I ricercatori sviluppano un metodo di analisi dei semi supportato dall’intelligenza artificiale

Un team di ricercatori del Centro per l’energia nucleare in agricoltura (CENA) e del Collegio di agricoltura Luiz de Quieroz (ESALQ) in Brasile ha creato un metodo di analisi della qualità dei semi supportato dall’intelligenza artificiale, riducendo drasticamente il tempo necessario per determinare la qualità dei semi agricoli.

Secondo Phys.org, il team di ricerca ha raccolto immagini di semi utilizzando la tecnologia di imaging basata sulla luce. Le tecniche utilizzate dal team di ricerca includevano l’imaging multispettrale e la fluorescenza della clorofilla. Il team di ricerca ha selezionato carote e pomodori come modelli sperimentali, scegliendo varianti diverse da produrre in diversi paesi e in condizioni diverse. I semi selezionati erano varietà di pomodori commerciali prodotti negli Stati Uniti e in Brasile, nonché varietà di carote commerciali prodotte in Italia, Cile e Brasile.

La domanda di questi raccolti è in aumento in tutto il mondo, ma la raccolta dei semi per questi raccolti può essere difficile. Sia le carote che i pomodori hanno processi di maturazione non uniformi. La produzione di semi per questi raccolti è anche non sincrona, il che significa che i lotti di semi estratti da questi pomodori e carote possono contenere sia semi maturi che immaturi. Non è facile distinguere tra semi maturi e immaturi a occhio nudo, ma i sistemi di visione computerizzata possono rendere questo processo più facile.

Tradizionalmente, i semi vengono valutati attraverso test di germinazione e vigore. I test di germinazione coinvolgono la semina e la germinazione dei semi, mentre i test di vigore mirano a valutare come i semi rispondono allo stress. Ci possono volere due settimane o più per ottenere i risultati da questi test, il che significa che le tecniche di apprendimento automatico sono drasticamente più veloci di queste tecniche tradizionali di analisi dei semi.

Dopo aver raccolto le immagini di addestramento, i ricercatori hanno utilizzato un classificatore casuale per automatizzare l’interpretazione delle immagini dei semi. Questo sistema di imaging ottico ha molti vantaggi rispetto ai metodi tradizionali di analisi dei semi, uno dei quali è il fatto che la tecnologia di imaging ottico può essere utilizzata su interi lotti di semi invece di solo piccoli campioni di quei lotti. Un altro vantaggio di questo metodo rispetto alle tecniche tradizionali di valutazione dei semi è che la tecnica di visione computerizzata non è invasiva, quindi non distrugge nessun prodotto analizzato.

Uno dei metodi di analisi della qualità dei semi utilizzati dai ricercatori è stato la fluorescenza della clorofilla. Gli algoritmi sviluppati dal team di ricerca hanno utilizzato la presenza di clorofilla all’interno dei semi. La clorofilla fornisce l’energia necessaria ai semi per lo sviluppo, e se il seme contiene ancora grandi quantità di clorofilla residua all’interno, ciò implica che il seme non è completamente maturo. Questa clorofilla residua può essere rilevata con l’imaging multispettrale, con la luce rossa che eccita la clorofilla e dispositivi speciali che catturano la sua fluorescenza e la convertono in un segnale elettrico.

L’imaging multispettrale coinvolge l’utilizzo di LED per emettere luce a diversi punti dello spettro luminoso. I ricercatori hanno diviso la luce emessa in 19 diverse lunghezze d’onda e hanno valutato la qualità dei semi in base alla riflessione per queste diverse lunghezze d’onda. Hanno quindi confrontato i risultati ottenuti con i dati di qualità ottenuti attraverso metodi tradizionali di analisi dei semi. I ricercatori hanno scoperto che l’utilizzo della luce nel vicino infrarosso funziona meglio per la valutazione dei semi di carota, mentre la luce UV funziona meglio per la valutazione dei semi di pomodoro.

I semi contengono proteine, zuccheri e lipidi che assorbono certe lunghezze d’onda di luce mentre riflettono il resto della luce. Una fotocamera multispettrale viene utilizzata per catturare la luce riflessa, e i dati dell’immagine risultanti vengono utilizzati per trovare i semi all’interno dell’intera immagine catturata. Quanto più un seme contiene un certo nutriente, tanto più assorbe le lunghezze d’onda di luce corrispondenti. Una serie di algoritmi viene utilizzata per identificare quale lunghezza d’onda funziona meglio per localizzare i semi. Questo processo può essere utilizzato per fornire informazioni sulla composizione chimica dei semi in esame, consentendo di dedurre la loro qualità. Il team di ricerca ha quindi utilizzato la chemiometria, che sono modelli matematici e statistici utilizzati per classificare i materiali, per creare le classi che descrivono la qualità dei semi.

Infine, i ricercatori sono stati in grado di utilizzare modelli di apprendimento automatico per valutare l’accuratezza dei modelli di chemiometria che hanno creato. Nel caso dei semi di pomodoro, l’accuratezza della classificazione della qualità è variata dal 86% al 95%. Nel caso dei semi di carota, l’accuratezza è variata dall’88% al 97%.

Entrambe le tecniche di fluorescenza della clorofilla e di imaging multispettrale si sono rivelate affidabili e molto più veloci dei metodi tradizionali di valutazione della qualità dei semi. Se il metodo si rivela affidabile, ha il potenziale di portare semi di alta qualità ai coltivatori di tutto il mondo.