Naukowcy opracowali metodę analizy nasion z wykorzystaniem sztucznej inteligencji

Zespół naukowców z Brazylijskiego Centrum Energii Nuklearnej w Rolnictwie (CENA) i Luiz de Quieroz College of Agriculture (ESALQ) stworzył metodę analizy jakości nasion z wykorzystaniem sztucznej inteligencji, dramatycznie skracając czas potrzebny do określenia jakości nasion rolniczych.

Według Phys.org, zespół naukowców zbierał obrazy nasion z wykorzystaniem technologii obrazowania świetlnego. Techniki stosowane przez zespół naukowców obejmowały obrazowanie wielospektralne i fluorescencję chlorofilu. Zespół naukowców wybrał marchew i pomidory jako modele eksperymentalne, wybierając różne odmiany do produkcji w różnych krajach i w różnych warunkach. Nasiona, które wybrali, to handlowe odmiany pomidorów produkowane w USA i Brazylii, a także handlowe odmiany marchwi produkowane we Włoszech, Chile i Brazylii.

Popyt na te plony rośnie na całym świecie, ale zbieranie nasion tych plonów może być trudne. Zarówno marchew, jak i pomidory mają procesy dojrzewania, które nie są jednolite. Produkcja nasion tych plonów jest również niesynchroniczna, co oznacza, że partie nasion pozyskanych z tych pomidorów i marchwi mogą zawierać zarówno dojrzałe, jak i niedojrzałe nasiona. Nie jest łatwo odróżnić dojrzałe od niedojrzałych nasion gołym okiem, ale systemy widzenia komputerowego mogą ułatwić ten proces.

Tradycyjnie nasiona są oceniane za pomocą testów kiełkowania i testów wigoru. Testy kiełkowania obejmują sianie i kiełkowanie nasion, podczas gdy testy wigoru mają na celu ocenę, jak nasiona reagują na stres. Może to potrwać dwa tygodnie lub więcej, aby uzyskać wyniki tych testów, co oznacza, że techniki uczenia maszynowego są dramatycznie szybsze niż tradycyjne metody analizy nasion.

Po zebraniu obrazów treningowych, naukowcy użyli klasyfikatora losowego lasu, aby zautomatyzować interpretację obrazów nasion. Ten system obrazowania optycznego ma wiele zalet w porównaniu z tradycyjnymi metodami analizy nasion, jedną z nich jest fakt, że technologia obrazowania optycznego może być stosowana do całych partii nasion, a nie tylko małych próbek tych partii. Inną zaletą tej metody w porównaniu z tradycyjnymi technikami oceny nasion jest to, że technika widzenia komputerowego jest nieinwazyjna, co oznacza, że nie niszczy żadnych produktów poddanych analizie.

Jedną z metod analizy jakości nasion, której użyli naukowcy, była fluorescencja chlorofilu. Algorytmy opracowane przez zespół naukowców wykorzystywały obecność chlorofilu w nasionach. Chlorofil dostarcza energii potrzebnej do rozwoju nasion, a jeśli nasiono wciąż zawiera duże ilości resztkowego chlorofilu, oznacza to, że nasiono nie jest w pełni dojrzałe. Ten resztkowy chlorofil może być wykryty za pomocą obrazowania wielospektralnego, z czerwonym światłem pobudzającym chlorofil i specjalnymi urządzeniami przechwytującymi jego fluorescencję i przekształcając ją w sygnał elektryczny.

Obrazowanie wielospektralne obejmuje użycie diod emitujących światło o różnych punktach widmowych. Naukowcy podzielili emitowane światło na 19 różnych długości fal i analizowali jakość nasion na podstawie odbicia tych różnych długości fal. Następnie porównali wyniki, które uzyskali, z danymi jakościowymi uzyskanymi za pomocą typowych metod analizy nasion. Naukowcy stwierdzili, że użycie światła podczerwonego jest najbardziej skuteczne w przypadku oceny nasion marchwi, podczas gdy światło UV jest najbardziej skuteczne w przypadku oceny nasion pomidorów.

Nasiona zawierają białka, cukry i lipidy, które absorbują pewne długości fal światła, podczas gdy odbijają resztę światła. Kamera wielospektralna jest używana do przechwycenia odbitego światła, a wynikowe dane obrazu są używane do znalezienia nasion w całym przechwyconym obrazie. Im więcej danego składnika odżywczego zawiera nasiono, tym więcej długości fal światła odpowiadających temu składnikowi jest absorbowane. Szereg algorytmów jest używany do identyfikacji, która długość fali najlepiej lokalizuje nasiona. Ten proces może być użyty do uzyskania informacji o składzie chemicznym badanych nasion, co pozwala wnioskować o ich jakości. Następnie zespół naukowców zastosował chemometrię, czyli matematyczne i statystyczne modele używane do klasyfikacji materiałów, aby utworzyć klasy opisujące jakość nasion.

W końcu naukowcy byli w stanie użyć modeli uczenia maszynowego do oceny dokładności modeli chemometrycznych, które stworzyli. W przypadku nasion pomidorów dokładność klasyfikacji jakości wynosiła od 86% do 95%. W przypadku nasion marchwi dokładność wynosiła od 88% do 97%.

Obie techniki, fluorescencja chlorofilu i obrazowanie wielospektralne, okazały się niezawodne i znacznie szybsze niż tradycyjne metody oceny jakości nasion. Jeśli metoda okaże się niezawodna, ma potencjał dostarczenia wyższej jakości nasion rolnikom na całym świecie.