Метод на основе искусственного интеллекта позволяет автоматизировать анализ семян сельхозкультур
Исследователи из Центра ядерной энергетики в сельском хозяйстве (CENA) и Колледжа сельского хозяйства Луиса де Кейроса (ESALQ) Университета Сан-Паулу (USP) разработали методологию на основе искусственного интеллекта для автоматизации и ускорения анализа качества семян — обязательной процедуры, которая сейчас выполняется вручную аккредитованными Минсельхозом специалистами.
Группа использовала световые технологии, аналогичные применяемым в анализе растений и косметики, для получения изображений семян. Затем с помощью машинного обучения был автоматизирован процесс интерпретации изображений, что минимизировало некоторые трудности традиционных методов. Для многих видов оптическая технология визуализации может быть применена ко всей партии семян, а не только к образцам, как сейчас. Кроме того, метод неинвазивный, не разрушает анализируемые продукты и не создает отходов.
Световые методы включали хлорофиллную флуоресценцию и мультиспектральную визуализацию. В качестве объектов исследования были выбраны семена томатов и моркови, произведенные в разных странах и сезонах и хранившиеся в разных условиях:
- Томаты: коммерческие сорта Gaucho и Tyna, произведенные в Бразилии и США.
- Морковь: сорта Brasilia и Francine, произведенные в Бразилии, Италии и Чили.
Выбор обусловлен экономической важностью культур, растущим мировым спросом на них, а также сложностями сбора их семян. У томатов и моркови процесс созревания неравномерный, поэтому партии семян могут содержать смесь незрелых и зрелых семян. Присутствие незрелых семян сложно обнаружить визуально, и методы на основе машинного зрения могут минимизировать эту проблему.
Исследователи сравнили результаты своего неразрушающего анализа с традиционными тестами на всхожесть и силу роста, которые являются разрушающими, трудоемкими и длительными (для томатов и моркови результаты можно получить только через две недели). Результаты традиционных методов также во многом субъективны.
«Наше предложение — максимально автоматизировать процесс, используя хлорофиллную флуоресценцию и мультиспектральную визуализацию для анализа качества семян. Это позволит избежать всех обычных узких мест», — сказала Клиссия Барбоза да Силва, исследователь CENA-USP.
Хлорофилл как маркер качества
Хлорофилл присутствует в семенах, обеспечивая энергией накопление питательных веществ. После выполнения этой функции хлорофилл разрушается.
«Однако, если семя не завершает процесс созревания, этот хлорофилл остается внутри него. Чем меньше остаточного хлорофилла, тем более продвинут процесс созревания и тем больше и качественнее питательные вещества в семени. Если хлорофилла много, семя незрелое и его качество низкое», — пояснила Силва.
При облучении светом определенной длины волны хлорофилл в семени флуоресцирует. Эту флуоресценцию можно измерить. Более светлые области на полученном изображении соответствуют более высокому уровню хлорофилла, указывая на незрелость семени и низкую вероятность его прорастания.
Искусственный интеллект
В мультиспектральной визуализации светодиоды (LED) излучают свет в видимой части спектра, а также в невидимом диапазоне (UV и ближний инфракрасный). Для анализа качества на основе отражательной способности исследователи использовали 19 длин волн. Наилучшие результаты были получены с использованием ближнего инфракрасного диапазона для семян моркови и UV для семян томатов.
Семена содержат белки, липиды и сахара, которые поглощают часть излучаемого света и отражают остальное. Отраженный свет фиксируется мультиспектральной камерой. Значения пикселей на изображении семени соответствуют его химическому составу.
«Мы не работаем со средним результатом для образца. Мы выполняем индивидуальное извлечение данных для каждого семени», — отметила Силва.
Алгоритм идентифицирует длину волны, которая дает наилучший результат, предоставляя информацию о химическом составе семени, по которому можно судить о его качестве.
Далее ученые применили хемометрику (статистические и математические методы для химической классификации материалов), чтобы оборудование могло классифицировать качество на основе захваченного изображения. Затем с помощью машинного обучения были протестированы созданные модели.
«Мы обучили модель идентифицировать семена высокого и низкого качества. Мы использовали 70% наших данных для обучения модели, а оставшиеся 30% — для валидации», — сказала Силва.
Точность классификации качества составила:
- Семена томатов: от 86% до 95%.
- Семена моркови: от 88% до 97%.
Обе основные техники оказались точными и быстрыми:
- Прибор для хлорофиллной флуоресценции захватывал одно изображение в секунду.
- Мультиспектральный анализатор обрабатывал 19 изображений за пять секунд.
Неожиданные результаты
Важным неожиданным результатом проекта стала эффективность обеих техник для сортировки сортов растений (сортировки), что является важной частью оценки партий семян. Сейчас сортировка выполняется аналитиками визуально или с помощью молекулярных маркеров.
В исследовании обе техники доказали эффективность для разделения сортов моркови, но мультиспектральная визуализация оказалась неудовлетворительной для сортов томатов.
«Исследование дало новые результаты в отношении использования флуоресценции для сортировки сортов. Мы не нашли предыдущих исследований, в которых флуоресценция использовалась бы для этой цели», — подчеркнула Силва.
Внедрение
По словам Силвы, хорошим способом передачи знаний в производственный сектор была бы разработка компаниями соответствующего оборудования для продажи производителям семян.
«Было бы возможно использовать результаты наших исследований для разработки прибора, который использовал бы только UV-свет для определения качества семян томатов и вывода его на рынок, например», — предположила она.