Espectroscopia no infravermelho próximo e imagens multiespectrais para a classificação do potencial fisiológico de sementes de algodão

Abstract

A cultura do algodão tem grande importância mundial, e a qualidade das sementes é um fator crítico para o sucesso das lavouras. Métodos rápidos e não destrutivos para avaliação do potencial fisiológico das sementes são essenciais para o controle de qualidade nas empresas. Assim, este trabalho teve como objetivo avaliar a eficiência da espectroscopia no infravermelho próximo (NIR) e de imagens multiespectrais, associadas a modelos de aprendizado supervisionado, para a predição e classificação da qualidade fisiológica de sementes de algodão. Foram utilizadas sementes de um lote comercial, que foram envelhecidas artificialmente a 41 ºC e 100% de umidade relativa (UR) por 0, 48 e 96 horas. As sementes de cada tratamento foram submetidas aos testes de germinação, emergência, comprimento de plântulas e condutividade elétrica, sendo então categorizadas em alto vigor (controle), médio vigor (48 horas) e baixo vigor (96 horas), com base nos resultados desses testes.No primeiro ensaio, o objetivo foi avaliar a eficiência da espectroscopia no infravermelho próximo para a classificação do potencial fisiológico de sementes de algodão. Foram obtidos espectros NIR a partir das sementes individuais, totalizando 100 leituras para cada amostra. Os espectros foram processados utilizando diferentes métodos de pré-processamento, incluindo normalização, suavização e remoção de ruído. Em seguida, foram desenvolvidos modelos utilizando a Análise Discriminante por Mínimos Quadrados Parciais (PLS- DA). O modelo PLS-DA apresentou resultados promissores, com acurácia e kappa de 100% na fase de treinamento e de 95% e 93% na fase de teste, respectivamente. Os resultados confirmam que a espectroscopia NIR é uma ferramenta eficaz para classificar o potencial fisiológico das sementes de algodão, podendo ser incorporada como uma etapa rápida e complementar ao processo de controle de qualidade. No segundo ensaio, o objetivo foi investigar a viabilidade do uso de imagens multiespectrais na classificação da qualidade de sementes de algodão, utilizando algoritmos de inteligência artificial como ferramenta para otimizar o controle de qualidade. Para isso, foi desenvolvido um protótipo de baixo custo (Chroma Seeds) para aquisição de imagens multiespectrais. As imagens, capturadas em comprimentos de onda específicos (395–940 nm), foram processadas no software ImageJ® para obter dados de reflectância. Modelos preditivos foram desenvolvidos utilizando o software Orange Data Mining e algoritmos de classificação supervisionada, como Tree, Random Forest, Gradient Boosting, Support Vector Machine (SVM) e Neural Network. Os modelos de rede neural e SVM foram eficientes, com acurácia de 100% e kappa de 99% na fase de teste, confirmando a eficácia da abordagem baseada em imagens multiespectrais na classificação do potencial fisiológico das sementes. Os resultados obtidos nos dois estudos demonstram que tanto a espectroscopia NIR quanto a análise de imagens multiespectrais são ferramentas eficazes para classificar lotes de sementes de algodão quanto ao potencial fisiológico, podendo ser integradas em programas de controle de qualidade para otimizar o processo de seleção de sementes. Palavras-chave: Espectroscopia NIR; Vigor de sementes; Deterioração; Imagens Multiespectrais; Aprendizado de Máquina.Cotton cultivation holds great global importance, and seed quality is a critical factor for the success of cotton crops. Fast and non-destructive methods for assessing the physiological potential of seeds are essential for quality control in seed companies. Thus, this study aimed to evaluate the efficiency of near-infrared spectroscopy (NIR) and multispectral imaging, combined with supervised learning models, for predicting and classifying the physiological quality of cotton seeds. Seeds from a commercial lot were artificially aged at 41 ºC and 100% relative humidity (RH) for 0, 48, and 96 hours. Seeds from each treatment were subjected to germination, seedling emergence, seedling length, and electrical conductivity tests, and were subsequently categorized into high vigor (control), medium vigor (48 hours), and low vigor (96 hours) based on the results of these tests. In the first trial, the objective was to evaluate the efficiency of near-infrared spectroscopy for classifying the physiological potential of cotton seeds. NIR spectra were obtained from individual seeds, totaling 100 readings for each sample. The spectra were processed using different preprocessing methods, including normalization, smoothing, and noise removal. Subsequently, models were developed using Partial Least Squares Discriminant Analysis (PLS-DA). The PLS-DA model showed promising results, with accuracy and kappa values of 100% in the training phase and 95% and 93% in the test phase, respectively. The results confirm that NIR spectroscopy is an effective tool for classifying the physiological potential of cotton seeds and can be incorporated as a fast and complementary step in the quality control process. In the second trial, the objective was to investigate the feasibility of using multispectral imaging to classify cotton seed quality, employing artificial intelligence algorithms as a tool to optimize the quality control process. For this purpose, a low-cost prototype (Chroma Seeds) was developed for multispectral image acquisition. Images, captured at specific wavelengths (395–940 nm), were processed using the ImageJ® software to obtain reflectance data. Predictive models were developed using the Orange Data Mining software and supervised classification algorithms such as Tree, Random Forest, Gradient Boosting, Support Vector Machine (SVM), and Neural Network. The Neural Network and SVM models were highly effective, with accuracy of 100% and kappa of 99% in the test phase, confirming the efficiency of the multispectral imaging-based approach for classifying the physiological potential of seeds. The results obtained in both studies demonstrate that both NIR spectroscopy and multispectral imaging analysis are effective tools for classifying cotton seed lots in terms of physiological potential, and they can be integrated into quality control programs to optimize the seed selection process. Keywords: NIR Spectroscopy; Seed Vigor; Deterioration; Multispectral Imaging; Machine Learning.