Aplicações avançadas de aprendizado de máquina e ferramentas de análise de imagem para classificação e fenotipagem de sementes

Abstract

As tecnologias ópticas modernas, complementadas por algoritmos de inteligência artificial, estão revolucionando a análise de amostras biológicas na agricultura, particularmente na avaliação da qualidade de sementes. Por meio da integração de técnicas sofisticadas de análise de imagens, incluindo imagens RGB, raios X e imageamento multiespectral, esta pesquisa introduziu novas abordagens e ferramentas inovadoras. Dentre as ferramentas estão o Ilastik, que proporciona a utilização do aprendizado de máquina interativo para classificação de sementes e plântulas de soja, e a IJCropSeed, macro projetada para permitir a análise de imagens de raios X de sementes de uma variedade de culturas agrícolas. Além disso, foram desenvolvidos e testados modelos de aprendizado de máquina, abrangendo tanto métodos interativos quanto tradicionais. Estes modelos demonstraram uma eficácia notável, alcançando níveis de precisão superiores a 90%, o que representa um marco significativo no campo. No que se refere ao uso do imageamento multiespectral, com ênfase em comprimentos de onda específicos, foi observada alta consistência nos modelos desenvolvidos para avaliar o potencial fisiológico dos lotes de semente, considerando diferentes genótipos, lotes e safras. Além disso, a pesquisa destacou correlações entre os aspectos físicos das sementes, seus componentes espectrais e o desempenho fisiológico subsequente. Estes avanços tecnológicos apresentam uma nova oportunidade de ganho eficiência e qualidade operacional na classificação do potencial fisiológico das sementes e a predição do vigor das plântulas. O uso dessas abordagens otimiza a análise, tornando-a rápida, objetiva e altamente eficaz, e destaca a correlação entre aspectos físicos, componentes espectrais e o desempenho fisiológico das sementes. Palavras-chave: Imagens RGB. Imagens multiespectrais. Imagens de raios X. ImageJ. Aprendizado de máquina.

Modern optical technologies, complemented by artificial intelligence algorithms, are revolutionizing the analysis of biological samples in agriculture, particularly in seed evaluation. Through the integration of sophisticated image analysis techniques, including RGB imaging, X-ray, and multispectral imaging, this research introduced new approaches and innovative tools. Among these tools are Ilastik, which enables the use of interactive machine learning for the classification of soybean seeds and seedlings, and IJCropSeed, a macro designed to facilitate the analysis of X-ray images of seeds from a variety of agricultural crops. Furthermore, machine learning models were extensively developed and tested, encompassing both interactive and traditional methods. These models demonstrated remarkable efficacy, achieving accuracy levels exceeding 90%, which represents a significant milestone in the field. In terms of the use of multispectral imaging, with an emphasis on specific wavelengths, high consistency was observed in the models developed to assess the physiological potential of seed lots, considering different genotypes, batches, and crops. Additionally, the research highlighted fundamental correlations between the physical aspects of the seeds, their spectral components, and subsequent physiological performance. These technological advances facilitate the classification of the physiological potential of seeds and the prediction of seedling vigor. The use of these approaches optimizes analysis, making it rapid, objective, and highly effective, and underscores the correlation between physical aspects, spectral components, and the physiological performance of seeds. Keywords: RGB Images. Multispectral Images. X-ray Images. ImageJ. Machine Learning.