研究人员开发了人工智能支持的种子分析方法

巴西核能在农业中的应用中心（CENA）和路易斯·德·奎罗斯农业学院（ESALQ）的研究人员团队创建了一个 人工智能驱动的种子质量分析方法，大大减少了确定农业种子质量所需的时间。

根据Phys.org的报道，研究团队使用基于光的成像技术收集了种子的图像。研究团队使用的技术包括多光谱成像和叶绿素荧光。研究团队选择胡萝卜和西红柿作为他们的实验模型，选择不同品种在不同国家和不同条件下生产。他们选择的种子是美国和巴西生产的商业西红柿品种，以及意大利、智利和巴西生产的商业胡萝卜品种。

这些作物的需求在全球范围内不断增长，但收集这些作物的种子可能很困难。胡萝卜和西红柿的成熟过程都不均匀。这些作物的种子生产也是非同步的，这意味着从这些西红柿和胡萝卜中提取的种子批次可能包含成熟和未成熟的种子。用眼睛区分成熟和未成熟的种子并不容易，但计算机视觉系统可以使这个过程更容易。

传统上，种子是通过发芽和活力测试来评估的。发芽测试涉及播种和发芽种子，而活力测试旨在评估种子对压力的反应。这些测试的结果可能需要两周或更长时间，这意味着机器学习技术比传统的种子分析技术快得多。

收集训练图像后，研究人员使用随机森林分类器来自动解释种子图像。这种光学成像系统比传统的种子分析方法有很多优势，其中一个优势是光学成像技术可以应用于整个种子批次，而不仅仅是这些批次中的小样本。这种方法的另一个优势是计算机视觉技术是非侵入性的，因此不会破坏任何被分析的产品。

研究人员使用的一种分析种子质量的方法是叶绿素荧光。研究团队开发的算法利用种子中的叶绿素。叶绿素为种子提供了发育所需的能量，如果种子仍然含有大量的残留叶绿素，这意味着种子尚未完全成熟。这种残留叶绿素可以通过多光谱成像检测到，红光激发叶绿素，特殊设备捕获其荧光并将其转换为电信号。

多光谱成像涉及使用LED发射光谱中的不同点的光。研究人员将发射的光分割成19个不同的波长，并根据这些波长的反射率分析种子质量。然后，他们将获得的结果与通过典型种子分析方法获得的质量数据进行比较。研究人员发现，使用近红外光对胡萝卜种子的评估最有效，而使用紫外线对西红柿种子的评估最有效。

种子含有蛋白质、糖和脂质，这些物质会吸收光谱中的某些波长，同时反射其余的光。多光谱相机用于捕获反射光，所得的图像数据用于找到整个捕获图像中的种子。种子中某种营养物质的含量越多，相应的波长就被吸收得越多。使用一系列算法来确定哪个波长最适合定位种子。这个过程可以提供有关被研究的种子的化学成分的信息，从而可以推断出种子的质量。研究团队然后使用化学计量学，即用于分类材料的数学和统计模型，创建描述种子质量的类别。

最后，研究人员能够使用机器学习模型来评估他们创建的化学计量模型的准确性。在西红柿种子的情况下，质量分类的准确率范围从86％到95％。在胡萝卜种子的情况下，准确率范围从88％到97％。

叶绿素荧光技术和多光谱成像技术都被证明是可靠的，并且比传统的种子质量评估方法快得多。如果这种方法被证明是可靠的，它有可能为全球的种植者带来更高质量的种子。