Onderzoekers ontwikkelen AI-gebaseerde methode voor zaadanalyse

Een team van onderzoekers van het Braziliaanse Centrum voor Nucleaire Energie in de Landbouw (CENA) en het Luiz de Quieroz College of Agriculture (ESALQ) hebben een AI-gestuurde methode voor zaadkwaliteitsanalyse ontwikkeld, waardoor de tijd die nodig is om de kwaliteit van landbouwzaden te bepalen, aanzienlijk wordt verkort.

Volgens Phys.org verzamelde het onderzoeksteam beelden van zaden met behulp van lichtgebaseerde beeldvormingstechnologie. De technieken die door het onderzoeksteam werden gebruikt, waren multispectrale beeldvorming en chlorofylfluorescentie. Het onderzoeksteam koos wortelen en tomaten als experimentele modellen, waarbij verschillende varianten werden geselecteerd om in verschillende landen en onder verschillende omstandigheden te worden geproduceerd. De zaden die ze selecteerden, waren commerciële tomatenrassen die in de VS en in Brazilië werden geproduceerd, evenals commerciële wortelrassen die in Italië, Chili en Brazilië werden geproduceerd.

De vraag naar deze gewassen neemt wereldwijd toe, maar het verzamelen van zaden voor deze gewassen kan moeilijk zijn. Zowel wortelen als tomaten hebben niet-uniforme rijpingsprocessen. Zaadproductie voor deze gewassen is ook niet-synchrone, wat betekent dat zaadpartijen die uit deze tomaten en wortelen worden geëxtraheerd, zowel volwassen als onvolwassen zaden kunnen bevatten. Het is niet gemakkelijk om met het blote oog te onderscheiden tussen volwassen en onvolwassen zaden, maar computervisiemethoden kunnen dit proces vergemakkelijken.

Traditioneel worden zaden beoordeeld door middel van kiem- en vitaliteitstests. Kiemtests omvatten het zaaien en kiemen van zaden, terwijl vitaliteitstests zijn bedoeld om te beoordelen hoe zaden reageren op stress. Het kan twee weken of langer duren om resultaten van deze tests te krijgen, wat betekent dat machine learning-technieken aanzienlijk sneller zijn dan traditionele zaadanalysetechnieken.

Nadat de onderzoekers de trainingsbeelden hadden verzameld, gebruikten ze een random forest-classificator om de interpretatie van de zaadbeelden te automatiseren. Dit optische beeldvormingssysteem heeft veel voordelen ten opzichte van traditionele methoden voor zaadanalyse, waarvan een van de voordelen is dat de optische beeldvormingstechnologie kan worden gebruikt op complete partijen zaden in plaats van alleen kleine steekproeven van die partijen. Een ander voordeel van deze methode ten opzichte van traditionele zaadbeoordelingstechnieken is dat de computervisiemethode niet-invasief is, zodat geen enkel product dat wordt geanalyseerd, wordt beschadigd.

Een van de methoden die de onderzoekers gebruikten om de zaadkwaliteit te analyseren, was chlorofylfluorescentie. Algoritmes die door het onderzoeksteam werden ontwikkeld, maakten gebruik van de aanwezigheid van chlorofyl in de zaden. Chlorofyl levert de energie die zaden nodig hebben voor hun ontwikkeling, en als een zaad nog grote hoeveelheden restchlorofyl bevat, betekent dit dat het zaad niet volledig rijp is. Deze resterende chlorofyl kan worden gedetecteerd met multispectrale beeldvorming, waarbij rood licht de chlorofyl activeert en speciale apparaten de fluorescentie vastleggen en omzetten in een elektrisch signaal.

Multispectrale beeldvorming houdt in dat gebruik wordt gemaakt van LEDs om licht uit te zenden bij verschillende punten op het lichtspectrum. De onderzoekers splitsten het uitgezonden licht in 19 verschillende golflengten en analyseerden de zaadkwaliteit op basis van reflectie voor deze verschillende golflengten. Vervolgens vergeleken ze de resultaten die ze verkregen hadden met kwaliteitsgegevens die waren verkregen door middel van typische zaadanalysemethode. De onderzoekers ontdekten dat het gebruik van near-infraroodlicht het beste werkt voor de beoordeling van wortelzaden, terwijl UV-licht het beste werkt voor de beoordeling van UV-tomatenzaden.

Zaden bevatten eiwitten, suikers en lipiden die bepaalde golflengten van licht absorberen, terwijl de rest van het licht wordt gereflecteerd. Een multispectrale camera wordt gebruikt om het gereflecteerde licht vast te leggen, en de resulterende beeldgegevens worden gebruikt om de zaden in de gehele vastgelegde afbeelding te vinden. Hoe meer van een bepaalde voedingsstof een zaad bevat, hoe meer lichtgolflengten corresponderend met die voedingsstof worden geabsorbeerd. Een reeks algoritmes wordt gebruikt om te bepalen welke golflengte het beste werkt voor het lokaliseren van de zaden. Dit proces kan worden gebruikt om informatie te verstrekken over de chemische samenstelling van de zaden die worden bestudeerd, waardoor hun kwaliteit kan worden afgeleid. Het onderzoeksteam gebruikte vervolgens chemometrie, die wiskundige en statistische modellen zijn die worden gebruikt om materialen te classificeren, om de klassen te creëren die de zaadkwaliteit beschreven.

Ten slotte konden de onderzoekers machine learning-modellen gebruiken om de nauwkeurigheid van de chemometriemodellen die ze hadden gemaakt, te beoordelen. In het geval van tomatenzaden varieerde de nauwkeurigheid van de kwaliteitsclassificatie van 86% tot 95%. In het geval van wortelzaden varieerde de nauwkeurigheid van 88% tot 97%.

Zowel de chlorofylfluorescentietechniek als de multispectrale beeldvormingstechniek bleken betrouwbaar en veel sneller dan traditionele methoden voor het beoordelen van de zaadkwaliteit. Als de methode betrouwbaar blijkt te zijn, heeft het het potentieel om hogere kwaliteit zaden aan telers over de hele wereld te brengen.