Onderzoekers ontwikkelen AI-gestuurde methode voor zaadanalyse

Een team van onderzoekers van het Braziliaanse Centrum voor Kernenergie in de Landbouw (CENA) en het Luiz de Quieroz College of Agriculture (ESALQ) heeft 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 gekozen om in verschillende landen en onder verschillende omstandigheden te produceren. 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 een niet-uniforme rijpingsproces. 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 het onderscheid te maken tussen volwassen en onvolwassen zaden, maar computersystemen voor beeldherkenning kunnen dit proces vereenvoudigen.

Traditioneel worden zaden beoordeeld door middel van kiemings- en vitaliteitstests. Kiemingstests 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 ze de trainingsbeelden hadden verzameld, gebruikten de onderzoekers 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, waaronder het feit dat de optische beeldvormingstechnologie kan worden gebruikt op complete partijen zaden in plaats van alleen kleine monsters van die partijen. Een ander voordeel van deze methode ten opzichte van traditionele zaadbeoordelingsmethoden is dat de computervisietechniek niet-invasief is, waardoor geen enkel product dat wordt geanalyseerd, wordt beschadigd.

Een van de methoden voor zaadkwaliteitsanalyse die de onderzoekers gebruikten, was chlorofylfluorescentie. Algoritmes die door het onderzoeksteam waren 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 steeds grote hoeveelheden restchlorofyl bevat, betekent dit dat het zaad niet volledig volwassen 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 omvat het gebruik van LEDs om licht uit te zenden op verschillende punten van het lichtspectrum. De onderzoekers splitsten het uitgezonden licht in 19 verschillende golflengten en analyseerden de zaadkwaliteit op basis van reflectie voor deze verschillende golflengten. Ze vergeleken de resultaten die ze verkregen met kwaliteitsgegevens die waren verkregen met behulp van traditionele zaadanalysemethode. De onderzoekers ontdekten dat het gebruik van near-infrarood licht 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 en de rest van het licht reflecteren. 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. Deze procedure 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 beschrijven.

Uiteindelijk konden de onderzoekers machine learning-modellen gebruiken om de nauwkeurigheid van de chemometrische modellen 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%.

Beide de chlorofylfluorescentietechniek en de multispectrale beeldvormingstechniek bleken betrouwbaar en veel sneller dan traditionele methoden voor zaadkwaliteitsbeoordeling. Als de methode betrouwbaar blijkt, heeft het het potentieel om hogerwaardige zaden aan telers over de hele wereld te leveren.