovni podaci koriste se za pronalaženje sjemenki unutar cijele snimljene slike. Što više određene hranjive tvari sjemenka sadrži, to se apsorbira više odgovarajućih valnih duljina svjetlosti. Niz algoritama koristi se za utvrđivanje koja je valna duljina najbolja u lokaliziranju sjemena. Ovaj se postupak može koristiti za pružanje informacija o kemijskom sastavu sjemena koje se proučava, čime se može zaključiti o njihovoj kvaliteti. Istraživački tim zatim je upotrijebio kemometriju, matematičke i statističke modele koji se koriste za klasifikaciju materijala, kako bi stvorio klase koje opisuju kvalitetu sjemena.

Konačno, istraživači su mogli upotrijebiti modele strojnog učenja za procjenu točnosti kemometrijskih modela koje su izradili. U slučaju sjemena rajčice, točnost klasifikacije kvalitete kretala se od 86% do 95%. U slučaju sjemena mrkve, točnost se kretala od 88% do 97%.

I tehnika fluorescencije klorofila i tehnika multispektralne slike pokazale su se pouzdanima i mnogo bržima od tradicionalnih metoda procjene kvalitete sjemena. Ako se metoda pokaže pouzdanom, ima potencijal donijeti kvalitetnije sjeme uzgajivačima diljem svijeta.