Forskare utvecklar AI-baserad metod för analys av utsädeskvalitet

Ett team av forskare från Brasiliens centrum för kärnenergi i jordbruket (CENA) och Luiz de Quieroz College of Agriculture (ESALQ) har skapat en AI-driven metod för analys av utsädeskvalitet, vilket dramatiskt minskar den tid som behövs för att bestämma kvaliteten på jordbruksutsäden.

Enligt Phys.org samlade forskarteamet in bilder av utsäden med hjälp av ljusbaserad avbildningsteknik. Teknikerna som användes av forskarteamet inkluderade multispektral avbildning och klorofyllfluorescens. Forskarteamet valde morötter och tomater som experimentella modeller, och valde olika varianter för att producera i olika länder och under olika förhållanden. De utsäden som valdes var kommersiella tomatsorter producerade i USA och Brasilien, samt kommersiella morotsorter producerade i Italien, Chile och Brasilien.

Afterfrågan på dessa grödor ökar runt om i världen, men insamling av utsäden för dessa grödor kan vara svårt. Både morötter och tomater har ojämnt mognadsprocesser. Utsädesproduktion för dessa grödor är också icke-synkroniserad, vilket innebär att utsädespartier som extraheras från dessa tomater och morötter kan innehålla både mogna och omogna utsäden. Det är inte lätt att skilja mellan mogna och omogna utsäden med blotta ögat, men datorseende-system kan göra denna process enklare.

Traditionellt bedöms utsäden genom antingen grobarhetstest eller vigor-test. Grobarhetstest innebär sådd och grobarhet av utsäden, medan vigor-test syftar till att bedöma hur utsäden svarar på stress. Det kan ta två veckor eller mer att få resultat från dessa tester, vilket innebär att maskinlärningstekniker är dramatiskt snabbare än dessa traditionella utsädesanalystekniker.

Efter att ha samlat in träningsbilder använde forskarna en slumpmässig skogsklassificerare för att automatisera tolkningen av utsädesbilderna. Detta optiska avbildningssystem har många fördelar jämfört med traditionella metoder för att analysera utsäden, en av dem är att den optiska avbildningstekniken kan användas på hela batcher av utsäden istället för bara små prover av dessa batcher. En annan fördel som metoden har jämfört med traditionella utsädesbedömningsmetoder är att datorseendetekniken är icke-invasiv, så den förstör inte några produkter som analyseras.

En metod för att analysera utsädeskvalitet som forskarna använde var klorofyllfluorescens. Algoritmer som utvecklats av forskarteamet utnyttjade närvaron av klorofyll inom utsäden. Klorofyll tillhandahåller den energi som utsäden behöver för utveckling, och om utsädet fortfarande har stora mängder resterande klorofyll inom sig, innebär detta att utsädet inte är fullständigt moget. Denna resterande klorofyll kan upptäckas med multispektral avbildning, med röd ljus som exciterar klorofyllet och specialenheter som fångar dess fluorescens och omvandlar den till en elektrisk signal.

Multispektral avbildning innebär användning av LED-ljus för att emittera ljus vid varierande punkter på ljusspektrumet. Forskarna delade det emitterade ljuset i 19 olika våglängder och analyserade utsädeskvalitet baserat på reflektans för dessa olika våglängder. De jämförde sedan resultaten de fick med kvalitetsdata som erhållits genom typiska utsädesanalysmetoder. Forskarna fann att användning av nära-infraröd ljus fungerar bäst för bedömning av morotsutsäden, medan UV-ljus fungerade bäst för bedömning av UV-tomatsutsäden.

Utsäden innehåller proteiner, sockerarter och lipider som absorberar vissa våglängder av ljus medan de reflekterar resten av ljuset. En multispektral kamera används för att fånga det reflekterade ljuset, och den resulterande bildinformationen används för att hitta utsäden inom den helbild som fångats. Ju mer av en given näringsämne som ett utsäde innehåller, desto mer ljusvåglängder som motsvarar detta absorberas. En serie algoritmer används för att identifiera vilken våglängd som fungerar bäst för att lokalisera utsäden. Denna process kan användas för att ge information om den kemiska sammansättningen av de utsäden som studeras, vilket möjliggör att deras kvalitet kan härledas. Forskarteamet använde sedan kemometri, som är matematiska och statistiska modeller som används för att klassificera material, för att skapa klasser som beskrev utsädeskvalitet.

Slutligen kunde forskarna använda maskinlärningsmodeller för att bedöma tillförlitligheten hos de kemometri-modeller de skapade. I fallet med tomatutsäden varierade kvalitetsklassificeringsnoggrannheten från 86% till 95%. I fallet med morotsutsäden varierade noggrannheten från 88% till 97%.

Både klorofyllfluorescenstekniken och multispektral avbildningstekniken visade sig vara tillförlitliga och mycket snabbare än traditionella metoder för att bedöma utsädeskvalitet. Om metoden visar sig vara tillförlitlig har den potentialen att bringa högkvalitativa utsäden till odlare runt om i världen.