研究者が開発したAIを活用した種子分析方法

ブラジルの核エネルギー農業センター（CENA）とルイス・デ・ケイロス農業大学（ESALQ）の研究者チームは、AIを活用した種子品質分析方法を開発し、農業種子の品質を判断するために必要な時間を大幅に短縮しました。

Phys.orgによると、研究チームは、光ベースのイメージング技術を使用して種子の画像を収集しました。研究チームが使用した技術には、多スペクトルイメージングとクロロフィルフルオレッセンスが含まれます。研究チームは、実験モデルとしてニンジンとトマトを選択し、さまざまなバリアントを異なる国で異なる条件下で生産しました。選択した種子は、アメリカとブラジルで生産された商用トマト品種、およびイタリア、チリ、ブラジルで生産された商用ニンジン品種でした。

これらの作物の需要は世界中で高まっていますが、これらの作物の種子を収集することは難しい場合があります。ニンジンとトマトの両方の成熟プロセスは一様ではなく、種子生産も非同期です。つまり、トマトとニンジンから抽出された種子ロットには、成熟した種子と未成熟な種子が含まれている可能性があります。成熟した種子と未成熟な種子を目で区別することは簡単ではありませんが、コンピュータビジョンシステムを使用するとこのプロセスを簡素化できます。

従来、種子は発芽テストと活力テストのいずれかで評価されます。発芽テストでは種子を蒔き、発芽させ、活力テストでは種子がストレスに反応する方法を評価します。これらのテストの結果を得るには2週間以上かかる場合があります。つまり、マシンラーニング技術は従来の種子分析技術よりもはるかに高速です。

トレーニング画像を収集した後、研究者はランダムフォレスト分類器を使用して種子の画像を自動的に解釈しました。この光学イメージングシステムには、従来の方法よりも多くの利点があります。例えば、光学イメージング技術は、バッチ全体の種子ではなく、小さなサンプルにのみ適用できます。また、コンピュータビジョンテクニックは非侵襲的であるため、分析対象の製品を破壊しません。

研究者が使用した種子品質分析方法の1つは、クロロフィルフルオレッセンスでした。研究チームが開発したアルゴリズムは、種子内のクロロフィルの存在を利用しました。クロロフィルは種子が発達するために必要なエネルギーを供給し、種子にまだ大量の残留クロロフィルがある場合、種子は完全に成熟していないことを示します。この残留クロロフィルは、多スペクトルイメージングによって検出できます。赤色の光がクロロフィルを励起し、特殊な装置がそのフルオレッセンスを電気信号に変換します。

多スペクトルイメージングでは、LEDを使用して光スペクトル上のさまざまな点で光を発生させます。研究者は発生した光を19つの異なる波長に分割し、種子品質をこれらの異なる波長の反射率に基づいて評価しました。次に、従来の種子分析方法で得られた結果と比較しました。研究者は、近赤外線がニンジンの種子の評価に最も適しているのに対し、UV光がトマトの種子の評価に最も適していることを発見しました。

種子には、特定の波長の光を吸収し、残りの光を反射するタンパク質、糖類、脂質が含まれています。多スペクトルカメラを使用して反射光を捉え、結果として得られる画像データを使用して、 捕捉された画像全体の中で種子を見つけます。種子が特定の栄養素を含むほど、その栄養素に対応する波長の光が吸収されます。アルゴリズムのシリーズを使用して、種子を局在化するために最も適した波長を特定します。このプロセスは、研究対象の種子の化学組成に関する情報を提供し、その品質を推測することができます。研究チームは、種子品質を記述するクラスを作成するために、化学計測（chemometrics）と呼ばれる材料を分類するために使用される数学的および統計的モデルを使用しました。

最後に、研究者はマシンラーニングモデルを使用して、作成したchemometricsモデルを評価しました。トマトの種子の場合、品質分類の精度は86％から95％の範囲でした。ニンジンの種子の場合、精度は88％から97％の範囲でした。

クロロフィルフルオレッセンス技術と多スペクトルイメージング技術は、従来の種子品質評価方法よりもはるかに信頼性が高く、高速でした。この方法が信頼性が高いことが証明されれば、世界中の栽培者に高品質の種子を提供する可能性があります。