Дослідники розробили метод аналізу насіння з використанням штучного інтелекту

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

За даними Phys.org, команда дослідників зібрала зображення насіння з використанням технології світлового зображення. Техніки, використані командою дослідників, включали мультиспектральне зображення та флуоресценцію хлорофілу. Команда дослідників вибрала моркву та помідори як свої експериментальні моделі, вибравши різні варіанти для виробництва в різних країнах та під різними умовами. 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 збирання 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 візуального сприйняття можуть зробити цей процес простішим.

Традиційно насіння оцінюється за допомогою тестів на проростання та життєздатність. Тести на проростання включають сівбу та проростання насіння, тоді як тести на життєздатність оцінюють, як насіння реагує на стрес. Отримання результатів від цих тестів може зайняти два 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 на цілих партіях насіння, а не лише на малих зразках цих партій. Іншою перевагою цього методу над традиційними методами оцінки насіння є те, що техніка комп’ютерного сприйняття не є інвазивною, тобто не знищує жодного з продуктів, що аналізуються.

Одним з 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 ще містить великі об’єми залишкового хлорофілу, це означає, що насіння не є повністю зрілим. Цей залишковий хлорофіл може бути виявлений за допомогою мультиспектральної зйомки, коли червоне світло збуджує хлорофіл, а спеціальні пристрої захоплюють його флуоресценцію та перетворюють її в електричний сигнал.

Мультиспектральна зйомка включає використання світлодіодів для випромінювання світла на різних ділянках спектру світла. Дослідники розділили випромінене світло на 19 різних довжин хвиль і 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 найкраще підходить для оцінки якості насіння моркви, тоді як ультрафіолетове світло найкраще підходить для оцінки якості насіння помідорів.

Насіння містить білки, цукри та ліпіди, які поглинають певні довжини хвиль світла, а решту світла відбивають. Мультиспектральна камера використовується для захоплення відбитого світла, а отримані дані зображення використовуються для визначення насіння всередині усього захопленого зображення. Чим більше певного харчового елементу містить насіння, тим більше довжин хвиль світла, що відповідають цьому, поглинаються. Серія алгоритмів використовується для визначення, яка довжина хвилі найкраще локалізує насіння. Цей процес може бути використаний для отримання інформації про хімічний склад насіння, що 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 становила від 86% до 95%. У випадку насіння моркви точність становила від 88% до 97%.

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