Araştırmacılar Yapay Zeka Destekli Tohum Analizi Yöntemi Geliştiriyor

Brezilya'nın Tarımda Nükleer Enerji Merkezi'nden (CENA) ve Luiz de Quieroz Tarım Fakültesi'nden (ESALQ) bir araştırmacı ekibi, bir Yapay zeka güdümlü tohum kalitesi analizi yöntemi, tarımsal tohumların kalitesini belirlemek için gereken süreyi önemli ölçüde azaltır.

Phys.org'a görearaştırma ekibi, ışık tabanlı görüntüleme teknolojisi kullanarak tohumların görüntülerini topladı. Araştırma ekibi tarafından kullanılan teknikler, multispektral görüntüleme ve klorofil flüoresanı içeriyordu. Araştırma ekibi, farklı ülkelerde ve farklı koşullarda üretmek için farklı çeşitler seçerek deneysel modeller olarak havuç ve domatesleri seçti. Seçtikleri tohumlar, ABD ve Brezilya'da üretilen ticari domates çeşitleri ile İtalya, Şili ve Brezilya'da üretilen ticari havuç çeşitleriydi.

Bu mahsullere olan talep dünya çapında artıyor, ancak bu mahsullerin tohumlarını toplamak zor olabiliyor. Hem havuç hem de domates, aynı olmayan olgunlaşma süreçlerine sahiptir. Bu mahsullerin tohum üretimi de senkronize değildir; bu, bu domates ve havuçlardan elde edilen tohum partilerinin hem olgun hem de olgunlaşmamış tohumları içerebileceği anlamına gelir. Olgun ve olgunlaşmamış tohumları gözle ayırt etmek kolay değildir ancak bilgisayarlı görme sistemleri bu işlemi kolaylaştırabilir.

Geleneksel olarak tohumlar çimlenme ve güç testleriyle değerlendirilir. Çimlenme testleri tohumların ekimini ve çimlenmesini içerirken, canlılık testleri tohumların strese nasıl tepki verdiğini değerlendirmeyi amaçlar. Bu testlerden sonuçların alınması iki hafta veya daha uzun sürebilir, bu da makine öğrenimi tekniklerinin bu geleneksel tohum analizi tekniklerinden önemli ölçüde daha hızlı olduğu anlamına gelir.

Eğitim görüntülerini topladıktan sonra, araştırmacılar tohum görüntülerinin yorumlanmasını otomatikleştirmek için rastgele bir orman sınıflandırıcı kullandılar. Bu optik görüntüleme sisteminin, geleneksel tohum analiz yöntemlerine göre birçok avantajı vardır; bunlardan biri, optik görüntüleme teknolojisinin, bu partilerin yalnızca küçük numuneleri yerine tüm tohum partileri üzerinde kullanılabilmesidir. Yöntemin geleneksel tohum değerlendirme tekniklerine göre sahip olduğu bir başka avantaj da, bilgisayarlı görü tekniğinin non-invaziv olması ve bu nedenle analiz edilen hiçbir ürünü yok etmemesi.

Araştırmacıların kullandığı tohum kalitesini analiz etmenin bir yöntemi klorofil flüoresanıydı. Araştırma ekibi tarafından geliştirilen algoritmalar, tohumların içindeki klorofilin varlığından yararlandı. Klorofil, tohumların gelişmek için ihtiyaç duyduğu enerjiyi sağlar ve tohumun içinde hala büyük miktarlarda artık klorofil varsa, bu, tohumun tam olarak olgunlaşmadığı anlamına gelir. Bu kalıntı klorofil, klorofili uyaran kırmızı ışık ve floresansını yakalayıp elektrik sinyaline dönüştüren özel cihazlarla multispektral görüntüleme ile tespit edilebilir.

Multispektral görüntüleme, ışık spektrumunun çeşitli noktalarında ışık yaymak için LED'lerin kullanılmasını içerir. Araştırmacılar yayılan ışığı 19 farklı dalga boyuna ayırdılar ve bu farklı dalga boyları için yansımaya dayalı olarak tohum kalitesini analiz ettiler. Daha sonra elde ettikleri sonuçları, tipik tohum analiz yöntemleriyle elde edilen kalite verileriyle karşılaştırdılar. Araştırmacılar, yakın kızılötesi ışığın havuç tohumlarının değerlendirilmesinde en iyi sonucu verdiğini, UV ışığının ise UV domates tohumlarının değerlendirilmesinde en iyi sonucu verdiğini buldu.

Tohumlar, ışığın belirli dalga boylarını emerken geri kalanını yansıtan proteinler, şekerler ve lipitler içerir. Yansıtıcı ışığı yakalamak için bir multispektral kamera kullanılır ve elde edilen görüntü verileri, yakalanan görüntünün tamamı içindeki tohumları bulmak için kullanılır. Bir tohum, belirli bir besin maddesinden ne kadar fazlasını içerirse, buna karşılık gelen o kadar fazla ışık dalga boyu emilir. Tohumların yerini belirlemede hangi dalga boyunun en iyi sonucu verdiğini belirlemek için bir dizi algoritma kullanılır. Bu süreç, incelenmekte olan tohumların kimyasal bileşimi hakkında bilgi sağlamak ve kalitelerinin anlaşılmasına izin vermek için kullanılabilir. Araştırma ekibi daha sonra, tohum kalitesini tanımlayan sınıfları oluşturmak için malzemeleri sınıflandırmak için kullanılan matematiksel ve istatistiksel modeller olan kemometriyi kullandı.

Son olarak araştırmacılar, oluşturdukları kemometrik modellerin doğruluğunu değerlendirmek için makine öğrenimi modellerini kullanabildiler. Domates tohumları söz konusu olduğunda, kalite sınıflandırma doğruluğu %86 ile %95 arasında değişmektedir. Havuç tohumları söz konusu olduğunda, doğruluk %88 ile %97 arasında değişiyordu.

Hem klorofil flüoresan tekniği hem de multispektral görüntüleme tekniğinin güvenilir olduğu ve geleneksel tohum kalitesini değerlendirme yöntemlerinden çok daha hızlı olduğu kanıtlanmıştır. Yöntemin güvenilir olduğu kanıtlanırsa, dünyanın dört bir yanındaki yetiştiricilere daha kaliteli tohumlar getirme potansiyeline sahiptir.