I ricercatori sviluppano un metodo di analisi dei semi supportato dall’intelligenza artificiale
Un team di ricercatori del Centro brasiliano per l’energia nucleare in agricoltura (CENA) e del Luiz de Quieroz College of Agriculture (ESALQ) hanno creato un metodo di analisi della qualità dei semi basato sull’intelligenza artificiale , riducendo drasticamente il tempo necessario per determinare la qualità dei semi agricoli .
Secondo Phys.org , il team di ricerca ha raccolto immagini di semi con l’uso della tecnologia di imaging basata sulla luce. Le tecniche utilizzate dal team di ricerca includevano l’imaging multispettrale e la fluorescenza della clorofilla. Il team di ricerca ha selezionato carote e pomodori come modelli sperimentali, scegliendo diverse varianti da produrre in diversi paesi e in condizioni diverse. I semi selezionati erano varietà di pomodori commerciali prodotte negli Stati Uniti e in Brasile, nonché varietà commerciali di carote prodotte in Italia, Cile e Brasile.
La domanda di queste colture è in aumento in tutto il mondo, ma raccogliere i semi per queste colture può essere difficile. Sia le carote che i pomodori hanno processi di maturazione non uniformi. Anche la produzione di semi per queste colture è non sincrona, il che significa che i lotti di semi estratti da questi pomodori e carote possono contenere semi maturi e immaturi. Non è facile distinguere tra semi maturi e immaturi con l’occhio, ma i sistemi di visione artificiale possono semplificare questo processo.
Tradizionalmente, i semi vengono valutati mediante test di germinazione e vigore. I test di germinazione prevedono la semina e la germinazione dei semi, mentre i test di vigore mirano a valutare come i semi rispondono allo stress. Possono essere necessarie due settimane o più per ottenere risultati da questi test, il che significa che le tecniche di apprendimento automatico sono notevolmente più veloci di queste tecniche tradizionali di analisi dei semi.
Dopo aver raccolto le immagini di addestramento, i ricercatori hanno utilizzato un classificatore casuale di foreste per automatizzare l’interpretazione delle immagini dei semi. Questo sistema di imaging ottico presenta molti vantaggi rispetto ai metodi tradizionali di analisi dei semi, uno dei quali è il fatto che la tecnologia di imaging ottico può essere utilizzata su interi lotti di semi anziché solo su piccoli campioni di quei lotti. Un altro vantaggio del metodo rispetto alle tradizionali tecniche di valutazione dei semi è che la tecnica di visione artificiale non è invasiva, quindi non distrugge alcun prodotto analizzato.
Un metodo per analizzare la qualità dei semi utilizzati dai ricercatori è stata la fluorescenza della clorofilla. Gli algoritmi sviluppati dal gruppo di ricerca hanno sfruttato la presenza di clorofilla all’interno dei semi. La clorofilla fornisce l’energia necessaria ai semi per lo sviluppo e se il seme ha ancora grandi volumi di clorofilla residua al suo interno, significa che il seme non è completamente maturo. Questa clorofilla residua può essere rilevata con imaging multispettrale, con luce rossa che eccita la clorofilla e speciali dispositivi che catturano la sua fluorescenza e la convertono in un segnale elettrico.
L’imaging multispettrale prevede l’uso di LED per emettere luce in diversi punti dello spettro luminoso. I ricercatori hanno suddiviso la luce emessa in 19 diverse lunghezze d’onda e hanno analizzato la qualità dei semi in base alla riflettanza per queste diverse lunghezze d’onda. Hanno quindi confrontato i risultati ottenuti con i dati di qualità ottenuti attraverso i tipici metodi di analisi dei semi. I ricercatori hanno scoperto che l’uso della luce nel vicino infrarosso funziona meglio per la valutazione dei semi di carota, mentre la luce UV ha funzionato meglio per la valutazione dei semi di pomodoro UV.
I semi contengono proteine, zuccheri e lipidi che assorbono determinate lunghezze d’onda della luce mentre riflettono il resto della luce. Una fotocamera multispettrale viene utilizzata per catturare la luce riflettente e i dati dell’immagine risultante vengono utilizzati per trovare i semi all’interno dell’intera immagine acquisita. Più un dato nutriente contiene un seme, più lunghezze d’onda della luce corrispondenti a quella vengono assorbite. Una serie di algoritmi viene utilizzata per identificare quale lunghezza d’onda è più efficace nella localizzazione dei semi. Questo processo può essere utilizzato per fornire informazioni sulla composizione chimica dei semi studiati, consentendo di dedurre la loro qualità. Il team di ricerca ha quindi utilizzato la chemiometria, che sono modelli matematici e statistici utilizzati per classificare i materiali, per creare le classi che descrivono la qualità dei semi.
Infine, i ricercatori sono stati in grado di utilizzare modelli di apprendimento automatico per valutare l’accuratezza dei modelli chemiometrici creati. Nel caso dei semi di pomodoro, l’accuratezza della classificazione della qualità variava dall’86% al 95%. Nel caso dei semi di carota, la precisione variava dall’88% al 97%.
Sia la tecnica di fluorescenza della clorofilla che la tecnica di imaging multispettrale si sono dimostrate affidabili e molto più veloci rispetto ai metodi tradizionali di valutazione della qualità dei semi. Se il metodo si dimostra affidabile, ha il potenziale per portare semi di qualità superiore ai coltivatori di tutto il mondo.
