Pesquisadores Desenvolvem Método de Análise de Sementes com Suporte de IA

Uma equipe de pesquisadores do Centro de Energia Nuclear na Agricultura (CENA) e do Colégio de Agricultura Luiz de Quieroz (ESALQ) criou um método de análise de qualidade de sementes impulsionado por IA, reduzindo drasticamente o tempo necessário para determinar a qualidade das sementes agrícolas.

De acordo com o Phys.org, a equipe de pesquisa coletou imagens de sementes com o uso de tecnologia de imagem baseada em luz. As técnicas utilizadas pela equipe de pesquisa incluíram imagens multiespectrais e fluorescência de clorofila. A equipe de pesquisa selecionou cenouras e tomates para servir como modelos experimentais, escolhendo diferentes variantes para produzir em diferentes países e sob diferentes condições. As sementes que eles selecionaram foram variedades comerciais de tomates produzidas nos EUA e no Brasil, bem como variedades comerciais de cenouras produzidas na Itália, Chile e Brasil.

A demanda por esses cultivos está aumentando em todo o mundo, mas coletar as sementes para esses cultivos pode ser difícil. Tanto as cenouras quanto os tomates têm processos de amadurecimento que não são uniformes. A produção de sementes para esses cultivos também é não-síncrona, o que significa que as lotes de sementes extraídas desses tomates e cenouras podem conter tanto sementes maduras quanto imaturas. Não é fácil distinguir entre sementes maduras e imaturas a olho nu, mas os sistemas de visão computacional podem tornar esse processo mais fácil.

Tradionalmente, as sementes são avaliadas por meio de testes de germinação e vigor. Os testes de germinação envolvem o plantio e a germinação das sementes, enquanto os testes de vigor visam avaliar como as sementes respondem ao estresse. Pode levar duas semanas ou mais para obter os resultados desses testes, o que significa que as técnicas de aprendizado de máquina são dramaticamente mais rápidas do que as técnicas tradicionais de análise de sementes.

Depois de coletar as imagens de treinamento, os pesquisadores usaram um classificador de floresta aleatória para automatizar a interpretação das imagens de sementes. Esse sistema de imagem óptica tem muitas vantagens sobre os métodos tradicionais de análise de sementes, uma das quais é o fato de que a tecnologia de imagem óptica pode ser usada em lotes inteiros de sementes, em vez de apenas pequenas amostras desses lotes. Outra vantagem que o método tem sobre as técnicas tradicionais de avaliação de sementes é que a técnica de visão computacional é não-invasiva, portanto não destrói nenhum produto analisado.

Um método de análise de qualidade de sementes que os pesquisadores usaram foi a fluorescência de clorofila. Algoritmos desenvolvidos pela equipe de pesquisa fizeram uso da presença de clorofila dentro das sementes. A clorofila fornece a energia que as sementes precisam para se desenvolver, e se a semente ainda tiver grandes volumes de clorofila residual dentro dela, isso implica que a semente não está completamente madura. Essa clorofila residual pode ser detectada com imagens multiespectrais, com luz vermelha excitando a clorofila e dispositivos especiais capturando sua fluorescência e convertendo-a em um sinal elétrico.

A imagens multiespectrais envolvem o uso de LEDs para emitir luz em diferentes pontos do espectro de luz. Os pesquisadores dividiram a luz emitida em 19 diferentes comprimentos de onda e analisaram a qualidade das sementes com base na reflexão desses diferentes comprimentos de onda. Eles então compararam os resultados que obtiveram com dados de qualidade obtidos por meio de métodos típicos de análise de sementes. Os pesquisadores descobriram que o uso de luz de infravermelho próximo funciona melhor para a avaliação de sementes de cenoura, enquanto a luz ultravioleta funciona melhor para a avaliação de sementes de tomate.

As sementes contêm proteínas, açúcares e lipídios que absorvem certos comprimentos de onda de luz, enquanto refletem o resto da luz. Uma câmera multiespectral é usada para capturar a luz refletida, e os dados de imagem resultantes são usados para encontrar as sementes dentro da imagem capturada inteira. Quanto mais de um determinado nutriente que uma semente contém, mais comprimentos de onda de luz correspondentes são absorvidos. Uma série de algoritmos é usada para identificar qual comprimento de onda faz o melhor trabalho de localizar as sementes. Esse processo pode ser usado para fornecer informações sobre a composição química das sementes que estão sendo estudadas, permitindo que sua qualidade seja inferida. A equipe de pesquisa então empregou quimiometria, que são modelos matemáticos e estatísticos usados para classificar materiais, para criar as classes que descrevem a qualidade das sementes.

Finalmente, os pesquisadores foram capazes de usar modelos de aprendizado de máquina para avaliar a precisão dos modelos de quimiometria que criaram. No caso das sementes de tomate, a precisão da classificação de qualidade variou de 86% a 95%. No caso das sementes de cenoura, a precisão variou de 88% a 97%.

As técnicas de fluorescência de clorofila e imagens multiespectrais provaram ser confiáveis e muito mais rápidas do que os métodos tradicionais de avaliação da qualidade das sementes. Se o método se provar confiável, tem o potencial de trazer sementes de maior qualidade para os agricultores em todo o mundo.