Дослідники розробили метод аналізу насіння з використанням штучного інтелекту

Команда дослідників з Центру ядерної енергетики в сільському господарстві (CENA) та Коледжу сільського господарства Луїса де К’єроза (ESALQ) у Бразилії створила метод аналізу якості насіння з використанням штучного інтелекту, який значно скорочує час, необхідний для визначення якості сільськогосподарських насінь.

За даними Phys.org, команда дослідників зібрала зображення насіння за допомогою технології світлового зображення. Техніки, які використовувала команда дослідників, включали багатоспектральне зображення та флуоресценцію хлорофілу. Команда вибрала моркву та помідори як експериментальні моделі, вибравши різні варіанти для виробництва в різних країнах та за різних умов. Насіння, яке вони вибрала, було комерційними сортами помідорів, виробленими в США та Бразилії, а також комерційними сортами моркви, виробленими в Італії, Чилі та Бразилії.

Попит на ці культури зростає по всьому світу, але збір насіння для цих культур може бути складним. І морква, і помідори мають нерівномірний процес дозрівання. Виробництво насіння для цих культур також є несинхронним, тобто партії насіння, видобуті з цих помідорів і моркви, можуть містити як зріле, так і незріле насіння. Не легко відрізнити зріле насіння від незрілого оkiem, але комп’ютерні системи бачення можуть зробити цей процес легшим.

Традиційно насіння оцінюється за допомогою тестів на проростання та життєздатність. Тести на проростання включають сівбу та проростання насіння, тоді як тести на життєздатність спрямовані на оцінку того, як насіння реагує на стрес. Отримання результатів від цих тестів може зайняти дві тижні або більше, що означає, що техніки машинного навчання значно швидші за традиційні методи аналізу насіння.

Після збору навчальних зображень дослідники використали класифікатор випадкового лісу для автоматизації інтерпретації зображень насіння. Ця оптична система зображення має багато переваг над традиційними методами аналізу насіння, однією з яких є те, що технологія оптичного зображення може бути використана для цілих партій насіння, а не лише для малих зразків цих партій. Іншою перевагою цього методу над традиційними методами оцінки насіння є те, що техніка комп’ютерного бачення є неінвазивною, тобто не руйнує жодних продуктів, які аналізуються.

Одним із методів аналізу якості насіння, який використовували дослідники, була флуоресценція хлорофілу. Алгоритми, розроблені командою дослідників, використовували наявність хлорофілу всередині насіння. Хлорофіл постачає насінню енергію, необхідну для розвитку, і якщо насіння все ще містить великі об’єми залишкового хлорофілу, це означає, що насіння не зовсім зріле. Це залишкове хлорофіл можна виявити за допомогою багатоспектрального зображення, коли червоне світло збуджує хлорофіл, а спеціальні пристрої захоплюють його флуоресценцію та перетворюють її в електричний сигнал.

Багатоспектральне зображення включає використання світлодіодів для випромінювання світла на різних точках спектра світла. Дослідники розділили випромінене світло на 19 різних довжин хвиль та аналізували якість насіння на основі відбивної здатності для цих різних довжин хвиль. Потім вони порівняли результати, які вони отримали, з даними про якість, отриманими за допомогою типових методів аналізу насіння. Дослідники виявили, що використання ближнього інфрачервоного світла працює найкраще для оцінки якості насіння моркви, тоді як ультрафіолетове світло працює найкраще для оцінки якості насіння помідорів.

Насіння містить білки, цукри та ліпіди, які поглинають певні довжини хвиль світла, а решту світла відбивають. Камера багатоспектрального зображення використовується для захоплення відбитого світла, а отримані дані зображення використовуються для визначення насіння всередині всього захопленого зображення. Чим більше певного харчового елементу містить насіння, тим більше довжин хвиль світла, що відповідають цьому елементу, поглинається. Серія алгоритмів використовується для визначення, яка довжина хвилі найкраще локалізує насіння. Цей процес можна використовувати для отримання інформації про хімічний склад насіння, яке вивчається, що дозволяє зробити висновок про його якість. Команда дослідників потім використала хемометрику, тобто математичні та статистичні моделі, які використовуються для класифікації матеріалів, для створення класів, які описують якість насіння.

Нарешті, дослідники змогли використовувати моделі машинного навчання для оцінки точності моделей хемометрики, які вони створили. У випадку насіння помідорів точність класифікації якості насіння становила від 86% до 95%. У випадку насіння моркви точність становила від 88% до 97%.

І техніка флуоресценції хлорофілу, і техніка багатоспектрального зображення виявилися надійними та значно швидшими за традиційні методи оцінки якості насіння. Якщо цей метод виявиться надійним, він має потенціал забезпечити вищу якість насіння для виробників по всьому світу.