Forskere utvikler AI-basert metode for analyse av frøkvalitet

Et team av forskere fra Brasils senter for kjerneenergi i landbruket (CENA) og Luiz de Quieroz College of Agriculture (ESALQ) har utviklet en AI-drevet metode for analyse av frøkvalitet, som dramatisk reduserer tiden det tar å bestemme kvaliteten på landbruksfrø.

Ifølge Phys.org samlet forskningsteamet bilder av frø ved hjelp av lysbasert bilde-teknologi. Teknikkene som ble brukt av forskningsteamet inkluderte multispektral bilde-teknologi og klorofyll-fluorescens. Forskningsteamet valgte gulrot og tomater som eksperimentelle modeller, og valgte ulike varianter som ble produsert i ulike land og under ulike forhold. Frøene de valgte var kommersielle tomatsorter produsert i USA og Brasil, samt kommersielle gulrotsorter produsert i Italia, Chile og Brasil.

Etterspørselen etter disse avlingene øker over hele verden, men å samle inn frøene kan være vanskelig. Både gulrot og tomater har modningsprosesser som ikke er ensartede. Frøproduksjon for disse avlingene er også ikke-synkron, noe som betyr at frø-lotene som blir trukket ut av disse tomatene og gulrotene kan inneholde både modne og umodne frø. Det er ikke lett å skille mellom modne og umodne frø med det blotte øye, men datamaskin-basert bilde-teknologi kan gjøre denne prosessen enklere.

Tradisjonelt blir frø vurdert ved hjelp av enten spiringstest eller vigor-test. Spiringstest innebærer å så og spire frø, mens vigor-tester skal vurdere hvordan frø reagerer på stress. Det kan ta to uker eller mer å få resultater fra disse testene, noe som betyr at maskinlærings-teknikkene er dramatisk raskere enn disse tradisjonelle frø-analyseteknikkene.

Etter å ha samlet inn treningsbildene, brukte forskerne en tilfeldig skog-klassifiserer for å automatisere tolkningen av frø-bildene. Dette optiske bilde-systemet har mange fordeler over tradisjonelle metoder for å analysere frø, en av dem er at den optiske bilde-teknologien kan brukes på hele partier av frø i stedet for bare små prøver av disse partiene. En annen fordel denne metoden har over tradisjonelle frø-vurderings-teknikker er at datamaskin-basert bilde-teknologi er ikke-invasiv, så den ødelegger ikke noen produkter som blir analysert.

En metode for å analysere frøkvalitet som forskerne brukte var klorofyll-fluorescens. Algoritmer utviklet av forskningsteamet brukte tilstedeværelsen av klorofyll inni frøene. Klorofyll forsyner frøene med energi de trenger for utvikling, og hvis frøet fortsatt har store mengder rest-klorofyll inni seg, betyr det at frøet ikke er fullstendig modent. Dette rest-klorofyll kan bli detektert med multispektral bilde-teknologi, med rød lys som eksiterer klorofyll og spesielle enheter som fanger opp fluorescensen og omgjør den til en elektrisk signal.

Multispektral bilde-teknologi innebærer å bruke lys-dioder for å sende ut lys på ulike punkter på lysspekteret. Forskerne delte det sendte lyset inn i 19 ulike bølgelengder og analyserte frøkvaliteten basert på refleksjon for disse ulike bølgelengdene. De sammenlignet så resultater de fikk med kvalitetsdata som ble innhentet gjennom vanlige frø-analysemetoder. Forskerne fant at å bruke nær-infrarød lys fungerer best for vurdering av gulrotsfrø, mens UV-lys fungerte best for vurdering av UV-tomatsfrø.

Frø inneholder proteiner, sukker og lipider som absorberer visse bølgelengder av lys mens de reflekterer resten av lyset. En multispektral kamera brukes til å fange opp det reflekterte lyset, og de resulterende bilde-dataene brukes til å finne frøene innenfor hele bildet. Jo mer av en gitt næringsstoff som et frø inneholder, jo mer lys-bølgelengder som svarer til det blir absorbert. En rekke algoritmer brukes til å identifisere hvilken bølgelengde som fungerer best til å lokalisere frøene. Denne prosessen kan brukes til å gi informasjon om den kjemiske sammensetningen av frøene som blir studert, og dermed kunne slutte seg til kvaliteten. Forskerteamet brukte deretter kemometri, som er matematiske og statistiske modeller som brukes til å klassifisere materialer, for å lage klasser som beskriver frøkvalitet.

Til slutt kunne forskerne bruke maskinlæringsmodeller til å vurdere nøyaktigheten av kemometri-modellene de lagde. I tilfelle av tomatsfrø varierte kvalitetsklassifiseringens nøyaktighet fra 86% til 95%. I tilfelle av gulrotsfrø varierte nøyaktigheten fra 88% til 97%.

Both the chlorophyll fluorescence technique and the multispectral imaging technique proved reliable and much faster than traditional methods of assessing seed quality. If the method proves reliable, it has the potential to bring higher quality seeds to growers around the world.