Исследователи разработали метод анализа семян с помощью ИИ

Группа исследователей из Центра ядерной энергии в сельском хозяйстве (CENA) и Колледжа сельского хозяйства Луиса де Кейроза (ESALQ) в Бразилии создала метод анализа качества семян с помощью ИИ, что значительно сокращает время, необходимое для определения качества сельскохозяйственных семян.

По данным Phys.org, исследовательская группа собрала изображения семян с помощью технологии светового изображения. Используемые исследователями методы включали многоспектральное изображение и флуоресценцию хлорофилла. Исследователи выбрали морковь и томаты в качестве экспериментальных моделей, выбирая разные варианты для производства в разных странах и при разных условиях. Семена, которые они выбрали, были коммерческими сортами томатов, произведенными в США и Бразилии, а также коммерческими сортами моркови, произведенными в Италии, Чили и Бразилии.

Спрос на эти культуры растет во всем мире, но сбор семян для этих культур может быть сложным. И морковь, и томаты имеют неравномерные процессы созревания. Производство семян для этих культур также несинхронно, то есть партии семян, извлеченных из этих томатов и моркови, могут содержать как зрелые, так и незрелые семена. Не легко различить зрелые и незрелые семена глазом, но системы компьютерного зрения могут упростить этот процесс.

Традиционно семена оцениваются либо с помощью тестов на прорастание и жизнеспособность. Тесты на прорастание включают посев и прорастание семян, в то время как тесты на жизнеспособность направлены на оценку того, как семена реагируют на стресс. Может потребоваться две недели или более, чтобы получить результаты этих тестов, что означает, что методы машинного обучения значительно быстрее традиционных методов анализа семян.

После сбора тренировочных изображений исследователи использовали классификатор случайного леса для автоматизации интерпретации изображений семян. Эта оптическая система изображения имеет много преимуществ перед традиционными методами анализа семян, одним из которых является то, что технология оптического изображения может быть использована для целых партий семян, а не только для небольших образцов этих партий. Другим преимуществом этого метода перед традиционными методами оценки семян является то, что метод компьютерного зрения неинвазивен, то есть не повреждает продукты, подвергаемые анализу.

Одним из методов анализа качества семян, использованных исследователями, была флуоресценция хлорофилла. Алгоритмы, разработанные исследовательской группой, использовали присутствие хлорофилла внутри семян. Хлорофилл обеспечивает семенам энергию, необходимую для развития, и если семя все еще содержит большие объемы остаточного хлорофилла, это означает, что семя не полностью созрело. Этот остаточный хлорофилл можно обнаружить с помощью многоспектральной съемки, при которой красный свет возбуждает хлорофилл, а специальные устройства захватывают его флуоресценцию и преобразуют ее в электрический сигнал.

Многоспектральная съемка включает использование светодиодов для излучения света на разных точках спектра света. Исследователи разделили излучаемый свет на 19 разных длин волн и оценили качество семян на основе отражения для этих разных длин волн. Затем они сравнили полученные результаты с данными о качестве, полученными с помощью типичных методов анализа семян. Исследователи обнаружили, что использование ближней инфракрасной области света работает лучше всего для оценки качества семян моркови, в то время как ультрафиолетовое излучение работает лучше всего для оценки качества семян томатов.

Семена содержат белки, сахара и липиды, которые поглощают определенные длины волн света, отражая остальную часть света. Многоспектральная камера используется для захвата отраженного света, а полученные данные изображения используются для нахождения семян в целом захваченном изображении. Чем больше питательных веществ содержит семя, тем больше длин волн света оно поглощает. Серия алгоритмов используется для определения того, какая длина волны лучше всего локализует семена. Этот процесс может быть использован для получения информации о химическом составе семян, изучаемых, что позволяет сделать вывод о их качестве. Исследовательская группа затем использовала хемометрию, которая представляет собой математические и статистические модели, используемые для классификации материалов, для создания классов, описывающих качество семян.

Наконец, исследователи смогли использовать модели машинного обучения для оценки точности моделей хемометрии, которые они создали. В случае семян томатов точность классификации качества варьировалась от 86% до 95%. В случае семян моркови точность варьировалась от 88% до 97%.

И метод флуоресценции хлорофилла, и метод многоспектральной съемки оказались надежными и намного быстрее традиционных методов оценки качества семян. Если метод окажется надежным, он имеет потенциал для обеспечения более высокого качества семян для фермеров во всем мире.