Araştırmacılar Tohum Analizi için AI Destekli Yöntem Geliştirdiler

Brezilya’nın Nükleer Enerji Tarım Merkezi (CENA) ve Luiz de Quieroz Ziraat Fakültesi (ESALQ)’ndan bir araştırma ekibi, AI destekli bir tohum kalitesi analizi yöntemi geliştirdi ve bu sayede tarımsal tohumların kalitesini belirlemek için gereken süreyi dramatik olarak azalttı.

Phys.org’a göre, araştırma ekibi, ışık tabanlı görüntüleme teknolojisi kullanarak tohumların resimlerini topladı. Araştırma ekibi tarafından kullanılan teknikler, çok spektral görüntüleme ve klorofil flüoresansı içeriyordu. Araştırma ekibi, deneysel modeller olarak havuç ve domatesi seçti ve farklı varyantları farklı ülkelerde ve koşullarda üretti. Seçilen tohumlar, ABD ve Brezilya’da üretilen ticari domates çeşitleri ve İtalya, Şili ve Brezilya’da üretilen ticari havuç çeşitleriydi.

Bu ürünlerin talebi dünya çapında artıyor, ancak bu ürünlerin tohumlarını toplamak zor olabilir. Hem havuç hem de domateslerin olgunlaşma süreçleri uniform değildir. Bu ürünlerin tohum üretimi de senkronize değildir, yani bu domates ve havuçlardan elde edilen tohum partileri hem olgun hem de olgunlaşmamış tohumlar içerebilir. Olgun ve olgunlaşmamış tohumları gözle ayırt etmek kolay değildir, ancak bilgisayar görüntüleme sistemleri bu süreci kolaylaştırabilir.

Geleneksel olarak, tohumlar ya çimlenme ve vigor testleri ile değerlendirilir. Çimlenme testleri, tohumların ekilmesini ve çimlenmesini içerir, जबकi vigor testleri, tohumların streslere nasıl tepki verdiğini değerlendirmeyi amaçlar. Bu testlerin sonuçlarını elde etmek iki hafta veya daha fazla sürebilir, bu nedenle makine öğrenimi teknikleri geleneksel tohum analizi tekniklerinden çok daha hızlıdır.

Eğitim resimlerini topladıktan sonra, araştırmacılar, tohum resimlerinin yorumunu otomatikleştirmek için bir rastgele orman sınıflandırıcı kullandı. Bu optik görüntüleme sistemi, geleneksel yöntemlerin yerine tüm tohum partilerini analiz edebildiği için geleneksel yöntemlerin üzerine birçok avantajı vardır. Bir diğer avantajı, bilgisayar görüntüleme tekniğinin invazif olmamasıdır, yani analiz edilen ürünleri bozmaz.

Araştırmacıların kullandığı tohum kalitesi analiz yöntemlerinden biri, klorofil flüoresansıydı. Araştırma ekibi tarafından geliştirilen algoritmalar, tohumlar içindeki klorofil varlığını kullandı. Klorofil, tohumların gelişimi için gerekli enerjiyi sağlar ve bir tohum hala büyük miktarda kalıntı klorofil içeriyorsa, bu, tohumun tam olarak olgunlaşmadığını gösterir. Bu kalıntı klorofil, multispektral görüntüleme ile tespit edilebilir, kırmızı ışık klorofili uyarır ve özel cihazlar floresansını yakalar ve elektrik sinyaline dönüştürür.

Çok spektral görüntüleme, LED’lerin ışık spektrumunun çeşitli noktalarında ışık yaymasını içerir. Araştırmacılar, yayılan ışığı 19 farklı dalga boyuna böldü ve bu dalga boylarının yansıma değerlerine göre tohum kalitesini analiz etti. Daha sonra, geleneksel tohum analizi yöntemleriyle elde edilen kalite verilerini sonuçlarla karşılaştırdılar. Araştırmacılar, yakın kızılötesi ışığın havuç tohumlarının değerlendirilmesinde en iyi sonucu verdiğini, mentre UV ışığın domates tohumlarının değerlendirilmesinde en iyi sonucu verdiğini buldular.

Tohumlar, certain dalga boylarını emen ve geri kalan ışığı yansıtan proteinler, şekerler ve lipitleri içerir. Bir multispektral kamera, yansıyan ışığı yakalar ve elde edilen görüntü verileri, tüm yakalanan görüntüdeki tohumları bulmak için kullanılır. Bir tohumun belirli bir besin maddesini ne kadar içerdiğine bağlı olarak, belirli dalga boylarını emer. Bir dizi algoritma, hangi dalga boyunun tohumları en iyi şekilde lokalize ettiğini belirlemek için kullanılır. Bu işlem, incelenen tohumların kimyasal bileşimi hakkında bilgi sağlamak için kullanılabilir ve kalitelerini çıkarımlamak için kullanılabilir. Araştırma ekibi daha sonra, malzeme sınıflandırılması için kullanılan matematiksel ve istatistiksel modeller olan kemometriyi kullanarak, tohum kalitesini tanımlayan sınıfları oluşturdu.

Son olarak, araştırmacılar, oluşturdukları kemometri modellerinin doğruluğunu değerlendirmek için makine öğrenimi modellerini kullanabildiler. Domates tohumlarının durumunda, kalite sınıflandırma doğruluğu %86 ile %95 arasında değişiyordu. Havuç tohumlarının durumunda, doğruluk %88 ile %97 arasında değişiyordu.

Hem klorofil flüoresansı tekniği hem de multispektral görüntüleme tekniği, geleneksel tohum kalitesi değerlendirme yöntemlerinden daha güvenilir ve çok daha hızlı olduğunu kanıtladı. Bu yöntem güvenilir olduğu kanıtlanırsa, dünya çapındaki yetiştiricilere daha yüksek kaliteli tohumlar getirmesi möglich.